李 昊,高林生,劉 麟,邵 坤

(1.西安科技大學(xué) 能源學(xué)院,陜西 西安 710054;2.華北科技學(xué)院 礦山安全學(xué)院,河北 廊坊 065201;3.華北科技學(xué)院 安全工程學(xué)院,河北 廊坊 065201)

0 引 言

水力壓裂是指通過(guò)鉆孔注入高壓流體,鉆孔壁產(chǎn)生破裂并擴(kuò)展,進(jìn)而達(dá)到強(qiáng)度弱化、增透、應(yīng)力轉(zhuǎn)移等工程要求[1]。通過(guò)這種方法能夠使煤巖體產(chǎn)生水壓裂縫,從而達(dá)到使煤巖體強(qiáng)度弱化和增透的目的,進(jìn)而提高瓦斯抽采效率[2]。水力壓裂過(guò)程中會(huì)造成巖石破裂,巖石破裂過(guò)程中會(huì)向外輻射微震能量。通過(guò)微震監(jiān)測(cè)獲取微震數(shù)據(jù),并對(duì)其進(jìn)行定位、震源機(jī)制反演等處理能夠獲得巖石破裂的情況。進(jìn)而根據(jù)巖石破裂情況調(diào)整水力壓裂的壓裂液、加砂量等工藝,獲得更好的水力壓裂效果。水力壓裂過(guò)程中會(huì)產(chǎn)生大量的微弱微震信號(hào)[3],極大增加了識(shí)別微震波形的工作量。同時(shí),煤礦井下監(jiān)測(cè)過(guò)程中還會(huì)出現(xiàn)大量干擾信號(hào),對(duì)微震波形的準(zhǔn)確識(shí)別造成不同程度的干擾[4]。此外,與頁(yè)巖、砂巖等致密脆性巖石相比,煤作為非均質(zhì)較強(qiáng)的特殊軟巖,微震信號(hào)識(shí)別難度更大。

在早期的探索中,人們提出了不同的微震波形自動(dòng)識(shí)別方法,例如長(zhǎng)短窗法(STA/LTA)[5]、赤池信息準(zhǔn)則(Akaike Information Criteria,AIC)[6]。之后也有人聯(lián)合使用幾種方法進(jìn)行微震波形自動(dòng)識(shí)別或者改進(jìn)原方法[7-8]。這些波形識(shí)別方法都是利用一個(gè)或幾個(gè)統(tǒng)計(jì)特征進(jìn)行的[9],特征的閾值需要人為設(shè)定,很難找到一個(gè)完美的閾值進(jìn)而同時(shí)提高召回率和準(zhǔn)確率[10]。另外,這2種方法對(duì)于信噪比較高的波形能夠達(dá)到較好的識(shí)別效果,但是對(duì)于低信噪比波形識(shí)別效果較差[11]。朱權(quán)潔等利用分形技術(shù)識(shí)別微震波形,但主要針對(duì)爆破、巖石破裂等信號(hào),對(duì)于煤礦井下水力壓裂微震波形識(shí)別效果不得而知[12]。為了在盡量減少誤識(shí)別的前提下增加對(duì)微震波形的檢測(cè)能力,很多學(xué)者嘗試使用模板識(shí)別的方法。這種方法大幅度的增加了檢測(cè)到的微震數(shù)目,但是該方法極大的依賴于已有微震模板,對(duì)于因種種原因沒(méi)有模板的微震,盡管信號(hào)很強(qiáng),也會(huì)被該方法漏識(shí)別[13]。

進(jìn)入90年代,SVM等機(jī)器學(xué)習(xí)方法被應(yīng)用到微震領(lǐng)域,然而隨著神經(jīng)網(wǎng)絡(luò)層數(shù)增加,易出現(xiàn)梯度擴(kuò)散、過(guò)擬合等問(wèn)題。近幾十年來(lái),計(jì)算機(jī)技術(shù)迅猛發(fā)展,使得機(jī)器學(xué)習(xí)被應(yīng)用到實(shí)際中[14]。日益成熟的機(jī)器學(xué)習(xí)算法和強(qiáng)大的計(jì)算能力,提供了將過(guò)去積累的大量數(shù)據(jù)利用起來(lái)的可能。譚文侃、湯志立等對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行了改進(jìn)[15-16]。大多數(shù)研究通過(guò)選取多個(gè)特征,并利用機(jī)器學(xué)習(xí)方法進(jìn)行波形識(shí)別,在微震波形識(shí)別方面取得了一定的成就[17-18]。但方法未深入到深度學(xué)習(xí)領(lǐng)域中。

