摘要：在油氣田開發(fā)階段，通過分析微地震資料來確定裂縫的位置，對油藏動態(tài)進(jìn)行監(jiān)測和油田采收率的提高有重大意義。微地震有效事件識別是對微地震有效信號的拾取，很大程度上影響隨后的震源定位工作。卷積神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于圖像分類與目標(biāo)檢測。本文采用卷積神經(jīng)網(wǎng)絡(luò)中的DenseNet模型，在網(wǎng)絡(luò)結(jié)構(gòu)中使用Transition模塊連接兩個相鄰的密集塊，每個密集塊都采用BN-ReLU-Conv（1×1）-BN-ReLU-Conv（3×3）的結(jié)構(gòu)，應(yīng)用于四川南部某頁巖氣開發(fā)區(qū)水力壓裂資料拾取中。

關(guān)鍵詞：微地震;卷積神經(jīng)網(wǎng)絡(luò);DenseNet模型

1 引言

微地震監(jiān)測作為一種快速發(fā)展的油藏工程管理工具，在油氣藏勘探開采過程中可進(jìn)行儲層壓裂監(jiān)測、油藏動態(tài)監(jiān)測，可以優(yōu)化油氣注采方案，降低開發(fā)成本，提高油氣產(chǎn)量，能夠大大縮短和降低儲層監(jiān)測的周期與費(fèi)用。目前微地震有效事件的自動拾取技術(shù)研究還處于初始階段，大多數(shù)適用于中等和大地震。因此往往會錯過許多低強(qiáng)度的地震。卷積神經(jīng)網(wǎng)絡(luò)作為一種高效的前饋型神經(jīng)網(wǎng)絡(luò)，但鮮有文獻(xiàn)將其應(yīng)用到微地震識別方面，卷積神經(jīng)網(wǎng)絡(luò)有很好的識別有效微地震事件的能力，它對波形“外貌特征”的高效提取應(yīng)用在微地震方面可以做到快速識別微地震有效事件。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)定義

CNN是包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的代表算法之一。在典型卷積網(wǎng)絡(luò)中，一層完整的卷積網(wǎng)絡(luò)包含三個階段：第一階段稱為卷積層，該層執(zhí)行類積操作生成組特征圖;第二階段稱為探測層，每個特征值被送入一個非線性激活單元中進(jìn)行激活;第三階段稱為池化層，將下層提取到的特征進(jìn)行采樣，縮小網(wǎng)絡(luò)規(guī)模。CNN每一層是二維平面，層與層之間的連接是局部連接，同一層的某些神經(jīng)元到下層的權(quán)值被設(shè)置為相同，這稱為稀疏連接與權(quán)值共享。采用多個卷積特征，會計(jì)算出多個卷積特征矩陣。設(shè)置多個卷積層，可以提取多個不同特征用于最終的分類任務(wù)。歷經(jīng)多輪卷積和池化之后，往往會在網(wǎng)絡(luò)末端嵌上一個或兩個全連接層對反復(fù)提取得到的特征進(jìn)行分類。

2.2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)

CNN的一大特點(diǎn)就是權(quán)值共享，極大程度上克服了權(quán)值多的計(jì)算訓(xùn)練慢的缺點(diǎn)?？紤]到并非所有神經(jīng)元都與下一層中的某個神經(jīng)元相連，所以連接是局部的且尊重神經(jīng)元之間的相關(guān)性。這樣可以防止訓(xùn)練時間過長及過度擬合，只要全連接MLP的權(quán)重?cái)?shù)量隨著圖像尺寸的增加而增加。層中的神經(jīng)元以維度排列，通常是三個維度，以寬度、高度和深度的形式放置在一個陣列中，將視覺系統(tǒng)模型化，使其能夠在物體即使存在偏移、輕微形變的情況下也能完成識別。CNN訓(xùn)練過程可以被視為使用交互式前向傳播和反向傳播來解決復(fù)雜的非線性逆問題。前向傳播的目的是根據(jù)設(shè)計(jì)的網(wǎng)絡(luò)和更新的參數(shù)計(jì)算分類輸出，而反向傳播的目標(biāo)是更新這些參數(shù)。

