王博愛，楊瑞召，李德偉，張都，郭嘉梁

（中國礦業(yè)大學(xué)（北京）地球科學(xué)與測繪工程學(xué)院，北京 100083）

0 引言

微地震地面監(jiān)測中，有效信號能量弱，往往被淹沒在噪聲中，直接影響了微地震事件的識別和震源定位的效果。微地震信號在時(shí)間采樣方向具有局部脈沖的特點(diǎn)，可以據(jù)此進(jìn)行手動識別微地震信號。壓裂監(jiān)測需要快速得到壓裂結(jié)果，以此對開采方案進(jìn)行及時(shí)調(diào)整，因此，需要對微地震監(jiān)測資料進(jìn)行實(shí)時(shí)處理、解釋。微地震監(jiān)測數(shù)據(jù)量大，手動識別有效信號速度慢，難以滿足實(shí)時(shí)監(jiān)測的需求，因此，尋找合適的自動識別方法是微地震地面實(shí)時(shí)監(jiān)測資料處理與解釋的關(guān)鍵。

目前微地震有效信號常用的自動識別方法有短長時(shí)窗法（STA/LTA）、基于局部相似屬性識別法［1］、Akaike 信息準(zhǔn)則法（AIC）［2］、分形分維法、神經(jīng)網(wǎng)絡(luò)法［3］等。其中：短長時(shí)窗法和基于局部屬性識別法只利用了微地震數(shù)據(jù)的振幅屬性，難以識別低信噪比信號，且需要根據(jù)實(shí)際需要確定長短時(shí)窗長度和閾值［4］；分形分維法難以識別低信噪比信號，且在識別過程中必須插值和選取時(shí)窗，識別結(jié)果嚴(yán)重依賴插值準(zhǔn)確性和時(shí)窗大?。?］；自回歸（AR）理論假設(shè)有效信號和噪聲有不同的AR模型，Akaike信息準(zhǔn)則認(rèn)為在有效信號到達(dá)時(shí)AIC值最小，該方法無法識別低信噪比信號［6］；神經(jīng)網(wǎng)絡(luò)法通過提取的特征集來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型，并對其進(jìn)行參數(shù)調(diào)優(yōu)，得到最優(yōu)準(zhǔn)確率后保存模型，以此對新數(shù)據(jù)進(jìn)行分類預(yù)測。

采用單一特征量進(jìn)行有效信號自動識別，抗噪聲能力弱，魯棒性差，因此，綜合地震數(shù)據(jù)的多種特征量來進(jìn)行自動識別成為新的發(fā)展方向［7］。本文采用神經(jīng)網(wǎng)絡(luò)法中的循環(huán)神經(jīng)網(wǎng)絡(luò)模型（RNN），通過綜合地震信號的能量特征、頻譜特征、統(tǒng)計(jì)特征等特征量來對模型進(jìn)行訓(xùn)練，提高了信號自動識別速度和準(zhǔn)確率，進(jìn)而滿足了微地震地面實(shí)時(shí)監(jiān)測資料處理與解釋的需要。

1 循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN源自1982年Saratha Sathasivam提出的霍普菲爾德網(wǎng)絡(luò)，因?qū)崿F(xiàn)困難，在提出時(shí)并沒有被廣泛應(yīng)用。直到更加有效的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（例如深度循環(huán)神經(jīng)網(wǎng)絡(luò)［8-9］）被提出后，循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘數(shù)據(jù)中的時(shí)序信息及語義信息的深度表達(dá)能力才被充分地利用。在地球物理領(lǐng)域，鄭晶等［10］利用神經(jīng)網(wǎng)絡(luò)進(jìn)行了微震波拾取的研究。

RNN基本結(jié)構(gòu)如圖1。主體分為：輸入層；隱藏層，此層模型進(jìn)行學(xué)習(xí)并優(yōu)化參數(shù)；輸出層，包括分類器和標(biāo)簽層，分類器也叫Softmax層，此層將隱藏層中的輸出進(jìn)行分類估計(jì)，并選擇概率最大的作為標(biāo)簽。

圖1 RNN結(jié)構(gòu)示意

RNN的特點(diǎn)是1個(gè)序列當(dāng)前的輸出與之前的輸出有關(guān)，即網(wǎng)絡(luò)會對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前的輸出計(jì)算中。隱藏層之間有連接且其輸入不僅包含輸入層的輸出，還有上一時(shí)刻隱藏層的輸出［11］。

