基于波形聚類分析的微地震監(jiān)測事件類型判別及應(yīng)用

翟尚 喻志超 譚玉陽 黃芳飛 劉玲 胡天躍,? 何川,?

基于波形聚類分析的微地震監(jiān)測事件類型判別及應(yīng)用

翟尚1喻志超1譚玉陽2黃芳飛3劉玲3胡天躍1,?何川1,?

1.北京大學(xué)地球與空間科學(xué)學(xué)院, 北京大學(xué)石油與天然氣研究中心, 北京 100871; 2.中國科學(xué)技術(shù)大學(xué)地球和空間科學(xué)學(xué)院, 合肥 230026; 3.中國地質(zhì)調(diào)查局廣州海洋地質(zhì)調(diào)查局, 廣州 510760; ?通信作者, E-mail: tianyue@pku.edu.cn (胡天躍), chuanhe_pku@163.com (何川)

以不同類型微地震監(jiān)測事件在波形相似性上的差異為基礎(chǔ), 結(jié)合發(fā)生位置、走時(shí)規(guī)律和偏振方向等方面的特征, 提出一種基于波形聚類分析的微地震監(jiān)測事件類型判別方法。首先使用常規(guī)的微地震事件識別算法, 快速地得到待分類的疑似事件; 然后進(jìn)行波形聚類分析, 結(jié)合事件的屬性特征, 實(shí)現(xiàn)對不同類型微地震事件及噪聲事件的分類和判別。分類結(jié)果可用于波形模板匹配, 識別同類的低信噪比微地震事件; 還可將所有同類事件作為一個(gè)整體, 采用全局優(yōu)化手段提高初至拾取的精度。

波形互相關(guān); 微地震事件; 層次聚類; 屬性提取

利用水力壓裂技術(shù)對非常規(guī)儲層進(jìn)行改造是提高油氣采收率的有效途徑, 微地震監(jiān)測技術(shù)是評價(jià)壓裂效果的重要手段。在微地震監(jiān)測過程中, 除能夠記錄到儲層壓裂改造產(chǎn)生的微地震事件外, 還可能記錄到原生裂縫被激活產(chǎn)生的地震事件[1?3], 也會記錄到大量的噪聲事件。常見的噪聲信號包括井筒波和儀器噪聲信號[4]、長周期長持續(xù)時(shí)間(LPLD)地震事件[5?8]以及井場鉆機(jī)、施工車輛和物體墜落等強(qiáng)能量的有源噪聲[9]等。某些噪聲信號具有與微地震事件相似的能量、頻率和波形特征, 利用單一屬性特征(振幅、頻率成分和偏振等)[10?11]甚至多屬性聯(lián)合[12?14]的事件識別方法可能無法有效地區(qū)分微地震信號與噪聲信號。

聚類分析是一種將具有相似屬性特征的對象進(jìn)行分組的數(shù)據(jù)挖掘方法[15], 已廣泛應(yīng)用于數(shù)據(jù)挖掘、信息檢索以及模式識別核地震等領(lǐng)域。作為一種非監(jiān)督式機(jī)器學(xué)習(xí)方法, 聚類分析可以充分利用數(shù)據(jù)的性質(zhì)來分析數(shù)據(jù)之間的關(guān)系, 實(shí)現(xiàn)在缺少先驗(yàn)信息的情況下對具有相似特征的數(shù)據(jù)進(jìn)行快速歸類的目的。

地震記錄是震源、傳播路徑和檢波器響應(yīng)的綜合表征。同一臺站記錄到的發(fā)震位置接近、震源機(jī)制相似的地震事件往往具有較強(qiáng)的波形相似性[16]?；谶@一原理, 有學(xué)者提出利用聚類分析方法對地震事件進(jìn)行類別劃分, 用于研究重復(fù)地震快速識別[17?19]、地震初至拾取優(yōu)化[20?23]和震源重定位[24?25]等問題。除地震信號外, 某些具有相同噪聲源的噪聲事件的波形也存在相似性。

