王維波 官 強 高 明 盛 立

(中國石油大學(xué)(華東)控制科學(xué)與工程學(xué)院，山東青島266580)

0 引言

微地震監(jiān)測技術(shù)通常用于油氣井壓裂效果評價，確定壓裂誘發(fā)裂縫的形態(tài)，是低滲透儲層、頁巖儲層壓裂裂縫監(jiān)測的重要技術(shù)手段[1-3]。微地震監(jiān)測有地面監(jiān)測和井下監(jiān)測兩種方式。地面監(jiān)測是在地面部署大量監(jiān)測站點，通過高靈敏度檢波器接收微地震信號[4]。井下監(jiān)測需要在壓裂井附近布設(shè)監(jiān)測井，將檢波器串放置到井下進行監(jiān)測。

微地震事件的震源定位是微地震數(shù)據(jù)處理的核心問題。震源定位有多種方法[5]，包括多道P波時差法[6]、地震發(fā)射層析成像(SET)法[7]、逆時偏移方法[8]等。其中，SET法無需提取事件信號初至，對監(jiān)測信號的信噪比要求低，適用于地面監(jiān)測的震源定位[9-10]，在理論研究和實際應(yīng)用中都得到了驗證。Kugaenko等[11]在地?zé)嵛⒌卣鸨O(jiān)測中成功使用SET方法進行震源定位； Chambers等[12]專門實施了井下放炮、地面微地震監(jiān)測試驗，使用SET震源定位方法驗證了地面監(jiān)測的有效性； 王維波等[13]用數(shù)值模擬方法研究了SET算法的特點，并根據(jù)多口油氣井水力壓裂地面微地震監(jiān)測數(shù)據(jù)實際處理情況，總結(jié)出了選擇地面微地震監(jiān)測站點個數(shù)的基本原則。

在實際應(yīng)用SET方法時，需要先對多道時域信號段進行SET計算，得到多張圖片，然后通過人為判別圖片是否具有明顯焦點，推斷是否存在有效微地震事件，進而根據(jù)圖像中的成像最大值確定震源點[11-13]。這種依據(jù)人工經(jīng)驗對圖像進行抽象判別的處理方式，工作效率低，無法對海量監(jiān)測數(shù)據(jù)全部進行SET和批量自動處理，因此無法在時域發(fā)現(xiàn)更多被噪聲淹沒的有效微地震事件信號。

隨著Lecun等[14]、Krizhevsky等[15]和Simonyan等[16]分別提出LeNet-5、Alex-net和VGG模型，卷積神經(jīng)網(wǎng)絡(luò)逐漸被應(yīng)用于各個領(lǐng)域，與日益發(fā)展的人工智能方法相結(jié)合，是突破SET方法應(yīng)用瓶頸的有效途徑。近年來，多種卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于微地震事件自動識別和定位。Huang等[17]將卷積神經(jīng)網(wǎng)絡(luò)算法與微地震信號相結(jié)合，實現(xiàn)了微地震事件的自動定位。王維波等[18]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的微地震事件檢測方法，可以有效地自動識別微地震事件時域信號。

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)雖然可以解決SET圖片自動識別問題，但是在面對低信噪比成像圖片時，容易出現(xiàn)微地震事件誤判現(xiàn)象。Szegedy等[19]認(rèn)為網(wǎng)絡(luò)深度越大越能提取圖像的細微特征，但是隨著深度的增加，可能出現(xiàn)梯度消失或梯度爆炸現(xiàn)象，同時特征圖包含的圖像信息會逐層減少，容易出現(xiàn)網(wǎng)絡(luò)退化問題[20]。為此，He等[21-22]提出一種深度殘差網(wǎng)絡(luò)，既解決了深度網(wǎng)絡(luò)難以訓(xùn)練的問題，又提升了網(wǎng)絡(luò)性能。近年來，張政等[23]將殘差網(wǎng)絡(luò)應(yīng)用于斷層圖片的自動識別，與其他模型相比，該模型具有更好的識別能力。Long等[24]將殘差網(wǎng)絡(luò)應(yīng)用于魚的行為分類中，也取得了不錯效果。