圖2為隱藏層示意圖。圖2中：X為輸入樣本，h為隱藏狀態(tài)，O為輸出，W為輸入的權(quán)重，U為輸入樣本的權(quán)重，V為輸出的權(quán)重，上標(biāo)0，1，2代表時(shí)間序列。在時(shí)刻1時(shí)，初始化h0，隨機(jī)初始化W，U，V，此時(shí)隱藏狀態(tài)h1和輸出值O1分別為

圖2 隱藏層結(jié)構(gòu)示意

式中：f為激活函數(shù)（即一個(gè)非線性變換，常用的激活函數(shù)有sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)）。

RNN另外一個(gè)重要的步驟是反向傳播，即將預(yù)測值與真實(shí)值進(jìn)行對比，計(jì)算損失函數(shù)對每個(gè)參數(shù)的梯度，然后根據(jù)梯度和學(xué)習(xí)率使用梯度下降算法更新每個(gè)參數(shù)。隱藏層每次的輸出值O都會產(chǎn)生1個(gè)誤差值，這個(gè)誤差值用損失函數(shù)E表示。常用的損失函數(shù)有交叉熵?fù)p失函數(shù)（cross_entropy）、均方差損失函數(shù)［12］，為了防止過擬合問題，還會加入L1，L2正則化，即在損失函數(shù)中加入刻畫模型復(fù)雜程度的指標(biāo)［13］。

式中：λ，θ為各自權(quán)重系數(shù)。

隱藏層各參數(shù)的梯度計(jì)算式為

長短時(shí)記憶網(wǎng)絡(luò)（LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)結(jié)構(gòu)，LSTM通過一些門結(jié)構(gòu)讓信息有選擇性地影響循環(huán)神經(jīng)網(wǎng)絡(luò)中每個(gè)時(shí)刻的狀態(tài)［14］。

2 研究過程

研究分為3個(gè)部分：數(shù)據(jù)準(zhǔn)備、特征提取、RNN模型訓(xùn)練。

2.1 數(shù)據(jù)準(zhǔn)備

各種處理方法或多或少都會造成微地震記錄振幅或者相位的變化，影響識別效果。Douglas［15］在研究中提到濾波過程越少，實(shí)現(xiàn)效果越好，因此，本次研究使用的資料是水力壓裂現(xiàn)場的原始地震記錄。地震噪聲主要從現(xiàn)場背景噪聲和人為步行信號、爆炸信號中提取。檢波器為三分量數(shù)字檢波器，采樣頻率為500 Hz。在地震記錄上，微震事件表現(xiàn)為清晰的脈沖（見圖3）。

圖3 微地震數(shù)據(jù)Z分量波形示意

地震波中P波傳播速度最快，其初至易于識別［16］，所以研究的資料采用的是三分量檢波器中的Z分量信號。在原始的記錄數(shù)據(jù)中，微地震有效信號占的比例很小，導(dǎo)致正樣本和負(fù)樣本比例不均勻，使得神經(jīng)網(wǎng)絡(luò)無法有效收斂學(xué)習(xí)［17］。本文采用分組處理的方法來解決樣本均衡問題，即截取一定數(shù)量的采樣點(diǎn)為1個(gè)數(shù)據(jù)集，包含微震事件的標(biāo)記為正樣本，人工標(biāo)記為1，不包含的為負(fù)樣本，人工標(biāo)記為 0（見圖 4）［18］。 在經(jīng)過后續(xù)測試后，確定100個(gè)采樣點(diǎn)為1個(gè)樣本。準(zhǔn)備的訓(xùn)練樣本一共有2 410個(gè)，其中含微震事件的樣本905個(gè)，不含微震事件的樣本1 505個(gè)。

圖4 微地震數(shù)據(jù)Z分量分割及標(biāo)注

2.2 特征提取

信號的特征主要從微地震信號與噪聲的能量差異、信號與噪聲自身各階統(tǒng)計(jì)量的差異入手選取。

1）STA/LTA最大值和最小值。地震信號進(jìn)行遞歸STA/LTA計(jì)算，對應(yīng)的數(shù)據(jù)曲線見圖5。圖5b中，紅線值為1.5，觸發(fā)代表事件開始；藍(lán)線值為0.8，觸發(fā)為事件結(jié)束。在樣本中（100個(gè)采樣點(diǎn)）提取STA/LTA值時(shí)，長、短時(shí)窗分別設(shè)為20，10個(gè)采樣點(diǎn)，分別選取樣本段內(nèi)STA/LTA最大值和最小值作為特征輸入。