近年來(lái),深度學(xué)習(xí)和人工智能技術(shù)快速發(fā)展,在地震學(xué)領(lǐng)域獲得一系列成功應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中一種常用的計(jì)算方法,最先應(yīng)用于信號(hào)處理識(shí)別方向[19]。其權(quán)值共享的特點(diǎn)使得本身?yè)碛懈罹W(wǎng)絡(luò)層數(shù),提取特征的能力大大提高[20]。在使用大量標(biāo)簽數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)之后,訓(xùn)練好的模型通常在一些與訓(xùn)練數(shù)據(jù)相似的測(cè)試數(shù)據(jù)集或者研究區(qū)域具有可媲美甚至超過(guò)傳統(tǒng)方法的效果[21-22]。不過(guò),深度學(xué)習(xí)方法實(shí)用化的關(guān)鍵在于模型能否達(dá)到比較高的泛化能力,即是否能在訓(xùn)練樣本以外的數(shù)據(jù)上也取得不錯(cuò)的效果。得益于海量的數(shù)據(jù)集,經(jīng)過(guò)預(yù)處理后輸入深度學(xué)習(xí)模型,一部分深度學(xué)習(xí)算法模型取得了較高的泛化能力[23-24]。近年來(lái),深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)被引入至地震、油氣、巖爆等方面的微震波形識(shí)別[25-27]。深度學(xué)習(xí)方法在上述方面已經(jīng)展現(xiàn)出了優(yōu)于傳統(tǒng)方法的波形識(shí)別能力,煤礦井下水力壓裂方面卻鮮見(jiàn)研究。

文中對(duì)山西某礦水力壓裂微震監(jiān)測(cè)數(shù)據(jù)進(jìn)行加噪和平移預(yù)處理,作為深度學(xué)習(xí)CNN模型的訓(xùn)練和測(cè)試數(shù)據(jù),搭建適用時(shí)域圖像和小波圖像CNN模型。對(duì)比分析2種深度學(xué)習(xí)模型與傳統(tǒng)的STA/LTA和AIC微震識(shí)別方法識(shí)別水力壓裂微弱微震事件的優(yōu)劣,從而為煤礦井下水力壓裂的弱微震事件識(shí)別提供一種新的方法。

1 微震波形CNN模型

1.1 CNN模型工作原理

CNN模型是深度學(xué)習(xí)中一種常用計(jì)算方法,能自動(dòng)從圖像中提取抽象特征,把握波形整體信息,從而實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行分類。煤礦水力壓裂微震數(shù)據(jù)包含大量微弱微震信號(hào),這個(gè)特點(diǎn)使得深度學(xué)習(xí)模型適用于該數(shù)據(jù)微震波形識(shí)別。訓(xùn)練開(kāi)始前需要對(duì)深度學(xué)習(xí)模型的初始化權(quán)值矩陣Wl進(jìn)行設(shè)定：批次值(batch-size)為128、最大迭代次數(shù)為57,初始學(xué)習(xí)率η為0.000 5。若測(cè)試精確率連續(xù)3次未提升,學(xué)習(xí)率η降低為原來(lái)的一半。訓(xùn)練過(guò)程主要包括波形向前傳播與誤差反向傳播。

首先是波形向前傳播。訓(xùn)練時(shí)從數(shù)據(jù)集的一個(gè)批次中取出一個(gè)數(shù)據(jù)x,將該數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)輸入層。在向前傳播經(jīng)過(guò)各個(gè)層和函數(shù)的過(guò)程中,數(shù)據(jù)會(huì)輸出不同大小的特征圖或向量。輸入層輸出為RGB三通道圖像x,卷積計(jì)算或者全連接層作用后輸出zl,批量標(biāo)準(zhǔn)化函數(shù)作用后輸出N,激活函數(shù)σ激活后輸出al。公式(1)是經(jīng)過(guò)激活函數(shù)激活后再經(jīng)過(guò)卷積作用的輸出。公式(2)是經(jīng)過(guò)批量標(biāo)準(zhǔn)化函數(shù)作用后再經(jīng)過(guò)激活函數(shù)作用后的輸出。

zl=Wlal-1

(1)

al=σ(Nl)