基于同類事件間的波形相似性以及不同類型事件間的屬性特征差異, 本文提出一種基于波形聚類分析的微地震事件類型判別方法。該方法的主要思路是, 首先采用常規(guī)微地震事件識別方法, 快速地得到待分類的疑似事件, 然后利用波形聚類分析及各事件的屬性特征, 實(shí)現(xiàn)對不同類型微地震事件或噪聲事件的類型判別。通過將事件劃分為不同類別, 能夠更有效地區(qū)分微地震事件與噪聲事件。分類后的微地震事件可以用于波形模板匹配, 實(shí)現(xiàn)對同類型低信噪比事件的精細(xì)識別, 還可以采用初至全局優(yōu)化方法[26], 對所有同類微地震事件進(jìn)行基于波形迭代互相關(guān)疊加的時(shí)差校正處理, 從而提高微地震事件初至拾取的精度。

1 方法原理

兩個(gè)事件間的相似度距離越小, 波形相似程度就越高, 到時(shí)規(guī)律也越相似。

凝聚式層次聚類的具體過程如下: 假設(shè)有個(gè)疑似事件參與聚類處理, 在初始狀態(tài)下, 將每個(gè)事件視為一類, 計(jì)算每兩類(即兩個(gè)事件)之間的相似度距離; 將具有最小相似度距離的兩類合并為一類, 此時(shí)類的個(gè)數(shù)為?1; 重新計(jì)算新生成的類與其余各類之間的相似度距離, 當(dāng)其中一類內(nèi)的事件成員個(gè)數(shù)大于 1 時(shí), 則選擇分屬這兩類的所有事件之間相似度距離的均值作為該兩類間距離, 即

其中,n和n分別代表類和類中包含事件成員的個(gè)數(shù)。如此循環(huán)計(jì)算各類之間距離, 并不斷合并具有最小距離的兩類, 直到所有事件都?xì)w為一類。

(a)和(b)為兩個(gè)具有相似波形特征的事件記錄, 各道波形均經(jīng)過能量歸一化處理; (c)為兩事件在同一道記錄上根據(jù)初至到時(shí)對齊后的波形, 黑點(diǎn)代表事件的最大振幅

經(jīng)過波形聚類分析后的疑似事件被劃分為若干相似事件集, 可以將歸屬于同一事件集的事件視為相同類型的事件, 它們具有相似的屬性特征。分屬不同事件集的事件通常在單一或多種屬性上表現(xiàn)出明顯的差異, 這是因?yàn)椴煌愋褪录赡茉诎l(fā)震位置、震源性質(zhì)和傳播路徑等方面存在差異。常用的屬性特征包括以下 3 個(gè)方面。

1)到時(shí)規(guī)律。事件的初至到時(shí)取決于震源位置和傳播路徑。對于發(fā)震位置不同的兩個(gè)微地震事件, 由于傳播路徑不同, 即使是同類震相也會具有不同的初至到時(shí); 對于同一個(gè)微地震事件, 由于不同震相之間傳播速度和傳播路徑的差異, 使得各波列的到時(shí)關(guān)系也存在差異。另外, 有效微地震事件通常包含 P, S 雙震相, 道間 S 波與 P 波的到時(shí)差是震源點(diǎn)與監(jiān)測點(diǎn)距離的函數(shù)。由于產(chǎn)生機(jī)理或傳播路徑等與地震事件不同, 噪聲事件一般具有獨(dú)特的初至到時(shí)規(guī)律。

2)偏振特征。隨機(jī)噪聲通常沒有明顯的偏振方向, 而地震波具有較好的線性偏振特征, 且微地震 P 波與 S 波的偏振方向?yàn)榻拼怪钡年P(guān)系。當(dāng)壓裂井與監(jiān)測點(diǎn)的距離較近時(shí), 可以近似地將傳播介質(zhì)視為均勻的或?qū)訝罹鶆虻? 此時(shí)微地震 P 波偏振方向近似為震源點(diǎn)與監(jiān)測點(diǎn)的連線方向。利用矢端圖法或協(xié)方差矩陣分解法[27], 可以求取微地震事件的偏振方向。矢端圖法是將三分量地震記錄的波形按照時(shí)間順序投影到三維空間, 可以顯示質(zhì)點(diǎn)的振動(dòng)軌跡, 通過對該軌跡進(jìn)行線性擬合, 可以得到事件的偏振方向。協(xié)方差矩陣分解法首先采用一個(gè)短時(shí)窗, 截取包含事件的三分量記錄, 并構(gòu)造其協(xié)方差矩陣, 通過求解該協(xié)方差矩陣, 得到最大特征值1及其對應(yīng)的特征向量1=[1(1),1(2),1(3)], 則該事件的方位偏振角可以表示為