圖5 微地震數(shù)據(jù)Z分量波形及其STA/LTA波形

2）頻域最大幅值。分別對時(shí)域地震記錄中微震信號和噪聲所在位置進(jìn)行傅里葉變換，2個(gè)窗口都為1 000個(gè)采樣點(diǎn)，頻域如圖6所示。由圖6可看出，微震信號最大幅值遠(yuǎn)遠(yuǎn)高于噪聲，因此，對樣本進(jìn)行傅里葉變換并提取最大幅值作為特征輸入［19］。

圖6 微地震信號和噪聲傅里葉變換

3）時(shí)域振幅最大值。將樣本中地震記錄的振幅最大值作為特征輸入。各階統(tǒng)計(jì)量（包括均值、標(biāo)準(zhǔn)差、25%四分位數(shù)、75%四分位數(shù)、偏度、峰度等）反映了樣本在時(shí)域中的形態(tài)學(xué)特征。

4）梅爾頻率倒譜系數(shù)（MFCC）。MFCC是一種在語音識別中廣泛應(yīng)用的特征，即對信號分幀、加窗后進(jìn)行傅里葉分析得到各窗對應(yīng)的頻譜，將頻譜通過梅爾濾波器運(yùn)算，得到梅爾頻譜。將梅爾頻譜進(jìn)行倒譜分析，即得到了梅爾頻率倒譜系數(shù)，MFCC代表著這段信號的動態(tài)特征［20-22］。

2.3 訓(xùn)練RNN模型

本次實(shí)驗(yàn)使用Windows系統(tǒng)，基于Spyder和Python開發(fā)環(huán)境，算法框架使用Google研發(fā)的人工智能學(xué)習(xí)系統(tǒng) Tensorflow［23］。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是不可見的，為了使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù)調(diào)整反饋更加清晰，TensorFlow提供了1個(gè)可視化工具TensorBoard。TensorBoard可以有效地展示TensorFlow在運(yùn)行過程中的數(shù)據(jù)信息。

本文設(shè)置的初始參數(shù)見表1。在對微地震有效信號進(jìn)行模型訓(xùn)練的過程中，迭代次數(shù)為2 000次之內(nèi)，模型準(zhǔn)確率和損失函數(shù)就可以達(dá)到穩(wěn)定狀態(tài)。batch_size變量在模型訓(xùn)練時(shí)，打標(biāo)好的微地震和噪聲訓(xùn)練樣本數(shù)目多，如果直接把所有的訓(xùn)練樣本1次性放進(jìn)模型中訓(xùn)練，在網(wǎng)絡(luò)反向傳播時(shí)，會使用很大的計(jì)算內(nèi)存，且無法對參數(shù)進(jìn)行調(diào)整，因此，將訓(xùn)練樣本分批次進(jìn)行訓(xùn)練，batch_size一般設(shè)置為2的n次冪，在實(shí)驗(yàn)中結(jié)合訓(xùn)練樣本的數(shù)目，最終將單次訓(xùn)練數(shù)據(jù)樣本數(shù)量設(shè)置為32。RNN_hidden_size變量在網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，1個(gè)結(jié)點(diǎn)對應(yīng)1個(gè)樣本，本次實(shí)驗(yàn)中設(shè)置為32個(gè)結(jié)點(diǎn)。RNN_hidden_layers變量值越大，整個(gè)模型的誤差越小，但是會出現(xiàn)網(wǎng)絡(luò)復(fù)雜化，增加訓(xùn)練成本，以及過擬合問題，其值設(shè)為2層。learning_rate變量采用指數(shù)衰減法進(jìn)行設(shè)置，在指數(shù)衰減法中，可以先設(shè)置為1個(gè)較大值，在模型的迭代過程中減小學(xué)習(xí)率的值，直至最優(yōu)。n_classes變量在實(shí)驗(yàn)中，將樣本分為微地震有效信號和噪聲2類。features_numbers包括振幅均值、振幅標(biāo)準(zhǔn)差、25百分位數(shù)、75百分位數(shù)、偏度值、峰度值、短長時(shí)窗比的最小值、短長時(shí)窗比的最大值、頻域最大幅值、梅爾頻率倒譜系數(shù)的前2個(gè)系數(shù)、偏振系數(shù)中的偏振角和偏振度。

表1 模型訓(xùn)練參數(shù)

模型的最終準(zhǔn)確率穩(wěn)定在0.92左右，損失函數(shù)穩(wěn)定在0.24左右。

3 模型測試及應(yīng)用

3.1 模型測試及對比

為檢驗(yàn)訓(xùn)練出的RNN模型，將模型與傳統(tǒng)的STA/LTA識別法的研究結(jié)果進(jìn)行比較。

1）利用微地震正演模擬［24-25］得到強(qiáng)度不同的3個(gè)有效信號，分別位于采樣點(diǎn)13 000，14 000，15 000處（見圖7a）。加入高斯白噪聲來模擬不同信噪比的信號，信號3已經(jīng)完全被淹沒在噪聲中，如圖7b。