(2)

然后是誤差反向傳播。根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出和標(biāo)注y,使用損失函數(shù)計(jì)算損失值C。再計(jì)算損失值C對(duì)神經(jīng)網(wǎng)絡(luò)輸出層delta誤差δl,利用相鄰層之間δl遞推公式求得每一層δl。

如果l+1層是卷積層,那么l層δl誤差為

δl=δl+1·ROT180(Wl+1)·σ′(al)

(3)

如果l+1層是池化層,那么l層δl誤差為

δl=upsample(δl+1)·σ′(al)

(4)

如果l+1層是全連接層,那么l層δl誤差為

δl=(Wl+1)Tδl+1·σ′(al)

(5)

式中 ROT180為將矩陣順時(shí)針旋轉(zhuǎn)180°;upsample為上采樣操作。

再利用每一層δl求出損失函數(shù)對(duì)該層參數(shù)的導(dǎo)數(shù)?C/?W。將一個(gè)批次內(nèi)所求層的所有導(dǎo)數(shù)相加(初始化為0),根據(jù)梯度下降法更新參數(shù),參數(shù)更新公式為

其中后兩個(gè)詞“眉眼”“眉宇”與第一個(gè)詞“眉目”在義項(xiàng)① “借指容貌”上是義項(xiàng)對(duì)應(yīng)的同義詞關(guān)系。[注] 葛本儀：《現(xiàn)代漢語(yǔ)詞匯學(xué)》， 濟(jì)南:山東人民出版社， 2004年， 第202-207頁(yè)。三個(gè)詞互相對(duì)應(yīng)的這個(gè)義項(xiàng)恰好也都是借代意義。

(6)

參考經(jīng)典“LeNet-5”[28],搭建用于識(shí)別煤礦井下水力壓裂微震波形的二維CNN深度學(xué)習(xí)模型,如圖1所示。圖中上方數(shù)字從上到下分別為特征圖的長(zhǎng)、寬、深度,下方數(shù)字從上到下分別為卷積核的深度和數(shù)量。卷積核參數(shù)是深度學(xué)習(xí)模型中至關(guān)重要的部分,卷積核的長(zhǎng)和寬都為3×3(像素),步長(zhǎng)都為1(像素),全部采用0填充方式。池化作用會(huì)導(dǎo)致特征圖的長(zhǎng)和寬逐漸減小,提取足夠的信息就需要更多的特征圖,所以卷積核的深度和數(shù)量隨著模型層數(shù)的增加而逐漸提高。

圖1 水力壓裂微震波形檢測(cè)的二維CNN模型結(jié)構(gòu)Fig.1 Two-dimensional CNN model structure for microseismic waveform detection of hydraulic fracturing

模型結(jié)構(gòu)從前往后依次為：輸入層、3層卷積層和最大池化層、1層卷積層和全局平均池化層、Relu層、Softmax層。輸入層輸出RGB三通道圖像數(shù)據(jù),大小全部降維到128×128,全局平均池化層將特征圖轉(zhuǎn)變?yōu)?56×1的列向量,之后Relu層將256×1的列向量轉(zhuǎn)變?yōu)?28×1的列向量,最后Softmax層將128×1的列向量轉(zhuǎn)換為2個(gè)0～1的數(shù)值。這2個(gè)數(shù)值代表該波形片段是微震波形和背景噪聲的預(yù)測(cè)概率,將用于識(shí)別波形片段是否為微震波形或者背景噪聲。

1.2 數(shù)據(jù)預(yù)處理

山西某煤礦6號(hào)煤層為突出煤層,用水力壓裂增透煤層,治理消除煤與瓦斯突出危害,在此基礎(chǔ)上開(kāi)展瓦斯防治和抽采工作。通過(guò)微震監(jiān)測(cè)獲取水力壓裂裂縫擴(kuò)展情況,評(píng)價(jià)水力壓裂工藝效果。采集數(shù)據(jù)所用微震傳感器靈敏度為200 V/(m/s),頻帶范圍為4.5～1 500 Hz;系統(tǒng)采樣率為4 k。在鉆孔中安裝傳感器,最大程度屏蔽噪聲。深度學(xué)習(xí)模型需要大量數(shù)據(jù)樣本以避免過(guò)擬合,因此選取了4 d的水力壓裂微震監(jiān)測(cè)數(shù)據(jù),為深度學(xué)習(xí)模型提供了大量的訓(xùn)練樣本。