3)頻譜特征。微地震事件具有寬頻特征, 與天然地震相比, 微地震事件所含頻率較高。S 波在傳播過程中高頻成分快速衰減, 與同一事件的 P 波相比, 所含主頻成分更低。噪聲事件(鉆機(jī)干擾、工頻干擾等)通常具有窄帶或單頻特征, 其中工頻干擾的頻率約為 50Hz。利用傅里葉變換或 S 變換等分析技術(shù), 可以實(shí)現(xiàn)對信號頻譜特征的分析。

基于各事件的屬性特征差異, 可以有效地區(qū)分微地震事件與噪聲事件, 判別微地震事件的震相類型, 最終得到分類后的微地震事件和噪聲事件。本文方法的流程如圖 3 所示。

2 資料處理

微地震監(jiān)測的實(shí)際資料取自對同一口水平井進(jìn)行的 11 段水力壓裂連續(xù)監(jiān)測記錄, 我們利用本文方法, 對其中第二壓裂段共 76 min的監(jiān)測數(shù)據(jù)進(jìn)行處理。采集資料使用的觀測系統(tǒng)為布設(shè)在壓裂井附近一口直井中的 15 級檢波器串, 級間距為 10 m, 時(shí)間采樣間隔為 0.5ms。首先利用射孔記錄, 標(biāo)定原始數(shù)據(jù)中的檢波器水平分量方向, 然后對連續(xù)監(jiān)測數(shù)據(jù)進(jìn)行 30~350Hz 帶通濾波處理, 去除低頻和高頻噪聲。

2.1 波形聚類分析

利用 STA/LTA 方法, 對該壓裂段的連續(xù)監(jiān)測數(shù)據(jù)進(jìn)行事件識別, 得到 540 個(gè)疑似事件。根據(jù)STA/LTA 曲線超過觸發(fā)閾值時(shí)對應(yīng)的峰值時(shí)刻(可大致視為事件的初至), 截取固定時(shí)長的波形片段, 通過計(jì)算兩兩事件的互相關(guān)函數(shù), 求取相似度距離, 利用凝聚式層次聚類算法, 對疑似事件進(jìn)行分析。經(jīng)過反復(fù)測試后, 本文選擇相似度距離閾值為 0.4 (經(jīng)測試, 證明該數(shù)值的微弱變化對本文數(shù)據(jù)的聚類結(jié)果影響不大), 最終得到 8 組類內(nèi)成員個(gè)數(shù)不少于 5 的事件集, 聚類事件的個(gè)數(shù)占識別出的疑似事件總數(shù)的 87%。

圖 4(a)為將疑似事件按照發(fā)生時(shí)間順序排列, 計(jì)算得到的相關(guān)系數(shù)矩陣; 圖 4(b)為根據(jù)聚類結(jié)果, 將各事件進(jìn)行歸集, 并按照類內(nèi)成員個(gè)數(shù)重新排列后, 重新計(jì)算得到的相關(guān)系數(shù)矩陣′。聚類結(jié)果中, 每類事件內(nèi)的波形相關(guān)系數(shù)平均值均大于0.6, 部分事件對的相關(guān)系數(shù)高達(dá)0.95。

圖3 本文方法流程

圖 5 展示 8 組事件集中部分事件相同道的波形片段, 各道波形均經(jīng)過能量歸一化處理?？梢钥闯? 各類內(nèi)事件的波形具有高度的相似性, 包括一致的初動(dòng)極性和相近的頻率特征等, 而不同類事件的波形存在較大的差異, 證明了本文聚類分析結(jié)果的合理性。

2.2 事件類型判別

采用最小二乘方法, 對每個(gè)事件的初至到時(shí)進(jìn)行直線擬合, 求取其首尾到時(shí)差。如圖 6 所示, 事件集 1 包含 213 個(gè)事件, 在壓裂記錄時(shí)間內(nèi)密集發(fā)生, 初至到時(shí)差為 0, 表明該信號在所有檢波器上的發(fā)生時(shí)刻相同, 為儀器噪聲; 事件集 4 包含 24 個(gè)事件, 首尾到時(shí)差讀數(shù)約為 0.16s, 計(jì)算得到其視速度約為 870m/s, 低于該地區(qū)地震體波的傳播速度, 與井筒波事件的走時(shí)特征相符; 事件集 2 與事件集5 的首尾到時(shí)差比較接近, 事件集 2 的首尾到時(shí)差讀數(shù)在 0.075~0.105s 之間, 事件集 5 的到時(shí)差集中在 0.095s; 事件集 3 與事件集 6 的首尾到時(shí)差相近, 約為 0.045s; 事件集 7 和事件集 8 的首尾到時(shí)差分別約為 0.12和0.06 s。