本文利用殘差網(wǎng)絡(luò)對地面微地震監(jiān)測數(shù)據(jù)的SET圖片進行自動識別，判定SET數(shù)據(jù)對應(yīng)的信號段內(nèi)是否包含有效微地震事件，并確定有效微地震信號的震源坐標(biāo)。該方法解決了傳統(tǒng)處理過程需要依賴人工判別SET圖片的問題，可以實現(xiàn)自動批量處理，極大地提高了處理效率。另外，相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)特征提取方法，殘差網(wǎng)絡(luò)的性能更佳，能夠提取更多的SET圖片特征。對不同信噪比的合成信號以及實際油井水力壓裂微地震監(jiān)測信號的處理結(jié)果表明，殘差網(wǎng)絡(luò)能夠有效識別包含微地震事件信號的SET圖片，進而實現(xiàn)微地震事件的檢測和震源定位，且具有較強的抗噪能力和泛化能力。

1 SET方法基本原理

SET方法的基本假設(shè)是：地下震源點發(fā)射的地震波被地面多個監(jiān)測站點接收，地面站點接收到的地震波信號雖然有時差和畸變，但是存在相似性。SET方法的基本原理是：將被監(jiān)測區(qū)域劃分為網(wǎng)格，根據(jù)地層速度模型計算每個網(wǎng)格點到地面監(jiān)測站點的地震波理論走時； 再據(jù)此針對每一個網(wǎng)格點，對一個時間段內(nèi)的多道信號進行偏移疊加，計算網(wǎng)格的Semblance參數(shù)(S參數(shù)，計算公式見文獻[11])，從而實現(xiàn)SET。地面監(jiān)測和SET示意圖如圖1所示[13]。

計算圖1中所有網(wǎng)格點的S參數(shù)，然后根據(jù)S參數(shù)值分層繪制偽色圖，得到各層的SET圖片。圖2為某段合成信號第一層SET圖片。S參數(shù)實質(zhì)上是一種無量綱的相似性參數(shù)，S參數(shù)值最大的網(wǎng)格被認(rèn)為是震源點。因此，對于包含有效微地震事件的信號段，SET方法只需對所有網(wǎng)格點計算S參數(shù)，通過查找S參數(shù)極大值點就可以確定震源，無需拾取事件信號的初至。

SET方法具有一個顯著的優(yōu)點，即隨著地面監(jiān)測站點的增多，S參數(shù)值極大值點會越突出，有利于識別更低信噪比的信號。當(dāng)監(jiān)測站點增加到一定數(shù)量時，甚至能夠?qū)ν耆辉肼曆蜎]的信號成像[12-13]，這也是SET方法適用于地面微地震監(jiān)測數(shù)據(jù)處理的主要原因，因為在地面增設(shè)監(jiān)測站點相對容易實現(xiàn)。

圖1 地面監(jiān)測和SET示意圖

圖2 某段合成信號第一層的SET圖片

對任何信號段都可以進行SET，包含微地震信號的SET圖片具有明顯的焦點，而不包含微地震信號的背景信號或干擾信號則沒有，兩者的成像圖片具有明顯差別。以往通過人工識別判斷SET圖片，這種抽象、耗時的處理過程過分依賴經(jīng)驗，況且人工識別的工作量有限，一般無法完成對海量監(jiān)測數(shù)據(jù)的全部處理，因而無法充分發(fā)揮SET算法可識別被噪聲淹沒的有效微地震信號的能力。

2 殘差網(wǎng)絡(luò)

2.1 批量歸一化

利用卷積神經(jīng)網(wǎng)絡(luò)提取特征可視為擬合新的數(shù)據(jù)分布，通常在淺層網(wǎng)絡(luò)模型中使用數(shù)據(jù)歸一化預(yù)處理方法處理數(shù)據(jù)。該方法在淺層網(wǎng)絡(luò)應(yīng)用效果很好，但是隨著網(wǎng)絡(luò)深度的增加，數(shù)據(jù)經(jīng)過卷積、池化以及激活運算，其輸出結(jié)果會出現(xiàn)巨大差異，影響后期新數(shù)據(jù)特征的分布，導(dǎo)致網(wǎng)絡(luò)模型整體訓(xùn)練效率低下。

