一种微地震P波极性识别方法、装置、存储介质及设备制造方法及图纸

本文提供一种微地震P波极性识别方法、装置、设备及存储介质，所述方法包括：获取检波器采集到的微地震待测P波数据；将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性，通过多道采集的数据结合卷积神经网络构架，训练出能准确识别出P波极性的训练模型，可以提高P波极性识别的准确性和训练模型的适应范围。练模型的适应范围。练模型的适应范围。

【技术实现步骤摘要】
一种微地震P波极性识别方法、装置、存储介质及设备


[0001]本专利技术属于微地震监测
，具体涉及一种微地震P波极性识别方法、装置、存储介质及设备。

技术介绍

[0002]水力压裂是页岩气、煤层气等非常规油气资源开采过程中的关键环节，而微地震监测技术是监测压裂过程以及评估压裂效果的重要手段。水力压裂过程中岩石破裂产生的地震波信号可以被放置在井中或地表的检波器接收，这些信号能够用来反演震源位置、震源机制解、震级等参数，从而监测裂缝的发育过程以及评估压裂效果。地面监测和井中监测是两种常用的监测方式。与井中监测相比，地面监测的检波器记录由于地震波衰减严重通常显示出较低的信噪比，但其不仅具有较高的覆盖次数和较宽的方位角，更易于反演震源机制解，而且具有简单、经济以及适应性强等优势，得到了越来越广泛的应用。
[0003]微地震监测的主要内容是反演震源位置和震源机制解。震源位置能够提供裂缝的位置和分布信息，而震源机制解可用于描述裂缝破裂类型、了解工区地应力状态。大量的压裂监测结果表明微地震事件主要是由剪切为主的裂缝破裂产生的，因此地面观测记录会出现P波(纵波)极性变化。P波极性信息的确定对地面微地震的震源定位和震源机制反演具有重要意义：
[0004]P波极性物理图像明确，是稳定的地震波信息。鉴于地面监测范围广、微地震事件震级较小，利用不同方位的检波器记录的P波极性能够反演出较为稳定的震源机制解，且求解过程具有简单、快速等优点。因此P波极性的识别成为目前震源机制反演重要的内容，如何提高P波极性识别的准确度成为目前亟需解决的技术问题。

技术实现思路

[0005]针对现有技术的上述问题，本文的目的在于，提供一种微地震P波极性识别方法、装置、存储介质及设备，可以提高P波极性识别的准确性。
[0006]为了解决上述技术问题，本文的具体技术方案如下：
[0007]第一方面，本文提供一种微地震P波极性识别方法，所述方法包括：
[0008]获取检波器采集到的微地震待测P波数据；
[0009]将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
[0010]将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
[0011]进一步地，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；
[0012]每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述
池化层的输出结果，并计算分布概率。
[0013]进一步地，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到进一步包括：
[0014]构建卷积神经网络；
[0015]获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；
[0016]根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；
[0017]重复所述卷积神经网络的训练步骤，知道所述损失函数得到预设阈值，得到训练完成的卷积神经网络。
[0018]进一步地，所述损失函数为交叉熵损失函数，所述损失函数的计算公式为：
[0019][0020]其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，p
k
为P波极性实际概率分布，q
k
为卷积神经网络输出的P波极性预测概率分布。
[0021]进一步地，当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型；或，
[0022]当所述多道P波数据为偶数道P波数据时，增加单道P波数据形成奇数道P波数据，所述目标道的P波极性类型为所述奇数道的中间道的P波极性类型，增加的所述单道P波数据为所述目标道的P波数据，同时将形成后的所述奇数道P波数据更新为所述训练样本数据。
[0023]进一步地，所述获取检波器采集的训练样本数据进一步包括：
[0024]获取检波器采集的原始样本数据；
[0025]根据所述原始样本数据，进行去除均值、带通滤波和均一化处理，获得所述训练样本数据。
[0026]进一步地，所述获取检波器采集的训练样本数据之后还包括：
[0027]对所述训练数据进行数据增强处理，将增强处理后的数据和所述训练样本数据合并，并将合并后的数据更新为所述训练样本数据。
[0028]第二方面，本文还提供一种微地震P波数据极性识别装置，所述装置包括：
[0029]待测数据获取模块，用于获取检波器采集到的微地震待测P波数据；
[0030]概率分布计算模块，用于将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；
[0031]P波极性确定模块，用于将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。
[0032]第三方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的方法步骤。
[0033]第四方面，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储
有执行计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法步骤。
[0034]采用上述技术方案，本文所述一种微地震P波极性识别方法、装置、存储介质及设备，通过多道采集的数据结合卷积神经网络构架，训练出能准确识别出P波极性的训练模型，可以提高P波极性识别的准确性和训练模型的适应范围。
[0035]为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0036]为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1示出了本文实施例中微地震P波极性识别方法步骤示意图；
[0038]图2示出了本文实施例中卷积神经网络训练步骤示意图；
[0039]图3示出了本文实施例中地表检波器分布示意图；
[0040]图4示出了本文实施例中数据预处理示例示意图；
[0041]图5示出了本文实施例中卷积神经网络训练模型数据处理流程示意图；
[0042]图6示出了本文实施例中微地震P波极性识别装置结构示意图；
...

【技术保护点】

【技术特征摘要】
1.一种微地震P波极性识别方法，其特征在于，所述方法包括：获取检波器采集到的微地震待测P波数据；将所述待测P波数据输入到已训练完成的卷积神经网络，计算得到所述待测P波极性类型概率分布，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到，所述训练样本数据全部已知所述P波极性类型；将所述待测P波极性类型概率分布中最大概率对应的P波极性类型确定为所述待测P波极性。2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括多个卷积层、多个池化层和全连接层；每个所述卷积层连接一个所述池化层；所述卷积层用于提取输入数据的特征向量，所述池化层用于降低输入数据的维度，所述全连接层用于连接输出所述卷积层和所述池化层的输出结果，并计算分布概率。3.根据权利要求1所述的方法，其特征在于，所述已训练完成的卷积神经网络是基于所述检波器采集的训练样本数据训练得到进一步包括：构建卷积神经网络；获取检波器采集的训练样本数据，所述训练样本数据包括多道P波数据和目标道的P波极性类型；根据所述训练样本数据，训练所述卷积神经网络，并得到损失函数；重复所述卷积神经网络的训练步骤，直到所述损失函数低于预设阈值，得到训练完成的卷积神经网络。4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数，所述损失函数的计算公式为：其中Loss为损失函数，k为P波不同的极性对应类别，N为样本数据中P波极性类型分布，p
k
为P波极性实际概率分布，q
k
为卷积神经网络输出的P波极性预测概率分布。5.根据权利要求3所述的方法，其特征在于，当所述多道P波数据为奇数道P波数据时，所述目标道的P波极性类型为所述奇数道...

【专利技术属性】
技术研发人员：田宵，汪明军，张雄，陈慧慧，李广，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：