微地震事件通常包含 P 波和 S 波兩個(gè)震相, 在波形記錄上成對出現(xiàn), 且 P 波先于S波到達(dá)。因此, 可以通過將記錄時(shí)間相近的兩個(gè)有效事件進(jìn)行匹配來做初步判別。從圖 6 可以看出, 在事件集 2 與事件集 3、事件集 5 與事件集 6 以及事件集 7 與事件集8 中, 大部分事件間都具有很好的時(shí)間對應(yīng)關(guān)系, 時(shí)間差在 0.10~0.25s 之間, 可初步判別為同一類微地震事件的不同震相類型。可以近似地認(rèn)為, 同一類微地震事件的 P 波與 S 波偏振方向相互垂直, 且P 波的偏振方向平行于震源點(diǎn)與監(jiān)測點(diǎn)的連線。圖7 為各有效事件集的偏振方向統(tǒng)計(jì)結(jié)果, 其中實(shí)心三角形指向壓裂點(diǎn)相對于檢波器的方位(約 187°)?？梢钥吹? 事件集 2 與事件集 3 的偏振方向接近垂直, 事件集 3 的偏振方向與壓裂點(diǎn)和檢波器連線方向相近, 因此, 可以確定事件集 2 和事件集 3 分別為第一類微地震的 S 波和 P 波。同理, 可以確定事件集 5 和事件集 6、事件集 7 和事件集 8 分別為另外兩類微地震事件的 S 波和 P 波。

綜上所述, 可知識別出的疑似事件中包含 213個(gè)儀器噪聲(圖 8(a))、24 個(gè)井筒波事件(圖 8(b))和 3類有效微地震事件。其中, 第一類微地震事件包含80 個(gè)雙震相事件(圖 8(c))和 23 個(gè)含 S 波的單震相事件, 第二類微地震事件包含 16 個(gè)雙震相事件(圖8(d)), 第三類微地震事件包含 8 個(gè)雙震相事件(圖8(e))和 3 個(gè)含 S 波的單震相事件。對匹配的雙震相微地震事件進(jìn)行震源定位(圖 9), 可以明顯地看到 3類微地震事件的震源分別處于不同的區(qū)域。第一類微地震事件主要發(fā)生于壓裂井的末端, 大致沿西?東方向呈線性的空間形態(tài), 與該區(qū)域一條原生斷層的位置及走向相吻合, 推測該類事件的產(chǎn)生為注水壓裂過程致使原生斷層重新激活導(dǎo)致; 第二類微地震事件的波形與壓裂投球事件相似, 發(fā)生時(shí)間集中在投球后 10 分鐘內(nèi), 震源位置在井壁附近, 推測為投球過程產(chǎn)生的微地震事件; 第三類微地震事件數(shù)目較少, 震源位置在壓裂井東側(cè)距離壓裂點(diǎn)平面方向約 200m 的目標(biāo)儲層內(nèi), 推測為由水力壓裂導(dǎo)致儲層破裂而產(chǎn)生的微地震事件。

圖5 各事件集內(nèi)及事件間波形對比

3 應(yīng)用

3.1 微弱地震事件的精細(xì)識別

在處理地震數(shù)據(jù)的過程中, 通常利用模板事件匹配方法來識別微弱地震事件[28?32]。當(dāng)已知地震事件數(shù)量較多時(shí), 如果將所有事件都視為模板事件來匹配識別, 無疑會帶來巨大的工作量, 難以進(jìn)行實(shí)際操作。因此, 需要從已知的地震事件中選擇合適的模板事件。Caffagni 等[31]指出, 模板事件需要具有高信噪比和顯著的波形特征, 應(yīng)避免選擇多個(gè)具有相似發(fā)震位置和震源機(jī)制的事件。他們通過實(shí)例研究發(fā)現(xiàn), 在每個(gè)壓裂段, 只需要選擇 4 個(gè)震源位置均勻分布的事件來作為模板事件, 就可以取得理想的效果。為實(shí)現(xiàn)模板事件的自動(dòng)快速選擇, 減少對人為判斷的依賴, 本文采用波形聚類分析方法得到有效微地震事件, 在每一類事件中, 選擇與其他事件相關(guān)系數(shù)平均值最大的事件作為模板事件。