訓(xùn)練數(shù)據(jù)的質(zhì)量對(duì)一個(gè)良好的深度學(xué)習(xí)模型起重要作用。從原始數(shù)據(jù)中截取5 860條含有微震波形的片段,標(biāo)注為1;排除微震波形后隨機(jī)截取8 341條背景噪聲片段,標(biāo)注為0。對(duì)挑選后的數(shù)據(jù)仍需要再次檢查,更正明顯的標(biāo)注錯(cuò)誤,盡可能減少人工標(biāo)注錯(cuò)誤。數(shù)據(jù)集中微震事件震級(jí)范圍主要在-3～0級(jí)(2～5.410J),微震波形持續(xù)時(shí)間最長(zhǎng)可達(dá)到1.2 s。為了盡可能地將不同震級(jí)微震的波形包含在波形片段內(nèi),將深度學(xué)習(xí)模型滑動(dòng)窗口長(zhǎng)度和步長(zhǎng)都設(shè)定為1.5 s。

為了數(shù)據(jù)集更加適應(yīng)深度學(xué)習(xí)模型,需要進(jìn)行加噪處理。首先需要計(jì)算被加噪波形能量,然后增加與該能量固定比例能量的噪聲,為了保證數(shù)據(jù)的準(zhǔn)確性,微震波形總體加噪程度偏低。為使加噪后波形數(shù)量和背景噪聲數(shù)量大致相同,對(duì)所有微震波形各自加噪自身原有微震波形能量的1/32,1/33,…,1/48,共17種不同程度噪聲;對(duì)所有背景噪聲各自加噪原有背景噪聲能量的1/14,1/15,…,1/25,共12種不同程度噪聲。原始微震波形和加噪層度1/32的波形對(duì)比如圖2(a)和圖2(b)所示。不同加噪程度的微震波形占加噪后總微震波形數(shù)量的1/18。不同加噪程度的背景噪聲占加噪后總背景噪聲數(shù)量的1/13。

圖2 不同加噪和平移程度時(shí)域微震波形Fig.2 Time domain microseismic waveform with different degree of noise adding and translation

微震波形加噪程度要低于背景噪聲。這是因?yàn)閿?shù)據(jù)集內(nèi)微震波形信噪比差別較大,如果以高信噪比微震波形為標(biāo)準(zhǔn)加噪,那么將其加噪至微弱波形所需能量比就比較大。然而,以這較高能量比對(duì)低信噪比微震波形進(jìn)行加噪,低信噪比微震波形就會(huì)被背景噪聲淹沒(méi)成為背景噪聲。數(shù)據(jù)加噪測(cè)試表明,信噪比最低的波形加噪程度大于等于1/31時(shí)便幾乎被背景噪聲淹沒(méi),所以微震波形加噪最高選為1/32。背景噪聲在加噪過(guò)程中不存在被背景噪聲淹沒(méi)的情況,所以加噪程度相對(duì)偏大。

對(duì)數(shù)據(jù)加噪和平移預(yù)處理后,最終得到102 546條微震波形數(shù)據(jù)和101 123條背景噪聲數(shù)據(jù)。

圖3是與圖2對(duì)應(yīng)的小波變換圖像,可以看出,加噪前后圖像在100 Hz的低頻部分幾乎沒(méi)有變化,但在100 Hz以上的高頻部分有更多分布。無(wú)論數(shù)據(jù)如何平移,微震波形總是在100 Hz左右有較為明顯的分布,且在時(shí)間上與微震波形對(duì)應(yīng)。

圖3 不同加噪和平移程度微震波形小波變換Fig.3 Wavelet transform with different degree of noise adding and translation

有些原始背景噪聲(圖4(a))與微震波形類似。從小波圖像來(lái)看(圖4(c)),這類波形在100 Hz左右的低頻部分有較為明顯的分布,這個(gè)特點(diǎn)與微震波形較為類似。然而,低頻部分的分布是近乎連續(xù)的,這類波形是工人井下作業(yè)時(shí)造成的干擾信號(hào),屬于背景噪聲。對(duì)原始背景噪聲加噪1/25的小波圖像(圖4(d))可以看出,加噪后波形在100 Hz以下的低頻部分有了更多的分布,明顯區(qū)別于微震波形。