為了解決上述問題，Ioffe等[25]提出了批量歸一化方法(Batch Normalization, BN)，通過引入兩個學(xué)習(xí)率參數(shù)γ和β，對數(shù)據(jù)進行縮放與數(shù)值偏移

(1)

(2)

批量歸一化過程會根據(jù)特征圖像的數(shù)量提供同等數(shù)量的x、σ進行計算，在訓(xùn)練過程中保存一定范圍內(nèi)的均值和方差，測試時在該范圍內(nèi)滑動選擇合適的參數(shù)值。

2.2 殘差塊

卷積神經(jīng)網(wǎng)絡(luò)為圖像分類技術(shù)帶來了一系列突破，網(wǎng)絡(luò)模型深度是至關(guān)重要的因素，模型越深越能提取圖像的細微特征，但是隨著深度的增加，可能會出現(xiàn)梯度消失或梯度爆炸現(xiàn)象，即網(wǎng)絡(luò)退化問題。He等[22]提出了深度殘差網(wǎng)絡(luò)模型，在卷積神經(jīng)網(wǎng)絡(luò)中加入直接映射，使輸出數(shù)據(jù)包含更多的圖像信息。殘差塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中Relu為線性整流函數(shù)。

如圖3所示，該殘差塊跨越兩個卷積層，輸入數(shù)據(jù)x經(jīng)過直接映射與殘差函數(shù)F(x)相加構(gòu)成了一個映射層，輸出值為y，即

y=F(x)+x

(3)

其作用是使輸入的數(shù)據(jù)信號不會隨著網(wǎng)絡(luò)深度加深而減弱，可以有效地提升網(wǎng)絡(luò)的效果。

本文使用了兩種類型的殘差塊，分別是卷積塊和識別塊(圖4)。殘差部分都使用3個卷積核提取特征，卷積核的尺寸均為3×3。在卷積塊中，x與F(x)維數(shù)相同，可以直接相加。在識別塊中x與F(x)維數(shù)不相同，因此需要對x進行填充，本文使用1×1的卷積核提升其維數(shù)。另外，兩種結(jié)構(gòu)都加入了BN過程，以加快訓(xùn)練速度。

圖3 殘差塊結(jié)構(gòu)示意圖

圖4 加入BN的典型殘差塊結(jié)構(gòu)

3 殘差網(wǎng)絡(luò)對SET圖片的識別

3.1 基于合成信號訓(xùn)練的殘差網(wǎng)絡(luò)

3.1.1 合成信號數(shù)據(jù)集的構(gòu)建

首先采用合成信號進行SET，構(gòu)建SET圖片數(shù)據(jù)集并對殘差網(wǎng)絡(luò)進行網(wǎng)絡(luò)模型訓(xùn)練和測試。

假設(shè)一口壓裂井的射孔段中心深度為2755m，構(gòu)建合成數(shù)據(jù)時在垂直方向只劃分一層，水平方向劃分40×40個網(wǎng)格，網(wǎng)格邊長為10m。在地面布設(shè)36個監(jiān)測站點，呈網(wǎng)格狀均勻分布(圖5)。正演走時計算采用均勻速度模型，設(shè)置平均速度為3200m/s。

數(shù)據(jù)合成采用最小相位子波、零相位子波和Ricker子波三種不同的子波。在實際水力壓裂過程中，受地層破裂時能量差異、儲層巖石特性等因素影響，會產(chǎn)生不同的微地震子波[26]，其SET圖片也有所不同，有的聚焦點峰值大、成像焦點附近能量集中，有的聚焦點峰值小、成像焦點附近能量不突出。另外，合成信號中疊加了不同強度的高斯隨機噪聲，以得到不同信噪比的信號。針對某個震源點，疊加對應(yīng)子波和高斯隨機噪聲生成合成信號，定義信號信噪比為