圖7 微地震模擬信號及加噪后模擬信號

2）采用STA/LTA識別法對模擬信號進(jìn)行識別，長時(shí)窗設(shè)定為60個(gè)采樣點(diǎn)，短時(shí)窗為30個(gè)采樣點(diǎn)，計(jì)算結(jié)果見圖8a。

圖8 STA/LTA計(jì)算波形及識別效果

通過觀察計(jì)算波形，確定觸發(fā)閾值為1.3（紅虛線），此時(shí)可以正確觸發(fā)信號1，2。截止值設(shè)定為0.75（藍(lán)虛線），信號1可以正確觸發(fā)，但是信號2截止過早，識別效果如圖8b。在此情況下，無論如何設(shè)置閾值，信號3都無法正確觸發(fā)。

3）采用分形分維數(shù)法對模擬信號進(jìn)行識別，窗口為20個(gè)采樣點(diǎn)，其分形分維數(shù)見圖9。設(shè)定觸發(fā)最低閾值為1.08，此時(shí)能正確識別事件1，但是無法識別事件 2，3。

圖9 分形分維數(shù)識別效果

4）使用訓(xùn)練好的RNN模型對加噪后的模擬信號進(jìn)行識別，模型自動將采樣點(diǎn)4 000個(gè)的整段信號分割為400段，然后對每段進(jìn)行特征提取，在其預(yù)測標(biāo)簽中，第101，201，301段預(yù)測為有效信號，預(yù)測效果如圖10所示。由圖10可看出，訓(xùn)練好的RNN模型識別出了3個(gè)信號，表明其識別效果較好。

圖10 RNN模型識別效果

3.2 實(shí)際數(shù)據(jù)信號識別對比

在實(shí)際水力壓裂微地震地面監(jiān)測數(shù)據(jù)中，選取單個(gè)信號、多個(gè)信號、不同信噪比的幾段記錄，分別使用STA/LTA、分形分維法、循環(huán)神經(jīng)網(wǎng)絡(luò)模型識別法對其進(jìn)行識別。

單個(gè)信號的識別效果如圖11所示，多個(gè)信號的識別效果如圖12所示。

圖11 單信號實(shí)際數(shù)據(jù)信號識別

圖12 多信號實(shí)際數(shù)據(jù)信號識別

在實(shí)際檢測數(shù)據(jù)中，對25道檢波器的地震記錄信號進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)模型信號識別后，對模型識別出的有效信號保留，對識別出的噪聲時(shí)間進(jìn)行置零操作，識別效果見圖13。

圖13 高信噪比信號及RNN模型識別

圖14的地震記錄信號信噪比不算高，存在2個(gè)有效信號，強(qiáng)度差異較明顯。由圖14可看出，RNN模型識別效果較好。

圖14 2個(gè)不同強(qiáng)度信號的地震記錄及識別后波形

4 結(jié)論

1）采用單一特征量來進(jìn)行信號自動識別，其噪聲能力弱，因此，綜合信號的多種特征量來進(jìn)行信號自動識別成為新的發(fā)展方向。循環(huán)神經(jīng)網(wǎng)絡(luò)是高度的非線性網(wǎng)絡(luò)方法，可以綜合地震相的多種特征量，具有準(zhǔn)確、無需設(shè)定閾值等優(yōu)點(diǎn)。

2）在人工智能方法中，循環(huán)神經(jīng)網(wǎng)絡(luò)主要解決時(shí)序信號問題，比較適合處理微地震監(jiān)測信號。循環(huán)神經(jīng)網(wǎng)絡(luò)綜合信號的多種特征量來進(jìn)行信號自動識別，具有準(zhǔn)確、無需設(shè)定閾值等優(yōu)點(diǎn)。

3）循環(huán)神經(jīng)網(wǎng)絡(luò)模型可以識別強(qiáng)度較低的信號，且識別的信號長度較長，避免了有效信息的遺漏。

4）在對實(shí)際水力壓裂微地震多道監(jiān)測數(shù)據(jù)進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)識別后，波形上絕大部分環(huán)境噪聲被去除，列脈沖信號被完整保留。循環(huán)神經(jīng)網(wǎng)絡(luò)模型在識別過程中，通過對算法的優(yōu)化和對識別流程結(jié)構(gòu)進(jìn)行調(diào)整，識別速度還可以進(jìn)一步加快。