張 巖 ，劉小秋 ，宋利偉 ，董宏麗

（1.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318；2.東北石油大學(xué) 物理與電子工程學(xué)院，黑龍江 大慶 163318；3.東北石油大學(xué) 人工智能能源研究院，黑龍江 大慶 163318；4.黑龍江省網(wǎng)絡(luò)化與智能控制重點(diǎn)實(shí)驗(yàn)室，黑龍江 大慶 163000）

與常規(guī)碳酸鹽、砂巖儲(chǔ)層相比，我國大多數(shù)煤礦地質(zhì)條件復(fù)雜、各向異性較強(qiáng)、吸附態(tài)高、煤層滲透率低，幾乎都需要通過水力壓裂進(jìn)行儲(chǔ)層改造[1]。微地震監(jiān)測技術(shù)是檢測壓裂效果，把煤層氣開采與原煤開采結(jié)合起來的重要環(huán)節(jié)，是一個(gè)不可忽視的技術(shù)。利用該技術(shù)能清楚地認(rèn)識到煤層氣壓裂井的空間展布形態(tài)、幾何參數(shù)、延伸方位以及隨時(shí)間變化的特征[2]，能更好地監(jiān)測煤層壓裂裂縫的發(fā)育方向和空間展布特征，可以提高找尋煤層氣氣藏的效率、縮短和降低儲(chǔ)層檢查測的周期與費(fèi)用[3]。

煤層氣微地震信號受地面噪聲和地層的吸收衰減影響，信噪比普遍較低[4]。壓制噪聲是提高檢測準(zhǔn)確率的普遍思路[5-8]。此類在事件識別前進(jìn)行相應(yīng)濾波、去噪算法的方法，一般基于某種先驗(yàn)或通過建立數(shù)學(xué)模型來刻畫噪聲特征并加以去除，往往會(huì)損壞原始信號中代表有效事件的隱藏特征引起檢測錯(cuò)誤，從而導(dǎo)致煤層氣裂縫和孔隙發(fā)育的誤判。因此研究直接從監(jiān)測資料中檢測微地震的方法至關(guān)重要。此類方法的原理是根據(jù)微地震事件與噪聲特征的明顯差異，進(jìn)行聚類或分類處理，在微地震事件信號能量較強(qiáng)的情況下具有一定的效果，但是煤層氣微震往往震級較小，且受噪聲影響嚴(yán)重，需要研究一種適應(yīng)于煤層氣微地震噪聲大、震級小的高精度自動(dòng)檢測方法[9-11]。

目前，深度卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)在各個(gè)領(lǐng)域取得了顯著的應(yīng)用效果，但由于網(wǎng)絡(luò)對樣本質(zhì)量要求較高，限制在煤層氣勘探和開發(fā)中的應(yīng)用[12-13]。因此，提出一種基于多尺度神經(jīng)網(wǎng)絡(luò)的煤層氣微地震事件檢測方法，在深度卷積神經(jīng)網(wǎng)絡(luò)模型中引入不確定理論中的可信度（Certainty-Factor，C-F）模型，首先用地下介質(zhì)模型構(gòu)建訓(xùn)練數(shù)據(jù)集，然后用實(shí)際數(shù)據(jù)測試模型性能。通過多尺度卷積神經(jīng)網(wǎng)絡(luò)提取微地震信號的淺層波形特征和深層語義特征，利用不同尺度的特征進(jìn)行可信度建模得到各個(gè)尺度檢測置信度。最終檢測結(jié)果通過可信度模型進(jìn)行不確定性的信任度融合，得到的結(jié)果具有更高的置信度。

1 原理方法

1.1 多尺度特征

傳統(tǒng)檢測網(wǎng)絡(luò)結(jié)構(gòu)中，檢測器通常接入卷積神經(jīng)網(wǎng)絡(luò)最后1 層進(jìn)行預(yù)測，深層特征圖無法提供細(xì)粒度的信息，尋求多尺度上的特征表達(dá)是解決細(xì)粒度丟失的有效辦法[14]。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)層層相疊的結(jié)構(gòu)，特征圖越深，感受野越大。因此，網(wǎng)絡(luò)內(nèi)不同深度的特征圖就形成了特征圖的多尺度表達(dá)。SSD 算法和 MS-CNN 算法提出直接在不同尺度的特征圖上分別檢測目標(biāo)，最后進(jìn)行整合的思想。其中淺層特征圖負(fù)責(zé)檢測識別細(xì)節(jié)目標(biāo)，深層特征圖負(fù)責(zé)檢測主體目標(biāo)。