(4)

式中：A(tk)為子波信號序列；N(tk)為噪聲序列；M為序列長度。

生成包含子波信號和不同強度噪聲的微地震信號1500段，生成背景噪聲信號500段，表1列出了合成數(shù)據(jù)集的詳細信息。

圖5 地面監(jiān)測站點分布

表1中標(biāo)簽0代表背景噪聲，標(biāo)簽1代表微地震事件。對表中合成信號數(shù)據(jù)集進行SET，設(shè)置時間窗為1200ms，生成圖像的像素尺寸為402×402，為3通道圖片。在輸入網(wǎng)絡(luò)之前需要對圖片進行預(yù)處理，以加快網(wǎng)絡(luò)的運算速度，于是將成像圖的像素尺寸縮放為131×131，并按3∶2的比例劃分訓(xùn)練、測試數(shù)據(jù)集。表2列出訓(xùn)練集和測試集的詳細劃分信息。

表1 合成信號數(shù)據(jù)集描述

表2 合成訓(xùn)練、測試數(shù)據(jù)集描述

3.1.2 殘差網(wǎng)絡(luò)模型結(jié)構(gòu)和模型訓(xùn)練

使用殘差網(wǎng)絡(luò)對SET圖片進行處理，實現(xiàn)微地震事件自動檢測。使用的殘差網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示，共采用了1個卷積層、2個池化層(分別為最大池化和平均池化)及7個殘差塊(分別為2個卷積塊和5個識別塊)。

網(wǎng)絡(luò)的輸入層為131×131像素的SET圖片，經(jīng)過一次卷積與平均池化提取特征后，將得到的輸出繼續(xù)輸入到殘差塊中提取特征。然后進行平均池化操作，再輸入到全連接層中，全連接層的輸出是最終的分類結(jié)果。整個過程各層的參數(shù)設(shè)置如表3所示。

圖6 殘差網(wǎng)絡(luò)模型結(jié)構(gòu)

表3 殘差網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

采用Python語言和Tensorflow架構(gòu)作為編程環(huán)境，訓(xùn)練過程采用Adam梯度下降算法，學(xué)習(xí)率為0.001。在輸入樣本的過程中，采用小批量batch訓(xùn)練方式(10個樣本)降低運算復(fù)雜度。每次訓(xùn)練輸入一個小批次樣本，循環(huán)訓(xùn)練所有批次，將所有數(shù)據(jù)迭代一遍稱為一個epoch。本次實驗在配備Intel Core i5-7400 3.0GHz處理器和4GB內(nèi)存的PC上訓(xùn)練100個epoch(約1400步迭代)，之后測試網(wǎng)絡(luò)模型的性能。經(jīng)過多次測試，最終得到訓(xùn)練過程檢測準(zhǔn)確率曲線(圖7)。

由圖7可以看出，本文所提微地震事件檢測方法對合成數(shù)據(jù)集的檢測準(zhǔn)確率可達99.9%。

圖7 合成信號檢測準(zhǔn)確率曲線

3.1.3 殘差網(wǎng)絡(luò)模型對微地震事件檢測效果測試

使用合成信號的SET數(shù)據(jù)完成殘差網(wǎng)絡(luò)模型訓(xùn)練并保存參數(shù)，再用兩組驗證數(shù)據(jù)集測試殘差網(wǎng)絡(luò)的微地震事件檢測能力。一組是由不同信噪比、不同站點個數(shù)構(gòu)建的合成信號計算的SET數(shù)據(jù)集(表4)，另一組是由兩口油氣井水力壓裂實際監(jiān)測信號計算的SET數(shù)據(jù)集(表5)。

