應(yīng)用殘差網(wǎng)絡(luò)的微地震事件五分類檢測方法

關(guān)鍵詞： 微地震監(jiān)測，事件檢測，數(shù)據(jù)增廣，殘差網(wǎng)絡(luò)，深度學(xué)習(xí)

0 引言

近年來，水力壓裂技術(shù)被廣泛用于頁巖氣、煤層氣等非常規(guī)油氣資源開發(fā)[1?5]。在水力壓裂過程中，通過檢測巖石破裂產(chǎn)生的微地震信號，可以反演震源位置、震源機(jī)制解、震級等參數(shù)，從而監(jiān)測裂縫的發(fā)育過程并評估壓裂效果[6?11]。地面監(jiān)測和井中監(jiān)測是兩種常用的監(jiān)測方式。與地面監(jiān)測相比，井中監(jiān)測的檢波器記錄具有較高的信噪比，可通過拾取P 波和S 波到時(shí)進(jìn)行微地震定位[12]。野外記錄通常為連續(xù)的波形，對微地震信號的識別直接決定了微地震定位的準(zhǔn)確度和可靠性。

目前，微地震事件自動檢測主要應(yīng)用于天然地震領(lǐng)域，方法包括基于振幅的長短時(shí)窗比法（Short TermAverage/Long Term Average ， STA/LTA）[13?16]、基于Akaike 信息準(zhǔn)則（Akaike Information Criteria，AIC）的方法[17?18]以及基于波形相似性的波形互相關(guān)法[19?22]等。目前，應(yīng)用較為廣泛的為STA/LTA 算法，其基本原理是通過計(jì)算短、長時(shí)間窗內(nèi)波形的平均能量值比值來評估信號的能量變化。該方法原理簡單、計(jì)算效率高，地震學(xué)家對該方法做了一系列的改進(jìn)。例如，Withers 等[13]實(shí)現(xiàn)了一種自適應(yīng)窗口的STA/LTA 算法，結(jié)合地震圖頻譜特性滿足事件檢測與定位的要求。宋維琪等[14]在STA/LTA 算法的基礎(chǔ)上，討論了基于特征值分析且抗噪能力較強(qiáng)的識別方法。邱磊等[15]通過建立閾值和背景噪聲之間的關(guān)系，提出了兩種基于參考閾值拾取地震波初至的方法，拾取結(jié)果的正確率比傳統(tǒng)STA/LTA 方法有所提高。劉晗等[16]對STA/LTA 算法和改進(jìn)的加權(quán)系數(shù)法、多窗口算法和修正能量比法進(jìn)行了對比，了解了時(shí)窗長度、觸發(fā)閾值和特征函數(shù)對算法性能的影響特征及其選取規(guī)律。STA/LTA 法具有較好的通用性且高效，但其拾取結(jié)果受閾值影響較大，依賴人工經(jīng)驗(yàn)，同時(shí)該方法對中強(qiáng)度背景噪聲十分敏感，容易出現(xiàn)漏檢事件。

