[发明专利]一种基于神经网络的干热岩微地震事件检测方法

说明书

本发明属于微地震事件检测领域，特别是涉及一种基于神经网络的干热岩微地震事件检测方法，包括:使用GRU网络来提取采集的微地震信号的时序特征提取；使用SVM对时序特征进行二分类。直接将可以用来指导水力压裂的微地震事件拾取出来，不需要后期重新挑选数据。该方法检测精度更高，检测到的结果更适用于实际的干热岩开发工程，为后续的数据处理、裂缝分析简化了工作，同时提高了微地震事件对水力压裂指导的时效性，具有很大的应用潜力。

技术领域

本发明属于微地震事件检测领域，特别是涉及一种基于神经网络的干热岩微地震事件检测方法。

背景技术

能源是人类社会发展必不可少的条件，一直是人类赖以生存的源动力，由于当今社会化石能源日益告急，人类对于能源的探索从未停止。2015年在中国青海共和县发现大量干热岩，实现了中国干热岩勘察突破，在开发过程中，想要实现干热岩的热能开采，需要通过水力压裂技术将压裂井连通，而在水力压裂时，初始裂缝错动会激发出大量以地震波方式传播的能量，在传播过程中被检波器所接收，通过分析检波器数据中的微地震事件，确定水力压裂产生的裂缝位置和发展趋势。微地震事件的准确识别是微地震监测过程中最重要的一环。微地震事件拾取的准确与否，关系到能否正确的反馈出地下裂缝变化，给水力压裂一个正确的参考。

目前，微地震监测的研究主要集中在检测微地震事件上。传统方法就是短期平均到长期平均(STA/LTA)算法，但这种方法由于不同窗口中参数的计算成本，需要较长的时间来获取所需要的精度，当STA的时间窗越短时，对地震信号也就越敏感，这样就容易出现误拾取现象，LTA过长时，可能会把由弱变强的噪声误拾取为微地震事件。随着人工智能的快速发展，机器学习技术已被应用于微地震事件检测，例如模糊聚类算法、贝叶斯概率模型、多尺度排列熵和支持向量机结合的方法。但这些方法也并不适用于干热岩微地震事件检测，例如模糊聚类算法，最优分类的标准是样本与聚类中心的距离平方和最小，因为一个样本是按不同的隶属度属于各类的，所以应同时考虑它与每一类的聚类中心的距离，逐步聚类法需要反复迭代计算，计算工作量很大，在更低信噪比的情况下拾取效果并不理想。因此，寻找一种适用于干热岩微地震事件拾取的方法显得极为迫切。

发明内容

本发明所要解决的技术问题在于提供一种基于神经网络的干热岩微地震事件检测方法，直接将可以用来指导水力压裂的微地震事件拾取出来，不需要后期重新挑选数据。

本发明是这样实现的，

一种基于神经网络的干热岩微地震事件检测方法，包括:

使用GRU网络来提取采集的微地震信号的时序特征提取；

使用SVM对时序特征进行二分类。

进一步地，在时序特征提取前，对微地震信号进行归一化处理，将数据统一映射到[0,1]。

进一步地，所述GRU网络包括16个GRU形成的时序特征提取层，每个 GRU仅包括一个重置门和一个更新门。

进一步地，在GRU网络的底层添加全连接层。

进一步地，SVM的输出函数为：

pred＝|sign(Mx+c)|

其中M为最优化后的法向量，x为输入数据，c为最优化后的位移项。

进一步地，SVM的损失函数为:

其中W为法向量，y_i为+1或者-1，为样本点在每一个维度上坐标点的值，b为位移项。

本发明与现有技术相比，有益效果在于：