表4 合成信號驗證數(shù)據(jù)集描述

表5 實際監(jiān)測信號驗證數(shù)據(jù)集描述

使用實際油氣井壓裂監(jiān)測的數(shù)據(jù)集，是為了驗證由合成信號訓(xùn)練的殘差網(wǎng)絡(luò)模型是否同樣適用于對實際微地震監(jiān)測信號的處理。實際監(jiān)測信號使用LG172井、N203井的水力壓裂地面微地震監(jiān)測數(shù)據(jù),信號采樣間隔為1ms，其中LG172井壓裂段射孔中心深度為2755m，使用33個監(jiān)測站點； N203井壓裂段射孔中心深度為2385m，使用20個監(jiān)測站點。兩口井建立了各自的速度模型和網(wǎng)格劃分，能根據(jù)截取的信號段進行SET計算，成像時間窗長度設(shè)置為1200ms。若時域剖面上微地震信號較明顯或SET圖上存在較明顯的能量焦點，則認(rèn)為該監(jiān)測段存在微地震信號，反之則認(rèn)為該監(jiān)測段為背景噪聲。

圖8顯示了不同信噪比的Ricker子波合成信號及其成像結(jié)果，震源點為圖像的中心點，地面站點分布與LG172井實際監(jiān)測點相同。當(dāng)無噪聲(圖8a上)或噪聲較弱(圖8b上)時，各道的子波信號較明顯，可直接判定為包含微地震信號。噪聲較強時，有效信號幾乎完全被噪聲淹沒，肉眼已很難甄別(圖8c上)。對圖8中的3段信號分別進行SET，然后由訓(xùn)練好的殘差網(wǎng)絡(luò)判別SET數(shù)據(jù)中是否包含有效微地震事件。結(jié)果表明，不僅判斷圖8a、圖8b的SET結(jié)果存在明顯能量焦點，殘差網(wǎng)絡(luò)還從強噪聲信號SET圖中識別出了時域信號上基本看不出的微地震事件(圖8c下)。

圖9為LG172井的部分監(jiān)測數(shù)據(jù)及其SET圖片。圖9a上為夾雜弱噪聲的強微地震信號數(shù)據(jù)，只有少量監(jiān)測站點受到強噪聲的干擾，SET圖片具有明顯的能量集中區(qū)(圖9a下)，被殘差網(wǎng)絡(luò)模型判別為包含有效微地震事件。在圖9b上和圖9c上的監(jiān)測信號完全被噪聲污染，肉眼已很難甄別該監(jiān)測段是否存在有效微地震事件，但其對應(yīng)的SET圖片(圖9b、圖9c下)上有較多局部極值點，且存在明顯的能量集中區(qū)，因此被殘差網(wǎng)絡(luò)模型判別為包含有效事件?？梢姡脷埐罹W(wǎng)絡(luò)模型能夠識別出在時域信號上不明顯的微地震事件。

圖10為N203井壓裂的部分微地震監(jiān)測數(shù)據(jù)及其SET圖片。3個時域信號都包含微地震信號，雖然信號強度、背景干擾強度各有差異，但是其SET圖片都具有明顯的能量聚集區(qū)，都被殘差網(wǎng)絡(luò)判別為包含有效微地震事件信號。

成像圖片輸入到網(wǎng)絡(luò)前需要進行預(yù)處理，將成像圖片的像素尺寸縮放為131×131，以便加快網(wǎng)絡(luò)的運算速度。預(yù)處理結(jié)束后，將成像圖片輸入到網(wǎng)絡(luò)中。表6統(tǒng)計了該網(wǎng)絡(luò)模型對所有驗證數(shù)據(jù)集的檢測準(zhǔn)確率。

圖8 不同信噪比合成信號(上)及其成像結(jié)果(下)(a)無噪合成信號; (b)弱噪聲合成信號; (c)強噪聲合成信號

圖9 LG172井監(jiān)測數(shù)據(jù)(上)及SET結(jié)果(下)(a)弱噪聲信號； (b)強噪聲信號1； (c)強噪聲信號2

由統(tǒng)計結(jié)果可以看出，該殘差網(wǎng)絡(luò)模型對合成信號的各種數(shù)據(jù)集都具有較好的檢測效果，而對于實際井的監(jiān)測信號，其檢測效果變差。在有強干擾的數(shù)據(jù)集Q和R中，檢測準(zhǔn)確率為90%，說明強干擾會影響有效微地震信號的SET特征。而對于完全由背景噪聲構(gòu)成的數(shù)據(jù)集S和T，檢測準(zhǔn)確率為85%左右，即有15%左右的背景噪聲信號被判別為包含有效微地震信號，也有可能是在時域上看不到明顯微地震信號的背景信號，實際上是包含了被噪聲淹沒的有效信號，類似圖8b、圖8c和圖9b、圖9c的情況。