近年來，隨著計(jì)算機(jī)領(lǐng)域人工智能的發(fā)展，深度學(xué)習(xí)相關(guān)技術(shù)在計(jì)算機(jī)視覺、自然語言處理、語音識別、醫(yī)學(xué)圖像處理等多個(gè)領(lǐng)域取得了巨大的成功[23?24]。機(jī)器學(xué)習(xí)算法也被廣泛地應(yīng)用在地震勘探領(lǐng)域，尤其是地震信號的檢測和拾取，發(fā)展了一系列的智能算法[25?35]。例如，Mousavi 等[36]采用卷積神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)搭建模型，形成了CRED 模型，用于噪聲與地震事件分類，該模型對于背景噪聲、非地震脈沖有著極高魯棒性，能夠高效地處理海量地震數(shù)據(jù)。趙明等[37]使用汶川地震余震事件構(gòu)建訓(xùn)練數(shù)據(jù)集，利用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，并用未參與模型訓(xùn)練的汶川余震事件作為檢測數(shù)據(jù)集，其訓(xùn)練和檢測準(zhǔn)確率均達(dá)到95% 以上。Zhao 等[38]采用卷積神經(jīng)網(wǎng)絡(luò)對連續(xù)數(shù)據(jù)進(jìn)行時(shí)窗分割并分類，其輸入為一維的地震數(shù)據(jù)，驗(yàn)證集精度達(dá)到93%。Zhang 等[39]構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的微地震檢測網(wǎng)絡(luò)，通過比較分析多種微地震檢測分類方法，論證了深度學(xué)習(xí)算法在微地震事件檢測中具有較高的準(zhǔn)確度，展示了在微地震實(shí)時(shí)監(jiān)測領(lǐng)域中良好的應(yīng)用前景。王維波等[40]利用卷積神經(jīng)網(wǎng)絡(luò)算法構(gòu)建微地震檢測二分類模型，通過水力壓裂實(shí)際監(jiān)測的微地震信號構(gòu)建訓(xùn)練樣本集，訓(xùn)練得到的網(wǎng)絡(luò)模型具有較好的抗噪性。隨后，王維波等[41]又提出利用殘差網(wǎng)絡(luò)對微地震監(jiān)測數(shù)據(jù)的地震發(fā)射層析成像數(shù)據(jù)進(jìn)行處理， 實(shí)現(xiàn)微地震事件自動識別。

深度學(xué)習(xí)算法可以直接從訓(xùn)練數(shù)據(jù)中挖掘地震事件特征。預(yù)測新的數(shù)據(jù)時(shí)，只需要將微震事件分割成相互獨(dú)立的窗口，然后輸入到訓(xùn)練好的模型中即可迅速進(jìn)行事件檢測，節(jié)省大量的計(jì)算時(shí)間?，F(xiàn)有的基于深度學(xué)習(xí)的微地震事件檢測方法通常把事件檢測看作圖像二分類問題，需要對連續(xù)監(jiān)測的波形數(shù)據(jù)按照一定時(shí)窗長度進(jìn)行分割。通常，相鄰時(shí)窗會有部分重疊以盡量減少漏檢。這種處理方法不僅增加了計(jì)算時(shí)間，降低了運(yùn)算效率，同時(shí)如何選取重疊時(shí)窗大小也決定了分類結(jié)果的準(zhǔn)確度。因此，本文提出一種基于深度學(xué)習(xí)的微震事件五分類檢測方法。首先，把野外采集的連續(xù)記錄波形等分，人工標(biāo)定為噪聲、完整的P 波和S 波、只含有P 波、只含有S 波和多個(gè)微震事件五類； 其次，通過研究數(shù)據(jù)增廣方法，利用較少的原始標(biāo)定樣本獲得多樣性的訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練； 最后，將訓(xùn)練得到的五分類模型應(yīng)用于實(shí)際微震數(shù)據(jù)檢測，通過對檢測得到的微震事件進(jìn)行到時(shí)拾取和震源定位評估檢測精度，并與二分類算法結(jié)果進(jìn)行對比驗(yàn)證。

1 數(shù)據(jù)處理

本文使用了東方地球物理公司（BGP）提供的一套單井監(jiān)測的水力壓裂數(shù)據(jù)，共有12 個(gè)三分量檢波器分布在深度為2800～3020 m 的監(jiān)測井中，間隔為20 m，檢波器位于壓裂井段的上方。圖1 為本文使用的P 波和S 波速度模型，參數(shù)經(jīng)測井?dāng)?shù)據(jù)提取并利用射孔事件校正。數(shù)據(jù)的時(shí)間采樣率為0. 5 ms。

1. 1 樣本標(biāo)定

本文把微地震事件檢測視為五分類問題：圖2a為噪聲，被歸為第一類，簡稱C1；圖2b 為一個(gè)完整的微震事件，包含完整的P 波和S 波信息，被歸為第二類，簡稱C2；圖2c 只含有完整的P 波信息，被歸為第三類，簡稱C3；圖2d 只含有完整的S 波信息，被歸為第四類，簡稱C4；第五類較為復(fù)雜，定義為在一個(gè)樣本窗口中包含多個(gè)微震事件（圖2e）。此外，樣本中同時(shí)包含一個(gè)微震事件和另一個(gè)事件的P 波或者S 波也被歸為第五類，簡稱C5。