圖4 背景噪聲圖像Fig.4 Images before and after adding background noise

1.3 2種深度學(xué)習(xí)模型搭建

深度學(xué)習(xí)模型對(duì)微震波形的識(shí)別流程如圖5所示。首先,對(duì)原始數(shù)據(jù)進(jìn)行加噪、平移等預(yù)處理,生成訓(xùn)練集、測(cè)試集和待檢測(cè)集圖像。然后,從微震波形和背景噪聲中隨機(jī)選取80%,20%的數(shù)據(jù)用于深度學(xué)習(xí)模型的訓(xùn)練和測(cè)試。如果模型表現(xiàn)良好,則保存其性能。如果模型表現(xiàn)不佳,則需要對(duì)模型參數(shù)或數(shù)據(jù)集進(jìn)行調(diào)整,直至模型性能達(dá)到預(yù)期。使用性能良好的深度學(xué)習(xí)模型來(lái)檢測(cè)待檢測(cè)數(shù)據(jù),并將輸出結(jié)果。對(duì)于每個(gè)波形片段,根據(jù)其被識(shí)別為微震波形還是背景噪聲,輸出1或0。由于通常需要4個(gè)微震波形才能定位微震事件,因此需要根據(jù)同一時(shí)間窗口內(nèi)含有微震波形通道數(shù)是否大于3為判據(jù)進(jìn)行微震事件的判斷。如果被判定為微震事件,將該事件對(duì)應(yīng)的所有通道波形存儲(chǔ),并從中提取出含有微震波形的通道數(shù)據(jù),然后將這些數(shù)據(jù)與存儲(chǔ)的波形進(jìn)行對(duì)比。如果不是微震事件,則該數(shù)據(jù)被丟棄。

圖5 CNN模型的煤礦井下水力壓裂誘發(fā)微弱波形識(shí)別流程Fig.5 Identification process of weak waveform induced by hydraulic fracturing in coal mine based on CNN model

適用時(shí)域圖像、小波圖像的CNN模型訓(xùn)練測(cè)試正確率和損失函數(shù)分別如圖6(a)和圖6(b)所示。通過(guò)2種圖像識(shí)別的訓(xùn)練、測(cè)試數(shù)據(jù)集的準(zhǔn)確率都達(dá)到了99%以上,損失函數(shù)都在0.02以下。2種方法測(cè)試集準(zhǔn)確率和損失函數(shù)在起始階段出現(xiàn)了震蕩,這是因?yàn)槌跏荚O(shè)置的部分模型初始參數(shù)值(權(quán)值矩陣、學(xué)習(xí)率等)與最優(yōu)值差別較大。但隨著訓(xùn)練的不斷進(jìn)行,模型參數(shù)逐漸向著最優(yōu)值靠近,之后明顯震蕩消失。最終保存使用的是訓(xùn)練效果最好的模型。

圖6 訓(xùn)練、測(cè)試準(zhǔn)確率與損失函數(shù)Fig.6 Accuracy and loss functions of training and testing

2 波形識(shí)別結(jié)果

2.1 事件準(zhǔn)確率和召回率

分別使用深度學(xué)習(xí)訓(xùn)練好的2個(gè)模型檢測(cè)一個(gè)小時(shí)連續(xù)水力壓裂數(shù)據(jù),并將檢測(cè)結(jié)果與傳統(tǒng)AIC和STA/LTA微震事件檢測(cè)方法的結(jié)果作對(duì)比。在這一個(gè)小時(shí)的數(shù)據(jù)中,共確定了328個(gè)事件。以這328個(gè)事件作為對(duì)比,分析時(shí)域CNN模型、小波CNN模型、STA/LTA和AIC 4種方法微震事件識(shí)別精確率和召回率。精確率Pe和召回率Re的定義分別為

Pe=Tp/(Tp+Fp)

(7)

Re=Tp/(Tp+Fn)

(8)