傳統(tǒng)網(wǎng)絡(luò)在得到高尺度特征圖后，在最后1層進(jìn)行預(yù)測。多尺度檢測網(wǎng)絡(luò)不僅可以得到不同尺度的特征圖，還對不同尺度的特征圖進(jìn)行預(yù)測。不同尺度的特征圖分配權(quán)重進(jìn)行加權(quán)融合處理時(shí)，總體損失函數(shù)E表達(dá)如下：

式中：l為 不同的尺度；L為尺度的總量； ωl為尺度l損失的加權(quán)因子；El(αl)為尺度l的損失； αl為尺度l的特征圖。

尺度l的損失大小受該尺度特征圖影響，該尺度特征圖與相應(yīng)的卷積核和偏置有關(guān)。用f(·)表示加權(quán)方式，式（1）可以寫成：

式中：Kl為尺度l的卷積核；bl為尺度l的偏置項(xiàng)。

1.2 可信度模型

神經(jīng)網(wǎng)絡(luò)在分類時(shí)輸出類別置信度分?jǐn)?shù)，通常通過對置信度進(jìn)行閾值判別預(yù)測結(jié)果，此類判別方法往往不利于網(wǎng)絡(luò)表達(dá)知識的不確定性?？尚哦饶Ｐ涂梢越Y(jié)合各個(gè)尺度的置信度分?jǐn)?shù)，經(jīng)過不確定性推理得到融合結(jié)果，是一種有效的不確定性推理方法。結(jié)合該模型將神經(jīng)網(wǎng)絡(luò)各個(gè)尺度的檢測結(jié)果作為證據(jù)，最終識別結(jié)果作為結(jié)論，每個(gè)尺度的檢測結(jié)果和最終結(jié)果的關(guān)系為知識，知識不確定性可以用產(chǎn)生式規(guī)則表示為：

式中：CF(H,Ei)為可信度因子（靜態(tài)強(qiáng)度）表示知識的強(qiáng)度，即當(dāng)Ei所對應(yīng)的證據(jù)為真時(shí)，Ei對H的影響程度為CF(H,Ei)。

模型中用于微地震事件檢測時(shí)，式（3）的含義為：在尺度i上檢測為微地震事件時(shí)，確實(shí)為微地震事件的可信度為CF(H,Ei)。相關(guān)證據(jù)的出現(xiàn)提高結(jié)論H為真的可信度，則CF(H,Ei)＞0，表示證據(jù)的出現(xiàn)支持H為真，會(huì)使CF(H,Ei)的值變大；反之CF(H,Ei)＜0，表示證據(jù)的出現(xiàn)支持H為假，CF(H,Ei)的值則會(huì)變小；CF(H,Ei)=0，表示證據(jù)的出現(xiàn)與結(jié)論無關(guān)。靜態(tài)強(qiáng)度由先驗(yàn)概率P（H）和后驗(yàn)概率P(H|Ei)求出，但是在實(shí)際應(yīng)用中，先驗(yàn)概率和后驗(yàn)概率很難獲得，一般情況下靜態(tài)強(qiáng)度直接由專家直接給出，原則是相應(yīng)的證據(jù)的出現(xiàn)越是支持H為真，CF(H,Ei)就應(yīng)該越大；反之，則越小。

模型將知識和證據(jù)的不確定性通過逐步推理傳遞給結(jié)論。結(jié)論H由Ei所對應(yīng)的證據(jù)推理得到的可信度表示為CFi(H)，由下式計(jì)算：

式中：CF(Ei)為動(dòng)態(tài)強(qiáng)度，表示證據(jù)Ei當(dāng)前的不確定性程度。

分別求出每個(gè)尺度上檢測為微地震事件的可信度，然后用結(jié)論不確定性算法合成最終結(jié)論的可信度，最終結(jié)論的可信度綜合了多個(gè)尺度上知識的不確定性，在一定程度上可以提高檢測的準(zhǔn)確性。用CFi,j(H)表示Ei和Ej綜合影響所形成的可信度，結(jié)論不確定性算法[17]如下：