1. 2 數(shù)據(jù)增廣

數(shù)據(jù)增廣可以提高模型的泛化能力和魯棒性，有助于減少過擬合問題。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時(shí)，通常需要大量的訓(xùn)練數(shù)據(jù)，但是大多數(shù)地球物理的數(shù)據(jù)集比較有限。通過數(shù)據(jù)增廣，能夠擴(kuò)展數(shù)據(jù)集，增加訓(xùn)練樣本的多樣性。常見的數(shù)據(jù)增廣方法包括旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪、平移、縮放、添加噪聲等[23， 37]。針對井下微震事件檢測，本文參考Zhang 等[42]提出的方法進(jìn)行數(shù)據(jù)增廣。其中，針對C2 樣本的增廣方法共有5 種。圖3 為原始樣本的三分量數(shù)據(jù)波形記錄，圖4 為對圖3 數(shù)據(jù)增廣后的結(jié)果。

圖4a 為顛倒檢波器順序：微震事件可能發(fā)生在檢波器陣列的上方或下方，顛倒檢波器順序可以模擬發(fā)生在不同位置的微震事件。

圖4b 為旋轉(zhuǎn)分量：微震事件可能發(fā)生在不同的方位角和不同的震源機(jī)制作用下。不同的方位角導(dǎo)致波形數(shù)據(jù)中的粒子運(yùn)動變化。旋轉(zhuǎn)分量可以模擬具有不同偏振角產(chǎn)生的復(fù)雜波形的微地震事件[42]。

圖4c 為移動P 波或S 波相位：P 波與S 波的到時(shí)差與檢波器的幾何分布、地下速度模型以及事件發(fā)生的位置等因素有關(guān)。通過隨機(jī)移動P 波和S 波波形來模擬由各種物理因素引起的到時(shí)差。本文從? 15 ms 到15 ms 之間隨機(jī)選擇一個(gè)值進(jìn)行移動P波到時(shí)或者S 波到時(shí)。此外，為了防止移動后S 波的到時(shí)早于P 波到時(shí)，選擇最小P、S 波到時(shí)差為25 ms。

圖4d 為調(diào)整P 波振幅：調(diào)整P 波振幅有助于提高模型的泛化能力。我們選擇對S 波之前的P 波波形隨機(jī)乘以值為0. 2～1. 2 的因子。當(dāng)因子較小時(shí)，樣本主要顯示S 波波形，可模擬單震相事件。

圖4e 為添加噪聲：信噪比是影響微地震事件檢測精度的一個(gè)重要因素。噪聲類型的多樣性有利于提高網(wǎng)絡(luò)模型的檢測準(zhǔn)確度。本文選擇了4 種不同類型的噪聲改變事件的信噪比。第一種為實(shí)際數(shù)據(jù)噪聲。首先從原始的監(jiān)測數(shù)據(jù)中截取了50 個(gè)噪聲窗口，隨機(jī)選擇一個(gè)噪聲窗口疊加到微震事件波形中。

通過隨機(jī)設(shè)置信噪比模擬被不同程度噪聲污染的事件。第二種為高斯白噪聲。本文選擇的高斯白噪聲約為信號最大值的5×10?3～5×10?2 倍。第三種添加脈沖噪聲。脈沖噪聲絕對值為1，脈沖出現(xiàn)的概率范圍為10?2～10?3。第四種添加正弦波噪聲，正弦波頻率為3～6 Hz，振幅為0. 05～0. 30 個(gè)單位。

C3 與C4 樣本的數(shù)據(jù)增廣方法通過截取C2 樣本實(shí)現(xiàn)。以C2 樣本中所有檢波器中最后的P 波到時(shí)與最初的S 波到時(shí)的平均值為基點(diǎn)，隨機(jī)選擇? 25 ms～25 ms 的擾動，拆分窗口。分別得到一個(gè)C3 樣本以及一個(gè)C4 樣本。然而，拆分的樣本不滿足時(shí)窗長度要求，需要對P、S 波前后的噪聲進(jìn)行插值或截?cái)?，得到滿足時(shí)窗長度要求數(shù)據(jù)集。