從測試結(jié)果看出，用合成信號SET圖片訓(xùn)練的網(wǎng)絡(luò)模型可以檢測實際油井壓裂監(jiān)測數(shù)據(jù)的SET數(shù)據(jù)中是否包含有效微地震事件，只是對于低信噪比信號或背景信號的檢測準(zhǔn)確率有所降低，如果將實際微地震監(jiān)測信號的SET圖片加入訓(xùn)練樣本，應(yīng)該會進一步提高檢測的準(zhǔn)確率。

圖10 N203井監(jiān)測數(shù)據(jù)(上)及SET結(jié)果(下)(a)弱噪聲信號; (b)無噪聲信號; (c)強噪聲信號

表6 模型檢測準(zhǔn)確率及檢測用時統(tǒng)計

3.2 增加實際監(jiān)測信號訓(xùn)練網(wǎng)絡(luò)模型

3.2.1 數(shù)據(jù)集的擴充及網(wǎng)絡(luò)性能

本文篩選了LG172井和N203井微地震實際監(jiān)測數(shù)據(jù)擴充模型訓(xùn)練樣本，其中LG172井實際監(jiān)測信號400段，N203井實際監(jiān)測信號400段，監(jiān)測信號中強噪聲干擾數(shù)據(jù)段占比50%。經(jīng)過分組處理后得到含微地震事件的監(jiān)測段共400個，生成微地震事件成像圖400張，背景噪聲成像圖400張。為了加快網(wǎng)絡(luò)運算速度，對成像圖進行預(yù)處理，將402×402像素成像圖樣本的尺寸縮放為131×131。之后對表2中的數(shù)據(jù)集進行擴充，按照3∶1的訓(xùn)練、測試比隨機挑選400個樣本擴充合成訓(xùn)練集，挑選400個樣本擴充測試集。擴充后的數(shù)據(jù)集分布如表7所示。

采用與合成信號相同的網(wǎng)絡(luò)模型及訓(xùn)練方式，若時域上微地震信號較明顯或SET圖片上存在較明顯的能量焦點，則認(rèn)為該監(jiān)測段存在有效微地震信號。將擴充后的數(shù)據(jù)成像圖輸入網(wǎng)絡(luò)，經(jīng)過多次測試，得到圖11所示訓(xùn)練過程的檢測準(zhǔn)確率曲線。

3.2.2 實際信號檢測結(jié)果及分析

采用上一步擴充實際監(jiān)測信號訓(xùn)練的殘差網(wǎng)絡(luò)及參數(shù)，輸入表5中實際信號驗證數(shù)據(jù)集進行檢測。表8統(tǒng)計了該網(wǎng)絡(luò)模型對實際信號驗證數(shù)據(jù)集的識別準(zhǔn)確率和檢測時間。

由實驗結(jié)果可以看出，該網(wǎng)絡(luò)模型對實際信號均具有較好的檢測效果，說明模型具有良好的泛化能力，適用于微地震事件識別與定位方法。

3.3 與其他網(wǎng)絡(luò)模型的對比

將本文殘差網(wǎng)絡(luò)與CNN(13層)和Inception V3m[27-28]網(wǎng)絡(luò)模型進行對比。實驗測得當(dāng)CNN網(wǎng)絡(luò)深度為13層時，其識別SET效果最好，CNN(13層)網(wǎng)絡(luò)模型參數(shù)見表9。Ivanov等[28]提出的Inception V3m網(wǎng)絡(luò)模型在進行小數(shù)據(jù)集圖片分類方面具有比較好的效果，其網(wǎng)絡(luò)模型參數(shù)見文獻。分別對這兩種網(wǎng)絡(luò)進行調(diào)參得到優(yōu)化后的網(wǎng)絡(luò)模型。采用實際監(jiān)測數(shù)據(jù)集對3個網(wǎng)絡(luò)進行訓(xùn)練，得到對應(yīng)的準(zhǔn)確率曲線(圖12)和平均迭代訓(xùn)練時間曲線(圖13)。