當(dāng)CFi(H)＜0，CFj(H)＜0時(shí)：

2 多尺度檢測模型

2.1 模型構(gòu)建

多尺度檢測神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1。采用4個(gè)檢測尺度，每個(gè)檢測尺度分別由卷積、歸一化、激活函數(shù)組成。每個(gè)尺度后分別與對應(yīng)的檢測器相連，檢測器由3 個(gè)池化層和3 個(gè)全連接層交替組成，檢測器把結(jié)果輸入C-F 模型中進(jìn)行決策。地震事件檢測屬于二分類問題，盲目加深網(wǎng)絡(luò)會(huì)加大模型存儲(chǔ)，還可能導(dǎo)致在求解最優(yōu)解過程中梯度消失；模型隨著卷積神經(jīng)網(wǎng)絡(luò)的加深，逐步減少卷積核的大小，提高細(xì)粒多尺度表達(dá)。

圖1 模型結(jié)構(gòu)Fig.1 Model structure

多尺度網(wǎng)絡(luò)檢測是建立在對多尺度特征圖的獨(dú)立識別上的，樣本檢測的最終檢測結(jié)果通過標(biāo)簽進(jìn)行監(jiān)督訓(xùn)練。原始數(shù)據(jù)經(jīng)過預(yù)處理得到樣本和標(biāo)簽，經(jīng)過預(yù)處理的樣本通過多尺度網(wǎng)絡(luò)進(jìn)行多尺度特征圖的提取，多尺度特征圖送入檢測器進(jìn)行檢測，并計(jì)算每個(gè)尺度的精確度。將每個(gè)尺度檢測得到的置信度作為動(dòng)態(tài)強(qiáng)度、精確度作為靜態(tài)強(qiáng)度送入可信度模型，得到最終的合成結(jié)果，最終合成結(jié)果與標(biāo)簽計(jì)算損失誤差和各項(xiàng)評價(jià)指標(biāo)。

2.2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)分為正演數(shù)據(jù)和實(shí)際數(shù)據(jù)。正演實(shí)驗(yàn)用理論地下介質(zhì)模型，模擬實(shí)際煤層氣壓裂數(shù)據(jù)。實(shí)際數(shù)據(jù)為黑龍江某地區(qū)的實(shí)際監(jiān)測數(shù)據(jù)。

正演速度模型如圖2。正演模型尺寸為4 000 m×4 000 m，將其劃分為10×10 的網(wǎng)格點(diǎn)，其中下層介質(zhì)速度為5 000 m/s，厚度為2 600 m，上層介質(zhì)速度為3 000 m/s，厚度為1 400 m。模型中心（2 000，2 000）為水力壓裂震動(dòng)裂縫。在地表每隔10 個(gè)網(wǎng)格點(diǎn)布置1 個(gè)檢波器，對裂縫產(chǎn)生時(shí)的震動(dòng)進(jìn)行監(jiān)測。

圖2 正演速度模型Fig.2 Forward velocity model

實(shí)際監(jiān)測地區(qū)的介質(zhì)特性如下：儲(chǔ)層孔隙度7.5%～17.6%，滲透率0.15×10-3～4.94×10-3μm2?？紫抖戎饕植荚?2%～16%范圍，滲透率主要分布在0.1×10-3～1.5×10-3μm2范圍。平均孔隙度為13.9%，平均滲透率為1.23×10-3μm2。

正演介質(zhì)模型較實(shí)際地質(zhì)情況相對簡單，添加的噪聲通過高斯隨機(jī)噪聲模擬。實(shí)際數(shù)據(jù)中噪聲來自真實(shí)環(huán)境背景噪聲，更為復(fù)雜、更容易誤檢。正演數(shù)據(jù)和實(shí)際數(shù)據(jù)的采樣周期需要保持一致，以保證樣本能包含完整的微地震事件特征。

采用滑動(dòng)窗口的方法進(jìn)行數(shù)據(jù)擴(kuò)增和解決訓(xùn)練過程中樣本均衡的問題，以適應(yīng)神經(jīng)網(wǎng)絡(luò)對樣本的要求?；瑒?dòng)窗口處理數(shù)據(jù)如圖3。a為滑動(dòng)窗口長度，s為滑動(dòng)步長，L為數(shù)據(jù)的總長度。