以本文得到的第一類微地震事件為例, 分別選擇 P 波和 S 波的波形模板, 在其初至到時(shí)前后截取固定時(shí)長的波形片段, 分別計(jì)算其與連續(xù)監(jiān)測記錄逐道逐分量的滑動(dòng)互相關(guān)函數(shù), 利用模板事件的走時(shí)差, 對各道的相關(guān)系數(shù)曲線進(jìn)行時(shí)差校正, 并將校正后曲線進(jìn)行線性疊加, 求取平均值。如果在某一時(shí)刻的平均相關(guān)系數(shù)值超出所設(shè)閾值, 則認(rèn)為存在一個(gè)與模板事件相似的微地震事件。圖 10 為利用 P 波模板對 100s 壓裂記錄進(jìn)行處理得到的結(jié)果。圖 10(a)中, 將觸發(fā)閾值設(shè)置為平均相關(guān)系數(shù)標(biāo)準(zhǔn)差的 9 倍, 共識別出正相關(guān)事件 9 個(gè), 識別正確率為 100%。圖 10(b)和(c)為其中識別的兩個(gè)子事件波形片段與波形模板的匹配結(jié)果, 可以看到其波形和到時(shí)關(guān)系與模板事件有較高的匹配度。最后, 對整個(gè)壓裂段監(jiān)測數(shù)據(jù)進(jìn)行處理, 利用 P 波模板共識別出 112 個(gè)相似事件, 經(jīng)過分析, 發(fā)現(xiàn)其中包括已識別出的 80 個(gè) P 波震相, 新增識別低信噪比 P 波震相 32 個(gè); 利用 S 波模板共識別出 115 個(gè)相似事件, 其中新增識別低信噪比 S 波震相 12 個(gè)。

3.2 微地震事件初至優(yōu)化

由于具有高精度的特點(diǎn), 波形互相關(guān)方法廣泛用于求取信號間的相對時(shí)差。對于波形相似的兩個(gè)信號, 拾取的初至位置也是相似的?；谶@一原理, 可以用波形互相關(guān)方法對初始的初至信息進(jìn)行質(zhì)量檢驗(yàn)和優(yōu)化[21,26], 優(yōu)化結(jié)果的好壞強(qiáng)烈地依賴于參與處理的信號間波形相似程度。本文使用的層次聚類方法可以通過選擇不同的相似度距離閾值來獲得相似程度不同的事件集。一個(gè)較高的閾值可以讓更多具有弱相似性的事件聚為一類, 但這樣做可能影響初至優(yōu)化的效果?？梢酝ㄟ^設(shè)置較低的閾值, 從原有聚類事件集中獲得具有更高波形相似度的子事件集, 實(shí)現(xiàn)更可靠的初至拾取結(jié)果優(yōu)化。下面以 P波的初至拾取結(jié)果(圖11)為例進(jìn)行說明。

根據(jù)時(shí)差校正后震相同相軸的對齊程度, 可以判斷初至拾取結(jié)果的好壞。從圖 11(a1)和(b1)可以看出, 在 STA/LTA 方法得到的拾取結(jié)果中, 較明顯地存在個(gè)別道與其他道的同相軸波形未對齊現(xiàn)象, 反映出事件內(nèi)及事件間初至拾取的誤差。從圖 11 (a2)和(b2)可知, 由于考慮了事件內(nèi)及事件間的波形相似特征, 使得同一事件各檢波器之間以及相同檢波器的不同事件之間的初至拾取誤差得到有效的控制。

4 結(jié)語

針對在復(fù)雜監(jiān)測環(huán)境中同時(shí)存在多種類型微地震事件及噪聲的情況, 本文提出一種基于波形聚類分析的微地震監(jiān)測事件類型判別方法。該方法使用層次聚類分析技術(shù), 實(shí)現(xiàn)對常規(guī)微地震事件識別結(jié)果的類別劃分, 通過提取各波形相似事件集的屬性特征進(jìn)行類型判別, 不僅能夠更有效地區(qū)分微地震事件與噪聲事件, 而且可以將經(jīng)過分類的微地震事件進(jìn)行波形模板匹配處理, 用于識別低信噪比事件。通過全局優(yōu)化方法, 可以提高同類微地震事件初至拾取的精度。通過對實(shí)際微地震監(jiān)測資料的處理, 證明了本文方法的可行性和有效性。