針對C5 的數(shù)據(jù)增廣方法一共兩種：

（1） 兩個(gè)C2 樣本疊加。從C2 樣本中隨機(jī)選取兩個(gè)事件進(jìn)行疊加。如果兩個(gè)選取的C2 樣本距離較近，則疊加后的樣本難以區(qū)分是C2 或是C5，因此本文規(guī)定兩個(gè)疊加事件的P 波到時(shí)差需要超過100 ms。

此外，通過乘以值為0. 5～1. 0 的一個(gè)因子改變振幅，更加貼合實(shí)際情況。

（2） 一個(gè)C2 樣本與一個(gè)C3 或者C4 樣本疊加。具體做法是將一個(gè)位于時(shí)窗前部S 波與一個(gè)任意位置的C2 樣本疊加，或者是一個(gè)位于時(shí)窗后部的P 波與一個(gè)任意位置的C2 樣本疊加。

本文從野外原始記錄的波形數(shù)據(jù)中分別截取5種數(shù)據(jù)樣本，并通過以上數(shù)據(jù)增廣方法進(jìn)行數(shù)據(jù)增廣，數(shù)據(jù)集增廣前、后個(gè)數(shù)如表1 所示。數(shù)據(jù)集個(gè)數(shù)從91 增加到22431，5 種數(shù)據(jù)樣本的比例分別為19. 83%，20. 28%，19. 97%，20. 01% 以及19. 98%。最后將數(shù)據(jù)集按8：2 的比例劃分為訓(xùn)練集以及驗(yàn)證集，訓(xùn)練集與驗(yàn)證集個(gè)數(shù)分別為17944、4487。

2 方法與訓(xùn)練結(jié)果

2. 1 殘差學(xué)習(xí)模塊

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)層數(shù)增加時(shí)，易出現(xiàn)梯度消失的問題。He 等[24]在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加跨層數(shù)據(jù)通路（圖5 黑色折線），加強(qiáng)了層與層之間的溝通，該神經(jīng)網(wǎng)絡(luò)被稱為殘差網(wǎng)絡(luò)（Residual Net?work，簡稱ResNet）。該網(wǎng)絡(luò)主要由殘差塊堆疊而成。圖5 是本文所使用的殘差塊結(jié)構(gòu)，輸入x 依次進(jìn)入卷積層、批量規(guī)范化層（Batch NormalizationLayer， 簡稱BN 層）、ReLU 激活層、卷積層、BN 層以及ReLU 層，同時(shí)在最后一個(gè)ReLU 層之前，加入了跨層連接，得到映射函數(shù)F（x）+x。需要注意的是，殘差塊的輸入x 與最終輸出的數(shù)據(jù)形狀是相同的。

2. 2 殘差網(wǎng)絡(luò)結(jié)構(gòu)

圖6 為本文殘差模型的架構(gòu)。模型的輸入大小為 n×1001×36（ n 為訓(xùn)練樣本個(gè)數(shù)，1001 為時(shí)間采樣點(diǎn)，36 為12 個(gè)三分量檢波器的道數(shù)）的波形數(shù)據(jù)。其中，第二個(gè)通道的排列順序?yàn)椋旱? 個(gè)檢波器的N、E、Z 分量；第2 個(gè)檢波器的N、E、Z 分量；以此類推。首先，模型第一層是通道數(shù)為64、步長為2 的7 × 7 的卷積層，隨后依次進(jìn)入BN 層、RuLU 層、以及步長為2 的3 × 3 的最大池化層。此時(shí)的輸出將進(jìn)入堆疊的殘差塊。按順序包括3 個(gè)通道數(shù)為64、3 個(gè)通道數(shù)為128、3 個(gè)通道數(shù)為256 和3 個(gè)通道數(shù)為512 的殘差塊。由于每個(gè)殘差塊包含2 個(gè)卷積層，再加上第一層7 × 7 的卷積層，該網(wǎng)絡(luò)一共包含了25 個(gè)卷積層。其中，第1、第8、第14 和第20 層的卷積層步長為2，其余步長均為1。隨后，輸出與全局池化層相連。最后，使用包含5 個(gè)神經(jīng)元的全連接層并使用Softmax 分類器輸出5 個(gè)值，分別對應(yīng)輸入樣本為C1、C2、C3、C4、C5 的概率，其中最大概率值對應(yīng)的類別即為該網(wǎng)絡(luò)的預(yù)測結(jié)果。