圖3 滑動(dòng)窗口處理數(shù)據(jù)Fig.3 Sliding window processing data

樣本使用獨(dú)熱編碼，含微地震事件為正樣本標(biāo)注為1，只含背景噪聲的為負(fù)樣本標(biāo)注為0。獲得的樣本總量n為：

檢波器接收微地震數(shù)據(jù)時(shí)，大部分都是背景噪聲，有效波形只占小部分，得到的正樣本的量遠(yuǎn)少于負(fù)樣本的數(shù)量，隨機(jī)去掉部分負(fù)樣本使得正、負(fù)樣本數(shù)量相當(dāng)。正演數(shù)據(jù)中單道微地震信號檢波器采樣點(diǎn)為1 0000，滑動(dòng)窗口長度設(shè)置為100、步長設(shè)置為20，可以得到數(shù)據(jù)9 995 個(gè)樣本，其中包含微地震事件的樣本為245 個(gè)。舍去多余負(fù)樣本后，相比單純設(shè)置長度100 分割數(shù)據(jù)的方法，擴(kuò)增了4.9 倍。

2.3 模型訓(xùn)練

網(wǎng)絡(luò)構(gòu)建全局損失函數(shù)，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，以損失為優(yōu)化目標(biāo)反向傳播誤差，調(diào)節(jié)卷積核參數(shù)。用二值交叉熵（Binary Cross Entropy ,BCE）損失函數(shù)，定義如下：

式中：C為樣本個(gè)數(shù)；為第i個(gè)樣本的標(biāo)簽；y為第i個(gè)樣本的預(yù)測值。

訓(xùn)練集包含4 000 個(gè)樣本，批量大小設(shè)為200，迭代次數(shù)設(shè)置為500，學(xué)習(xí)率設(shè)為0.01，最后保存調(diào)整好的網(wǎng)絡(luò)參數(shù)。模型采用Python 語言和Pytorch 框架作為編程環(huán)境。實(shí)驗(yàn)在配備Intel Core i7 9700k 處理器和32G 內(nèi)存的計(jì)算機(jī)上運(yùn)行。訓(xùn)練和測試過程中的模型損失和準(zhǔn)確率曲線如圖4。

圖4 模型損失和準(zhǔn)確率曲線Fig.4 Model loss curves and accuracy curves

由圖4 可知：在迭代40 次后訓(xùn)練損失和測試損失都下降不明顯，準(zhǔn)確率和損失在后60 個(gè)迭代中改變都很小，損失最終下降到0.054，準(zhǔn)確率最終達(dá)到98%，模型收斂。

3 實(shí)驗(yàn)結(jié)果

3.1 正演信號模型

考慮到微地震信號采集實(shí)際過程中受環(huán)境和設(shè)備等不確定性因素的影響，將測試集樣本中加入不同強(qiáng)度噪聲輸入性能良好的網(wǎng)絡(luò)中。不同信噪比正演信號如圖5，模型檢測結(jié)果見表1。

表1 模型檢測結(jié)果Table 1 Detection results of model

圖5 不同信噪比正演信號Fig.5 Simulation signal with different SNR

由圖5 可知：隨著信噪比減小，噪聲污染愈加嚴(yán)重，甚至幾乎淹沒有效信號。當(dāng)無噪聲以及加入噪聲后信噪比為21 dB 時(shí)，微地震事件清晰可見；當(dāng)加入噪聲后信噪比為11 dB 時(shí)，噪聲開始明顯影響有效信號；當(dāng)加入噪聲后信噪比為6 dB 時(shí)，有效信號完全淹沒在噪聲中，肉眼難以甄別。

由表1 可知：800 個(gè)測試樣本中包含微地震波形的正樣本為400 個(gè)；當(dāng)無噪聲干擾時(shí)得到TP 和FN 均為400，即包含微地震波形的樣本和不包含微地震波形的樣本都全部被無誤地檢測出來。隨著信噪比降低，噪聲干擾越來越大，越多正樣本被噪聲淹沒，檢測結(jié)果的準(zhǔn)確率也逐漸降低。正演數(shù)據(jù)檢測結(jié)果如圖6。