3 構(gòu)建微地震有效事件識別模型

3.1 密集塊

一個完整的DenseNet要包括3個密集塊，在密集塊的內(nèi)部每個特征圖都必須保持大小一致，每層輸入采用concatenate連接，而與ResNet不同，后者采用element-wise連接。在網(wǎng)絡(luò)內(nèi)部每個節(jié)點(diǎn)代表批歸一化+ReLU+卷積，每個卷積層都是3*3*k的過濾器。在過渡塊中，池化層會改變特征圖的大小，以提高效率。過渡層節(jié)點(diǎn)是批歸一化-卷積-池化結(jié)構(gòu)組成，卷積是1×1的卷積，密集塊內(nèi)部的每個節(jié)點(diǎn)也是密集連接的。一個密集塊是由L層密集層組成，每層的輸出都是不變的，輸入通道數(shù)是增加的，每層的輸入是前面所有層的并集。在密集塊的內(nèi)部可以采用瓶頸層來減少計(jì)算量。瓶頸層的設(shè)計(jì)主要在是原有的結(jié)構(gòu)中增加了1x1的卷積，即批歸一化+ReLU+1x1卷積+批歸一化+ReLU+3x3卷積。在所有的密集塊中，各個層在進(jìn)行了卷積之后均輸出k個特征圖。

3.2 過渡層

在密集塊中，每經(jīng)過一個卷積塊，就會增加k個特征圖。因此，我們需要在一個密集塊的后面加入過渡層來使一定數(shù)量的特征圖的到壓縮，從而保證訓(xùn)練的高效性。過渡層包括一個1x1的卷積和2x2的平均池化，結(jié)構(gòu)為批歸一化+ReLU+1x1卷積+2x2的平均池化。過渡層被用來放在兩個密集塊的中間，這是因?yàn)槊總€密集塊在運(yùn)行結(jié)束后的輸出通道數(shù)很多，需要用1×1的卷積核來達(dá)到降維的效果。過渡層可以起到壓縮模型的作用。

4 模型實(shí)例研究

基于構(gòu)建的微地震有效事件識別模型，將構(gòu)建的DenseNet模型應(yīng)用于四川南部某頁巖氣開發(fā)區(qū)水力壓裂資料拾取中。從該地區(qū)的地震觀測數(shù)據(jù)記錄中，挑選出2826個微地震有效事件和2024個不同形成背景的噪聲事件構(gòu)成原始數(shù)據(jù)集。絕大多數(shù)微地震有效事件的震級在1～3級之間。原始數(shù)據(jù)集圖像的原始分辨率均為222×166，使用resize函數(shù)將圖片裁剪為合適的分辨率。設(shè)置好相關(guān)參數(shù)后，將處理后的數(shù)據(jù)載入模型訓(xùn)練。

5 結(jié)果分析與評估

由運(yùn)行結(jié)果可見，當(dāng)訓(xùn)練集與測試集的比例為1：1時，訓(xùn)練到100代，也就是2500次時，測試集準(zhǔn)確率已達(dá)到了99%，模型已經(jīng)穩(wěn)定了;當(dāng)訓(xùn)練集與測試集的比例為3：1時，若數(shù)據(jù)為64×64，用CPU進(jìn)行運(yùn)算，訓(xùn)練到100代，也就是2500次左右時，測試集準(zhǔn)確率已經(jīng)達(dá)到了99.7%。train_acc和valid_acc兩者在較高的水平，并且數(shù)值是非接近，這樣的網(wǎng)絡(luò)模型就是合格的。綜上構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型效果是理想的，有很好的識別有效微地震事件的能力。

參考文獻(xiàn)

[1]陸文凱， 牟永光. 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測井資料外推[J]. 石油地球物理勘探， 1996， 31（5）： 712-715.

[2]劉晗， 張建中. 微震信號自動檢測的STA/LTA算法及其改進(jìn)分析[J]. 地球物理學(xué)進(jìn)展， 2014， 29（4）： 1708-1714.

[3]劉瑞林， 馬在田. 神經(jīng)網(wǎng)絡(luò)在油氣評價(jià)和預(yù)測方面的研究現(xiàn)狀[J]. 地球物理學(xué)進(jìn)展， 1995， 10（2）： 75-84.

[4]呂世超. 微地震有效事件識別及震源自動定位方法研究[D]. 北京：中國石油大學(xué)（北京）， 2011.

作者簡介：楊敏（1995-），女，漢族，四川省仁壽縣人，碩士，單位：西華大學(xué)計(jì)算機(jī)與軟件工程學(xué)院，研究方向：計(jì)算機(jī)技術(shù)