深度學(xué)習(xí)的損失函數(shù)與地球物理反演中的目標(biāo)函數(shù)十分相似，用于估計(jì)模型的預(yù)測值與真實(shí)值的差別程度。在分類問題中，多使用交叉熵?fù)p失函數(shù)衡量輸入的真實(shí)概率分布p 和預(yù)測概率分布q 之間的差異H （ p，q），即

式中： xi 表示第i 個(gè)數(shù)據(jù); N 代表數(shù)據(jù)總數(shù)。損失函數(shù)可使用Adam 優(yōu)化算法迭代求解，每次迭代后，卷積核和權(quán)重將會被更新。

2. 3 訓(xùn)練過程和模型評估

模型在RTX3060 圖像處理器上進(jìn)行訓(xùn)練，訓(xùn)練時(shí)長約為145 min。經(jīng)過100 次迭代后，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確度損失曲線均得到收斂（圖7）。其中，訓(xùn)練集準(zhǔn)確度達(dá)到99. 96%，訓(xùn)練集損失值約為0. 0017；驗(yàn)證集準(zhǔn)確度達(dá)到99. 82%，驗(yàn)證集損失值約為0. 0082。

本文使用歸一化的混淆矩陣（Confusion Matrix）進(jìn)一步分析了模型性能?；煜仃囌故玖艘粋€(gè)分類器對樣本進(jìn)行分類時(shí)產(chǎn)生的錯(cuò)誤，即真實(shí)類別被分為其他類別的錯(cuò)誤。圖8 為五分類模型驗(yàn)證集的歸一化混淆矩陣，矩陣主對角線為預(yù)測標(biāo)簽與真標(biāo)簽吻合的概率值。在驗(yàn)證集中C1 與C3 樣本全部預(yù)測正確，個(gè)數(shù)分別為890 與896，所以對應(yīng)的主對角線的值為1；C2 個(gè)數(shù)為個(gè)910 個(gè)，其中被正確預(yù)測的個(gè)數(shù)為908，占比為99. 8%; 898 個(gè)C4 樣本中有897 個(gè)預(yù)測正確，占比99. 9%；893 個(gè)C5 樣本中有887 個(gè)預(yù)測正確，占比99. 4%，其中有6 個(gè)C5 樣本被錯(cuò)誤預(yù)測為C2 樣本。

2. 4 數(shù)據(jù)降維可視化

降維可視化是將高維數(shù)據(jù)轉(zhuǎn)換為二維或三維的可視化展示，有助于更好地理解和分析數(shù)據(jù)，從而找到數(shù)據(jù)中的模式和規(guī)律。

神經(jīng)網(wǎng)絡(luò)可以把高維度復(fù)雜的數(shù)據(jù)輸出為線性可分的語義特征，最后只需要一層線性分類器即可把數(shù)據(jù)進(jìn)行分類，這說明倒數(shù)第二層的語義特征在高維度中線性可分。本文使用 T?SNE（ t?Distributed Sto?chastic Neighbor Embedding）降維方法。T ? SNE 是一種用于高維數(shù)據(jù)降維可視化的算法，其主要思想是將高維數(shù)據(jù)映射到低維空間中，使數(shù)據(jù)點(diǎn)之間的相對距離在低維空間中保持不變或最大化。

本文將驗(yàn)證集在倒數(shù)第二層（全局池化層）輸出的語義特征進(jìn)行降維（圖9）。雖然個(gè)別事件被錯(cuò)誤分類，但五分類數(shù)據(jù)集確實(shí)線性可分。