式中Tp為真正例,即算法識(shí)別的微震事件為真實(shí)微震事件,反之為假正例Fp;Tn為真反例,即算法識(shí)別的背景噪聲是真實(shí)背景噪聲,反之為假反例Fn。精確率高代表誤檢率低,召回率高說(shuō)明算法漏檢率低,只有兩者都高時(shí)模型或者算法才擁有實(shí)用價(jià)值。對(duì)濾波前后檢測(cè)數(shù)據(jù)進(jìn)行檢測(cè),濾波器階數(shù)為128,各種方法濾波前的檢測(cè)結(jié)果分別見(jiàn)表1和表2。無(wú)論濾波前后,精確率和召回率均為時(shí)域CNN模型>小波CNN模型>AIC>STA/LTA。時(shí)域CNN模型的正確率和召回率是最高的,且隨著波形信噪比的提高,各種方法的精確率、召回率都有了不同程度的提高。

表1 濾波前STA/LTA,AIC和CNN模型識(shí)別精確率和召回率Table 1 Identification accuracy and recall rate of STA/LTA,AIC and CNN models before filtering

表2 濾波后STA/LTA,AIC和CNN模型識(shí)別精確率和召回率Table 2 Identification accuracy and recall rate of STA/LTA,AIC and CNN models after filtering

微震波形與背景噪聲在幅值、頻率等方面有許多不同之處。AIC,STA/LTA方法主要是依靠單一的幅值信息(幅值大小和變化),缺少對(duì)波形總體信息的提取和分析。CNN模型將一張圖像看作是一個(gè)個(gè)像素組成的矩陣,對(duì)圖像的分析就是對(duì)矩陣的數(shù)字進(jìn)行分析,而圖像特征就隱藏在這些數(shù)字規(guī)律中。該模型通過(guò)圖像向前傳播和誤差反向傳播使模型參數(shù)逐漸向最優(yōu)值靠近,最終獲得優(yōu)于AIC,STA/LTA的波形識(shí)別能力。

時(shí)域CNN的識(shí)別微震事件召回率和精度是最高的,這是因?yàn)闀r(shí)域圖像由傳感器采集的數(shù)據(jù)直接轉(zhuǎn)換,內(nèi)部包含最豐富的原始信息。小波圖像是經(jīng)過(guò)原始數(shù)據(jù)變換之后轉(zhuǎn)換成的圖像,不可避免的會(huì)丟失部分原有信息,所以時(shí)域CNN模型優(yōu)于小波CNN模型。

水力壓裂常見(jiàn)的背景噪聲信號(hào)是電壓噪聲和水流噪聲,兩者都有明顯的起跳點(diǎn),容易被傳統(tǒng)方法誤判定為微震事件,影響壓裂效果的評(píng)價(jià)。時(shí)域CNN方法能夠準(zhǔn)確識(shí)別這2種噪聲。上述2種噪聲信號(hào)在時(shí)域、頻域方面又存在明顯區(qū)別。如圖7(a)所示,電壓噪聲信號(hào)波形信號(hào)特點(diǎn)是在每個(gè)通道同一時(shí)間只有一道垂直向上的信號(hào);如圖7(b)所示,由于裂縫貫通后的水流噪聲持續(xù)時(shí)間較長(zhǎng),水流噪聲波形信號(hào)在較長(zhǎng)時(shí)間內(nèi)存在連續(xù)頻帶分布。對(duì)比2種噪聲的小波圖像,進(jìn)一步證明了上述規(guī)律。如圖7(c)所示,電壓信號(hào)在1 000 Hz內(nèi)有較為明顯的分布,且分布頻帶范圍較廣。如圖7(d)所示,水流噪聲500 Hz以內(nèi)有較為明顯的分布,且持續(xù)時(shí)間較長(zhǎng)。