圖6 正演數(shù)據(jù)檢測結(jié)果Fig.6 Detection results of forward data

為驗(yàn)證本文模型的性能，對比不同方法對微地震波形的檢測能力，分別用小波分析法、BP 網(wǎng)絡(luò)、CNN 網(wǎng)絡(luò)和本文提出的多尺度檢測神經(jīng)網(wǎng)絡(luò)對不同信噪比的微地震資料進(jìn)行檢測。不同噪聲強(qiáng)度下的準(zhǔn)確率如圖7。

圖7 不同噪聲強(qiáng)度下的準(zhǔn)確率Fig.7 Accuracy under different SNR

由圖7 可知：本文模型結(jié)合了多尺度特征，檢測效果最好，甚至在無噪聲污染（信噪比為30 dB）時(shí)，準(zhǔn)確率可以達(dá)到99.99%；輕微噪聲污染（信噪比為21 dB）時(shí)，準(zhǔn)確率可以達(dá)到97.38%。

為了更客觀地評價(jià)模型的檢測效果，引入評價(jià)指標(biāo)精確率P和召回率R，其定義如下：

不同方法在不同噪聲強(qiáng)度下的精確率見表2。不同方法在不同噪聲強(qiáng)度下的召回率見表3。

表2 不同方法在不同噪聲強(qiáng)度下的精確率Table 2 Accuracy rates of different methods under different noise intensities

表3 不同方法在不同噪聲強(qiáng)度下的召回率Table 3 Recall rates of different methods under different noise intensities

由表2、表3 可知：在無噪聲污染的情況下，4 種方法的精確率和召回率都在0.94 以上；隨著噪聲干擾變大，精確率和召回率都呈不同趨勢下降。總體上4 種方法都呈現(xiàn)出精確率和召回率隨噪聲干擾增大而減少。且3 種深度學(xué)習(xí)的方法的精確率和準(zhǔn)確率都是由BP 模型、CNN 模型、本文模型逐漸升高。小波分析法的精確率和召回率受所設(shè)定閾值影響，閾值越大，越多正樣本無法被檢測到，閾值越小，越多負(fù)樣本被誤檢。在樣本上經(jīng)過反復(fù)實(shí)驗(yàn)，閾值選取為0.13，此時(shí)只有極少的負(fù)樣本被檢測為正例，精確率較高，但是有部分正樣本被檢測為負(fù)例，模型召回率較低。

3.2 實(shí)際信號檢測結(jié)果

由于煤層厚度、泊松比、滲透率、孔隙率等差異，不同區(qū)域的煤層氣微地震波形所含噪聲差異很大，同一地區(qū)因?yàn)樵O(shè)備和作業(yè)環(huán)境采集的微地震數(shù)據(jù)也會(huì)有很大的差異。壓裂井的部分監(jiān)測實(shí)際數(shù)據(jù)如圖8，每組數(shù)據(jù)有27 道，每道為32 000 個(gè)采樣點(diǎn)，其中，微地震事件的信噪比主要集中在2～6.8 dB，能級主要集中在-3.26～-1.82之間。實(shí)際數(shù)據(jù)檢測結(jié)果如圖9。

圖8 實(shí)際數(shù)據(jù)Fig.8 Actual data

圖9 實(shí)際數(shù)據(jù)檢測結(jié)果Fig.9 Actual data detection results

利用網(wǎng)絡(luò)對實(shí)際波形數(shù)據(jù)進(jìn)行微地震事件檢測，結(jié)果表明：本文方法能有效判別微地震事件，因此具有良好的檢測能力。

4 結(jié) 語

1）模型利用神經(jīng)網(wǎng)絡(luò)有高度非線性的特點(diǎn)，綜合微地震信號的多尺度特征來進(jìn)行信號自動(dòng)識別，具有準(zhǔn)確、快速、無需設(shè)定閾值等優(yōu)點(diǎn)。

2）用準(zhǔn)確度、精確率、召回率評價(jià)模型檢測能力，在煤層氣微地震信號信噪比大于6 dB 的情況下，模型檢測準(zhǔn)確度大于91.13%，精確率達(dá)到92.1%以上，召回率能達(dá)到90%以上。

3）黑龍江某地區(qū)實(shí)際監(jiān)測數(shù)據(jù)驗(yàn)證顯示，模型能有效地檢測出微地震事件時(shí)間段。在煤層氣開采過程中，通過對煤層氣微地震資料進(jìn)行事件的精確檢測對后續(xù)反演、裂縫監(jiān)測有很重要的意義。