3 五分類算法檢測流程與應(yīng)用

3. 1 五分類事件檢測流程

本文提出的五分類算法將輸入樣本預(yù)測為噪聲、完整的微震事件、只含P 波、只含S 波、多個(gè)微震事件五類。但在實(shí)際應(yīng)用中，最終需要獲得同時(shí)包含P 波和S 波的微地震事件，而五分類算法中的C3 與C4樣本并不是完整的微震事件。因此，需要通過移動時(shí)窗再次處理C3 與C4 樣本，從而得到完整的微震事件用于震源定位。

首先，把野外采集的連續(xù)波形記錄（圖10a）按照長度為1001 的時(shí)窗（ 約為500 ms）進(jìn)行切分（ 圖10b），不同于二分類模型，五分類樣本的時(shí)窗沒有重疊。得到規(guī)定長度時(shí)窗后，進(jìn)行歸一化處理，輸入到訓(xùn)練好的模型中進(jìn)行分類；然后利用訓(xùn)練好的ResNet 模型把時(shí)窗預(yù)測為C1、C2、C3、C4 和C5 五類（圖10c）。C2 類型可直接用于微地震定位。通過分析可知，若相鄰兩個(gè)樣本預(yù)測結(jié)果為C3 和C4，則大概率是一個(gè)微地震事件被截?cái)喑蓛刹糠?，將C3 樣本向后時(shí)移或者C4 樣本向前時(shí)移即可。本文選取200 ms 進(jìn)行時(shí)窗移動能夠獲得完整的微震事件。如果C3 或C4 類型單獨(dú)出現(xiàn)，同樣向后或者向前移動200 ms，然后用于微地震定位。此外，C5 樣本情況較為復(fù)雜，可以對樣本進(jìn)行人工處理后再用于定位。

3. 2 五分類模型應(yīng)用

隨機(jī)選取未用于模型訓(xùn)練的原始波形記錄作為測試數(shù)據(jù)進(jìn)行模型測試， 數(shù)據(jù)長度為17517 ms（ 圖11）。該段數(shù)據(jù)的水力壓裂事件較為密集，信噪比范圍較廣，可充分測試五分類模型性能。首先，把該測試數(shù)據(jù)按1001 數(shù)據(jù)點(diǎn)的時(shí)窗大小截取，可以得到35 個(gè)樣本。所有樣本經(jīng)過歸一化處理后，輸入到ResNet 模型中進(jìn)行預(yù)測。通過人工檢查，測試數(shù)據(jù)中一共包括23 個(gè)微地震事件。

把預(yù)測結(jié)果按照順序并把不同類別標(biāo)簽的時(shí)窗用不同顏色標(biāo)注出來（圖12a）。據(jù)統(tǒng)計(jì)，五分類模型預(yù)測結(jié)果為：9 個(gè)C2、5 個(gè)C3、5 個(gè)C4 以及3 個(gè)C5。其中，相鄰兩個(gè)樣本預(yù)測結(jié)果為C3 和C4 的情況有3次，為了防止反復(fù)拾取，此時(shí)只移動C4，故從C3 和C4 中一共得到7 個(gè)微地震事件。經(jīng)過人工檢查，3 個(gè)C5 事件一共包含7 個(gè)微地震事件，故成功拾取的微地震事件個(gè)數(shù)為23。

圖12b 與圖12c 是圖12a 中的兩個(gè)紅色虛線框位置的放大圖，分別是預(yù)測結(jié)果為C2 與C5 的低信噪比事件。該結(jié)果表明，ResNet 模型有很強(qiáng)的抗噪能力。

然后，將訓(xùn)練好的五分類模型應(yīng)用到該套水力壓裂數(shù)據(jù)的第14 個(gè)壓裂段的微地震事件檢測中。第14個(gè)壓裂段的壓裂時(shí)長約為135 min，把該數(shù)據(jù)按1001數(shù)據(jù)點(diǎn)（約為500 ms）的時(shí)窗大小截取，得到16204 個(gè)樣本。經(jīng)過統(tǒng)計(jì)，該壓裂段樣本的預(yù)測結(jié)果為：10889個(gè)C1、2830 個(gè)C2、955 個(gè)C3、824 個(gè)C4 以及706 個(gè)C5。預(yù)測時(shí)間為82 s。本文還利用不重疊時(shí)窗的二分類模型對該16204 個(gè)樣本進(jìn)行預(yù)測，預(yù)測結(jié)果為：12440 個(gè)C1、3764 個(gè)C2。