2.2 水力壓裂微震事件識(shí)別實(shí)例

選取15 s的水力壓裂微震數(shù)據(jù),共12個(gè)通道的波形片段,分別用時(shí)域CNN模型、小波CNN模型、AIC,STA/LTA 4種方法識(shí)別微震事件。微震事件識(shí)別標(biāo)準(zhǔn)是至少4個(gè)通道含有微震波形,而各通道內(nèi)微弱微震波形的識(shí)別是關(guān)鍵。圖8(b)、圖8(c)中事件是4種方法共同識(shí)別出的事件,其中C4,C6,C7,C8和C10通道都含有明顯的微震波形,容易達(dá)到至少4個(gè)通道含有微震波形的識(shí)別標(biāo)準(zhǔn)。圖8(a)是時(shí)域CNN方法識(shí)別出,但其他3種方法未識(shí)別出的事件,其中C6,C8和C10通道存在微弱微震波形,識(shí)別難度較大,只有時(shí)域CNN方法識(shí)別出C6,C8,C10通道的微弱波形,加上較為明顯易于識(shí)別的C7波形,從而達(dá)到至少4個(gè)通道的微震事件識(shí)別標(biāo)準(zhǔn)。由此看出,在微弱波形識(shí)別方面,時(shí)域CNN方法要優(yōu)于小波CNN方法,AIC,STA/LTA。

圖9是2種深度學(xué)習(xí)模型分別與STA/LTA,AIC聯(lián)合識(shí)別在一個(gè)小時(shí)連續(xù)數(shù)據(jù)中識(shí)別出真實(shí)微震事件的對(duì)比。時(shí)域CNN模型、STA/LTA,AIC在一個(gè)小時(shí)連續(xù)數(shù)據(jù)中,聯(lián)合識(shí)別出257個(gè)真實(shí)微震事件。其中,3種方法共同識(shí)別出真實(shí)微震事件占比約為50%,時(shí)域CNN模型單獨(dú)識(shí)別的真實(shí)微震事件占比約為36%,時(shí)域CNN模型未識(shí)而被其他2種方法識(shí)別的真實(shí)微震事件占比約為14%。小波CNN模型、STA/LTA,AIC在一個(gè)小時(shí)連續(xù)數(shù)據(jù)中,聯(lián)合識(shí)別出229個(gè)真實(shí)微震事件。其中,3種方法共同識(shí)別出真實(shí)微震事件占比約為52%,小波CNN模型單獨(dú)識(shí)別的真實(shí)微震事件占比約為28%,小波CNN模型未識(shí)別而被其他2種方法識(shí)別的真實(shí)微震事件占比約為20%。

圖9 CNN模型、STA/LTA,AIC識(shí)別真實(shí)微震事件占比Fig.9 Proportion of real microseismic events identified by CNN model,STA/LTA and AIC

時(shí)域CNN模型或者小波CNN模型與STA/LTA和AIC共同識(shí)別出的真實(shí)事件大多是較為明顯的真實(shí)微震事件。2種CNN模型識(shí)別出但STA/LTA,AIC未識(shí)別出的事件大多為真實(shí)微弱微震事件。在微弱真實(shí)事件識(shí)別方面,CNN深度學(xué)習(xí)模型擁有優(yōu)于傳統(tǒng)方法的識(shí)別效果,且時(shí)域CNN模型優(yōu)于小波CNN模型。

3 結(jié) 論

1)將水力壓裂數(shù)據(jù)進(jìn)行加噪和平移預(yù)處理后,分別轉(zhuǎn)換為時(shí)域圖像、小波圖像。然后分別輸入CNN模型進(jìn)行訓(xùn)練,2種CNN模型訓(xùn)練、測(cè)試的準(zhǔn)確率都達(dá)到99%以上,損失函數(shù)都在0.02以下,為微震事件識(shí)別提供了一種更優(yōu)的方法。

2)在識(shí)別中發(fā)現(xiàn),水力壓裂常見(jiàn)的背景噪聲有電壓噪聲和水流噪聲。電壓噪聲波形雖然持續(xù)時(shí)間較短,但有明顯的起跳點(diǎn);水流噪聲波形持續(xù)時(shí)間較長(zhǎng),但起跳點(diǎn)不明顯。STA/LTA,AIC,小波CNN模型較難識(shí)別這2種噪聲,時(shí)域CNN模型能夠識(shí)別。

3)在微震事件識(shí)別精確率和召回率方面,時(shí)域CNN模型優(yōu)于小波CNN模型,優(yōu)于AIC,優(yōu)于STA/LTA。能夠提取抽象特征的CNN深度學(xué)習(xí)模型擁有優(yōu)于傳統(tǒng)方法的識(shí)別效果。小波變換會(huì)使圖像不同程度的丟失掉部分信息,所以時(shí)域CNN模型具有更好的微震事件識(shí)別效果。研究?jī)?nèi)容為煤礦井下微弱波形識(shí)別提供一定參考價(jià)值。