本文僅提取事件的部分屬性特征用于事件類型的判別, 但不限于這些屬性特征, 如高階統(tǒng)計(jì)量和分形維數(shù)等也常用于描述波形特征。綜合分析更多的屬性特征, 將有助于了解事件間的細(xì)微差異, 可以更準(zhǔn)確地判別事件類型。

[1] Atkinson G M, Eaton D W, Ghofrani H, et al. Hy-draulic fracturing and seismicity in the western Cana-da sedimentary basin. Seismological Research Letters, 2016, 87(3): 631–6473

[2] Bao X, Eaton D W. Fault activation by hydraulic fracturing in western Canada. Science, 2016, 354: 1406–1409

[3] Chen H, Meng X, Niu F, et al. Microseismic monito-ring of stimulating shale gas reservoir in SW China: 2. spatial clustering controlled by the preexisting faults and fractures. Journal of Geophysical Research, 2018, 123(2): 1659–1672

[4] St-Onge A, Eaton D. Noise examples from two mic-roseismic datasets. CSEG Recorder, 2011, 36(10): 46–49

[5] Dorthe B, Michael F. Observations of long period earthquakes accompanying hydraulic fracturing. Geo-physical Research Letters, 1986, 13(2): 149–152

[6] Das I, Zoback M D. Long-period, long-duration seis-mic events during hydraulic stimulation of shale and tight-gas reservoirs — part 1: waveform characteris-tics. Geophysics, 2013, 78(6): KS107–KS118

[7] Caffagni E, Eaton D W, Der Baan M V, et al. Regional seismicity: a potential pitfall for identification of long-period long-duration events. Geophysics, 2015, 80(1): A1–A5

[8] Kumar A, Zorn E, Hammack R, et al. Long-period, long-duration seismicity observed during hydraulic fracturing of the Marcellus Shale in Greene County, Pennsylvania. Geophysics, 2017, 36(7): 580–587

[9] 刁瑞, 吳國忱, 尚新民, 等. 地面微地震有源噪聲自動(dòng)識別與匹配壓制方法. 石油地球物理勘探, 2018, 53(2): 311–319

[10] Allen R V. Automatic earthquake recognition and timing from single traces. Bulletin of the Seismolo-gical Society of America, 1978, 68(5): 1521–1532

[11] Munro K A. Automatic event detection and picking of P-wave arrivals. CREWES Research Report, 2004, 16: 12.1–12.10

[12] Rodriguez I V. Automatic time-picking of microseis-mic data combining STA/LTA and the stationary discrete wavelet transform // Expanded Abstracts of CSPG CSEG CWLS Convention. Calgary, 2011: 1–4

[13] 宋維琪, 馮超. 微地震有效事件自動(dòng)識別與定位方法. 石油地球物理勘探, 2013, 48(2): 283–288

[14] 譚玉陽, 何川, 曹耐. 基于多道相似系數(shù)的微地震事件自動(dòng)識別. 石油物探, 2015, 54(2): 126–132

[15] Kaufman L, Rousseeuw P. Finding groups in data: an introduction to cluster analysis. New York: Wiley, 1990

[16] Geller R J, Mueller C S. Four similar earthquakes in central California. Geophysical Research Letters, 1980, 7(10): 821–824

[17] Aster R C, Scott J. Comprehensive characterization of waveform similarity in microearthquake data sets. Bulletin of the Seismological Society of America, 1993, 83(4): 1307–1314

[18] Peng Z G, Ben-Zion Y. Spatiotemporal variations of crustal anisotropy from similar events in aftershocks of the 1999 M7.4 ?zmit and M7.1 Düzce, Turkey, earthquake sequences. Geophys J Int, 2005, 160: 1027–1043

[19] 王偉濤, 王寶善. 基于聚類分析的多尺度相似地震快速識別方法及其在汶川地震東北端余震序列分析中的應(yīng)用. 地球物理學(xué)報(bào), 2012, 55(6): 1952–1962