為了評估微地震檢測的準(zhǔn)確度，利用Zhang 等[42]提出的微地震到時(shí)拾取泛化模型對檢測出的事件進(jìn)行P、S 波到時(shí)拾取。該泛化模型的輸入為12 道三分量波形數(shù)據(jù)，輸出為12 道的P 波、S 波和噪聲的概率分布。對于輸入時(shí)窗的任意一道，可以將兩個(gè)最大概率值所在橫坐標(biāo)作為拾取的P 或S 波到時(shí)。Zhang等[42]規(guī)定這兩個(gè)拾取點(diǎn)之間的距離需要大于高斯分布半徑（20 ms），且拾取點(diǎn)的概率值大于0. 7。由于很多檢測的事件信噪比較低，拾取模型[42]的泛化能力不足夠完全正確拾取P 波和S 波到時(shí)。為了保證定位的準(zhǔn)確性，需要剔除拾取結(jié)果較差的事件。剔除標(biāo)準(zhǔn)為：①拾取網(wǎng)絡(luò)只拾取到單震相；②拾取的P 波或S波走時(shí)個(gè)數(shù)少于3 個(gè)；③時(shí)窗內(nèi)包含多個(gè)事件。

經(jīng)過剔除拾取結(jié)果較差的事件后，最終定位得到的五分類和二分類微震事件數(shù)分別為2844 個(gè)和1789 個(gè)。文中利用網(wǎng)格搜索的方法進(jìn)行微地震定位。震源搜索深度為2900～3500 m ，水平方向?yàn)?～500 m，搜索間隔為2 m。定位結(jié)果如圖13 所示。定位結(jié)果分布在壓裂井的附近，較為合理，表明兩種模型的檢測結(jié)果均具有較高的準(zhǔn)確度。但五分類檢測方法檢測出了更多數(shù)量的微震事件，進(jìn)而可更好地監(jiān)測壓裂過程和評估壓裂效果。

4 結(jié)論與認(rèn)識

本文提出了一種基于殘差網(wǎng)絡(luò)的微地震事件五分類檢測方法。通過有針對性的數(shù)據(jù)增廣方法，用較少的標(biāo)注數(shù)據(jù)獲得了較高精度的訓(xùn)練模型，模型訓(xùn)練集精度達(dá)到99. 96%，驗(yàn)證集精度達(dá)到99. 82%。分別采用五分類與二分類算法對野外監(jiān)測的連續(xù)數(shù)據(jù)進(jìn)行檢測，并對檢測結(jié)果進(jìn)行到時(shí)拾取，用于微地震定位。測試結(jié)果表明，五分類檢測方法檢測出了更多數(shù)量的微震事件。

值得注意的是，針對信噪比較差的實(shí)際數(shù)據(jù)，如果人工難以給出標(biāo)簽，可以先通過繞射疊加算法（不需要拾取P 波和S 波到時(shí)）進(jìn)行部分震源定位[43]，然后將能定位出事件的時(shí)窗作為訓(xùn)練樣本，并通過數(shù)據(jù)增廣方法擴(kuò)充數(shù)據(jù)集，從而用于模型的訓(xùn)練和后續(xù)壓裂數(shù)據(jù)的處理。此外，本文提出的五分類檢測算法的泛化性有待進(jìn)一步測試，未來可針對不同壓裂監(jiān)測數(shù)據(jù)特征進(jìn)行重新訓(xùn)練或者使用遷移學(xué)習(xí)算法以提高網(wǎng)絡(luò)模型的泛化能力。處理新的工區(qū)數(shù)據(jù)時(shí)，只需獲得較少的微地震事件，通過文中采用的數(shù)據(jù)增廣方法，便可進(jìn)行模型訓(xùn)練。