盛 立, 徐西龍, 王維波, 高 明

(中國石油大學(華東)控制科學與工程學院,山東青島 266580)

水力壓裂是非常規(guī)油氣資源勘探開發(fā)領域的一項重要技術[1-3]。水力壓裂過程中大量的高壓流體被注入目標儲層,導致地層巖石破裂,產生微地震事件[4]。通過處理分析微地震事件監(jiān)測數(shù)據,可以解釋壓裂區(qū)域和裂縫發(fā)育方向等信息,進而評價壓裂效果[5]。微地震事件檢測的目的是剔除噪聲干擾信號,因此快速、準確地檢測微地震事件是后期數(shù)據處理的基礎。面對海量的微地震監(jiān)測數(shù)據,人工識別微地震事件的方法難以滿足實際需求[6],而常規(guī)方法處理微地震數(shù)據的有效性依賴特征提取類型和閾值設定,如何建立高效的微地震數(shù)據分析模型,是解決事件檢測問題的新思路。近幾年,卷積神經網絡(CNN)憑借權重共享和稀疏連接的特性在語音識別、自然語言處理等領域廣泛應用[7-8]。最近,卷積神經網絡作為特征提取工具被用于地震數(shù)據處理領域中。Ross等[9]建立卷積神經網絡分類器實現(xiàn)南加州地區(qū)地震事件的震相和噪聲識別。張國印等[10]將卷積神經網絡與頻譜分解結合挖掘地震數(shù)據信息進行巖性儲層預測。馮其紅等[11]用卷積神經網絡建立對抗神經網絡框架預測氣竄方向。筆者利用時頻分析方法能夠有效體現(xiàn)微地震信號時頻域綜合信息的優(yōu)勢,利用S變換對微地震時域信號進行處理,建立時頻譜樣本數(shù)據集,建立深度卷積神經網絡進行訓練測試,實現(xiàn)時頻譜中抽象特征的自動提取。同時,考慮陣列式地面微地震監(jiān)測的特性,提出根據波形相關性綜合模型的分類結果判別微地震事件。

1 原理介紹

1.1 S變換

微地震監(jiān)測數(shù)據大都屬于非平穩(wěn)信號,而時頻分析方法在處理非平穩(wěn)信號時具有獨特的優(yōu)勢。S變換是由Stockwell等[12]提出的一種時頻分析方法,克服了一般方法中窗函數(shù)固定不變的問題,可以反映信號真正的時間頻率譜,完整地描述信號特征[13]。考慮到S變換優(yōu)越的時頻特性,利用該方法對微震數(shù)據進行二維時頻譜提取,經S變換后得到的時頻譜定義如下:

(1)

(2)

式中,x(t)為待轉換信號;w(τ-t,f)為高斯窗口;t為時間;f為頻率;τ為控制高斯窗口在t軸位置的時移參數(shù)。

1.2 卷積神經網絡

卷積神經網絡是一種具有深度結構的前饋神經網絡,其網絡特性顯著降低了模型的復雜度,減少了訓練參數(shù)的數(shù)量[14-15]。典型的卷積神經網絡通常由卷積層、池化層、全連接層和輸出層組成。

卷積神經網絡可以處理不同維度的輸入信號,其中卷積層通過使用卷積核遍歷輸入信號,對輸入的局部區(qū)域進行卷積運算[16],計算公式為

(3)

池化層在卷積層之后,通過下采樣壓縮輸入的數(shù)據矩陣。經過多個卷積層和池化層的交替疊加,全連接層將提取特征進行非線性組合,之后傳遞給依據任務設定的輸出層。訓練過程中,卷積神經網絡采用梯度下降算法最小化損失函數(shù),以更新模型參數(shù)。本文中損失函數(shù)根據標簽向量與模型預測的概率向量構造,使用的是softmax交叉熵,定義為

(4)

2 事件檢測模型構建

2.1 數(shù)據集構建

本文中數(shù)據主要來自于川渝地區(qū)LG172油井水力壓裂地面微地震監(jiān)測數(shù)據,這是一口常規(guī)儲層直井。觀測數(shù)據通過高靈敏度檢波器(采樣頻率1 000 Hz)采集所得,均使用垂直分量波形。由于有效微地震事件信號在整個監(jiān)測波形數(shù)據中占據比例非常小,直接使用會導致正負樣本分布不均勻,使得神經網絡無法有效學習。因此截取有效波動在內的1 000個數(shù)據點(采樣時間1 s)為預備正樣本,只含背景噪聲的數(shù)據為預備負樣本。

原始微地震監(jiān)測數(shù)據均為時域波形信號,并不包含頻域信息,直接輸入網絡可能影響模型的識別精度。因此需要對預備樣本進行時頻變換,以充分展現(xiàn)信號的時頻特征。經過S變換處理,一段時域信號的時頻譜正/負樣本如圖1所示。將正/負樣本標注為1/0,為了使交叉熵損失函數(shù)計算更為合理,使用One-Hot編碼。樣本類型1和0編碼分別為01和10。

本文中數(shù)據集共包括40個微地震事件,共有950條微地震事件監(jiān)測波形數(shù)據。經過上述處理后,得到含微震事件的時頻圖樣本850個,含背景噪聲的時頻圖樣本900個。其中隨機抽取1 225個樣本作為訓練集,525個樣本作為測試集。