[20] Rowe C A, Aster R C, Phillips W S, et al. Using automated, high-precision repicking to improve deli-neation of microseismic structures at the soultz geo-thermal reservoir. Pure and Applied Geophysics, 2002, 159(1): 563–596

[21] Arrowsmith S J, Eisner L. A technique for identifying microseismic multiplets and application to the Valhall ?eld, North Sea. Geophysics, 2006, 71(2): 31–40

[22] Kapetanidis V, Papadimitriou P. Estimation of arrival-times in intense seismic sequences using a Master-Events methodology based on waveform similarity. Geophys J Int, 2011, 187(2): 889–917

[23] Akram J, Eaton D W. Refinement of arrival-time picks using a cross-correlation based workflow. Jour-nal of Applied Geophysics, 2016, 135: 55–66

[24] Waldhauser F, Ellsworth W L. A double-difference earthquake location algorithm: method and applica-tion to the Northern Hayward Fault, California. Bulletin of the Seismological Society of America, 2000, 90(6): 1353–1368

[25] De Meersman K, Kendall J M, van der Baan M. The 1998 Valhall microseismicity: an integrated study of relocated sources, seismic multiplets and S-wave sp-litting. Geophysics, 2009, 74(5): 183–195

[26] 喻志超, 譚玉陽, 翟尚, 等. 基于波形相似特征的微地震事件初至拾取及全局校正. 地球物理學(xué)報(bào), 2019, 62(12): 4782–4793

[27] Montalbetti J F, Kanasewich E R. Enhancement of teleseismic body phases with a polarization filter. Geophysical Journal of the Royal Astronomical So-ciety, 1970, 21(2): 119–129

[28] Shelly D R, Beroza G C, Ide S, et al. Non-volcanic tremor and low-frequency earthquake swarms. Nature, 2007, 446: 305–307

[29] Peng Z G, Zhao P. Migration of early aftershocks following the 2004 Parkfield earthquake. Nature Geoscience, 2009, 2(12): 877–881

[30] Zhang M, Wen L. An effective method for small event detection: match and locate (M&L). Geophys J Int, 2015, 200(3): 1523–1537

[31] Caffagni E, Eaton D W, Jones J P, et al. Detection and analysis of microseismic events using a Matched Filtering Algorithm (MFA). Geophys J Int, 2016, 206(1): 644–658

[32] Meng X, Chen H, Niu F, et al. Microseismic mo-nitoring of stimulating shale gas reservoir in SW China: 1. an improved matching and locating tech-nique for downhole monitoring. Journal of Geophy-sical Research, 2018, 123(2): 1643–1658

Microseismic Monitoring Events Classification Based on Waveform Clustering Analysis and Application

ZHAI Shang1, YU Zhichao1, TAN Yuyang2, HUANG Fangfei3, LIU Ling3, HU Tianyue1,?, HE Chuan1,?

1. Institute of Oil & Gas, School of Earth and Space Sciences, Peking University, Beijing 100871; 2. School of Earth and Space Sciences, University of Science and Technology of China, Hefei 230026; 3. Guangzhou Marine Geological Survey, China Geological Survey, Guangzhou 510760; ? Corresponding authors, E-mail: tianyue@pku.edu.cn (HU Tianyue); chuanhe_pku@163.com (HE Chuan)

Based on the difference of waveform similarity between different types of microseismic monitoring events and combined with their characteristics in occurrence location, traveling time and polarization direction etc., a method for classifying microseismic monitoring events based on waveform clustering analysis is proposed. Firstly unclassified events can be identified rapidly using conventional microseismic event detection methods, then similar events are grouped based on waveform clustering analysis, finally the types of microseismic events or noise events are determined combining the attribute characteristics. Classified microseismic events can be further used for template matching technique to finely detect similar events with low signal-to-noise ratio. Meanwhile the global optimization approach which aims to improve the accuracy of arrival time picking can be also performed by taking similar microseismic events as a whole.

waveform cross correlation; microseismic event; hierarchal clustering; feature extraction

10.13209/j.0479-8023.2020.018

中國地質(zhì)調(diào)查局天然氣水合物專項(xiàng)(DD20190232-6)和國家重點(diǎn)研發(fā)計(jì)劃(2017YFC0307605, 2017YFC0307702)資助

2019?05?08;

2019?07?08