表7 擴充后的SET數(shù)據(jù)集

表8 擴充訓(xùn)練后檢測準(zhǔn)確率和用時統(tǒng)計

圖11 擴充數(shù)據(jù)訓(xùn)練過程檢測準(zhǔn)確率曲線

訓(xùn)練完畢后保存網(wǎng)絡(luò)設(shè)置，將所有實際信號驗證數(shù)據(jù)集整合到一起并輸入三種網(wǎng)絡(luò)，得到驗證數(shù)據(jù)集的準(zhǔn)確率、檢測時間統(tǒng)計結(jié)果(表10)。

表9 CNN(13層)網(wǎng)絡(luò)模型參數(shù)

圖12 三種網(wǎng)絡(luò)的準(zhǔn)確率曲線

表10 三種網(wǎng)絡(luò)實際信號數(shù)據(jù)集的檢測結(jié)果統(tǒng)計

圖13 三種網(wǎng)絡(luò)的迭代訓(xùn)練時間曲線

由表10可以看出，基于殘差網(wǎng)絡(luò)的SET方法具有最快的迭代訓(xùn)練和檢測速度，具有很好的識別效果和泛化能力。因此，SET成像與殘差神經(jīng)網(wǎng)絡(luò)結(jié)合的方法可以應(yīng)用于實際水力壓裂過程中檢測及定位微地震事件。

4 結(jié)論

傳統(tǒng)SET方法在后置處理過程中存在一定的局限性，即需要人工篩選SET結(jié)果，難以完成海量數(shù)據(jù)的微地震事件檢測、定位問題。本文提出基于殘差網(wǎng)絡(luò)和SET的微地震事件檢測方法，首先對合成信號和實際油井的監(jiān)測信號進行SET，構(gòu)建SET樣本數(shù)據(jù)集，包含有效事件信號和無效背景信號及其分類； 然后分別用合成信號和實際微地震監(jiān)測信號對殘差網(wǎng)絡(luò)訓(xùn)練和測試； 采用訓(xùn)練好的殘差網(wǎng)絡(luò)對不同信噪比的合成數(shù)據(jù)以及川渝地區(qū)兩口油氣井微地震壓裂信號進行事件檢測及定位。取得以下幾點結(jié)論。

(1)在實際監(jiān)測過程中，由于地層反射、吸收等因素，微地震震源發(fā)出的地震波可能會產(chǎn)生復(fù)雜畸變。而合成信號采用完全理想的地質(zhì)模型，因而不會產(chǎn)生畸變。另外，根據(jù)檢測結(jié)果可以看出，實際數(shù)據(jù)中噪聲更復(fù)雜，應(yīng)該擴充背景噪聲的數(shù)量，使用實際信號訓(xùn)練殘差網(wǎng)絡(luò)。檢測結(jié)果顯示本文所提方法能夠檢測和定位不同信噪的實際微地震事件。

(2)采用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法識別SET圖像時，因其挖掘深層特征的能力不強造成識別效果不佳。引入殘差塊以及批量歸一化方法后，不僅可以有效提高網(wǎng)絡(luò)的識別效果，而且可以降低訓(xùn)練及檢測的時間。另外，LG172井、N203井的檢測結(jié)果說明本文所提方法可以在實際水力壓裂過程中檢測、定位微地震事件。

此外，與常規(guī)方法相比，文中所提方法無需人工設(shè)定閾值，在訓(xùn)練過程中可自動提取特征； 面對海量數(shù)據(jù)可以利用地震傳感器對裂隙進行實時監(jiān)測，為工程測量提供補充信息。