圖1 時頻譜正/負樣本Fig.1 Positive/negative samples of spectrum

2.2 深度卷積神經網絡模型構建

建立如圖2所示的深度卷積神經網絡模型,其中,輸入數(shù)據具體形式為RGB格式的時頻譜樣本,可用 100×100×3的張量表示。本文中將網絡輸入通道設為3,因此可用二維卷積處理。圖中C2層為利用32個大小為5×5×3、步長為1的卷積核和2×2的池化區(qū)域對輸入圖像進行處理后的特征映射,C3層、C4層、C5層、C6層分別使用64、128、256、512個5×5×32、3×3×64、3×3×128、3×3×256卷積核以相同步長和相同大小池化區(qū)域對前一層的特征映射進行處理,經過10個交替排列的卷積層和池化層提取特征后,輸入至C7、C8全連接層進行特征一維化處理,最后采用softmax分類器作為網絡的輸出層,將抽象特征輸出為對應原始時頻譜樣本所屬分類的概率值,從而完成樣本分類。

圖2 深度卷積神經網絡模型Fig.2 Model of deep convolutional neural network

2.3 相關性分析

水力壓裂過程中微地震事件發(fā)生時,通常會觸發(fā)多個地面監(jiān)測站點的檢波器采集波形數(shù)據,因此監(jiān)測數(shù)據存在有效信號被多站點接收且到時接近的波形相關性。對于由背景強噪聲造成的低信噪比信號,利用單一站點的監(jiān)測波形數(shù)據來判別是否存在微地震事件容易誤判。因此可以利用卷積神經網絡對各站點監(jiān)測數(shù)據進行檢測,在此基礎上根據波形相關性進行微地震事件的自動識別。同一事件各站點待檢測數(shù)據樣本可能被卷積神經網絡分類識別為包含有效信號,也可能被識別為背景噪聲,在此基礎上若有一定比例(該比例可根據實際信號質量情況而定)以上的站點被分類識別為包含有效信號,則可確定為微地震事件,否則為背景噪聲。

2.4 微地震事件檢測流程

基于時頻分析和卷積神經網絡的微地震事件檢測方法主要分為數(shù)據處理、模型訓練和事件檢測3部分。如圖3所示,原始數(shù)據經過時頻變換等一系列預處理操作后分為訓練集和測試集。將訓練集樣本導入卷積神經網絡模型進行訓練,訓練完成后將測試集樣本輸入到網絡中進行模型性能評估。由于訓練集樣本和測試集樣本沒有重復,因此可以模擬模型實際部署之后的情況。如果模型性能良好,則保存模型參數(shù)。事件檢測時將待檢測數(shù)據經過類似預處理后按批輸入至保存的模型中,然后對模型輸出各站點數(shù)據檢測結果進行相關性分析,從而實現(xiàn)微地震事件的判別。

圖3 微地震事件檢測流程Fig.3 Flow chart of microseismic event detection

3 深度卷積神經網絡模型訓練

實驗在深度學習框架Tensorflow上進行,計算機基本配置為CPU Intel Core i5-7400處理器、3.0 GHz主頻和8 GB運行內存。訓練過程采用ADAM優(yōu)化算法,學習率為0.001,同時為了抑制過擬合加入Dropout調整策略。在訓練過程中,卷積層層數(shù)以及卷積核的數(shù)目和尺寸、池化層層數(shù)和尺寸、失活率和迭代輸入批次等結構參數(shù)都不同程度影響模型的檢測結果。因此為了優(yōu)化模型結構,以提高模型對事件的識別性能,本文中考慮準確率和訓練時間兩個指標,選取卷積層層數(shù)、池化區(qū)域、輸入批次和失活率4個關鍵參數(shù),進行多次實驗對比,結果見圖4。

圖4 模型參數(shù)選取Fig.4 Selection of model parameters

可以看出,不同參數(shù)的選取對于模型的訓練結果有較大影響。通過分析對比,確定了4個參數(shù)的較優(yōu)值,分別選取卷積層數(shù)為13、池化區(qū)域為2×2、輸入批次為30、失活率為0.5,其余參數(shù)憑經驗設定。在確定模型的基本結構后,分別將卷積神經網絡結合S變換(CNN+ST)與直接輸入時域信號(CNN),卷積神經網絡結合短時傅里葉變換(CNN+STFT),卷積神經網絡結合小波變換(CNN+CWT)等方法進行對比。通過選取不同形式的數(shù)據集輸入至同一模型中,分別為時域信號(1 750段),經短時傅里葉變換后的時頻譜,經連續(xù)小波變換后的時頻譜,經S變換后的時頻譜(各1 750張)。

將不同數(shù)據集輸入模型中,在輸入樣本的過程中引入小批量mini-batch(訓練設置為30個樣本)來加快網絡訓練速度。每次訓練輸入一個小批次樣本,循環(huán)訓練所有批次,將所有數(shù)據遍歷一遍稱為一個迭代周期。經過50個迭代周期(約2 000步迭代),各方法測試集準確率如圖5所示,各方法在不同迭代周期數(shù)值下的測試集損失函數(shù)值如圖6所示,各方法訓練所需時間以及識別單個樣本所需時間如表1所示。

圖5 4種方法的準確率Fig.5 Accuracy of four methods

由圖5可以看出,CNN方法的效果不理想,測試集準確率僅約為76.4%,這可能是由于數(shù)據集中包括許多低信噪比微地震事件,僅憑時域信息難以判別所致;CNN+STFT方法的效果有明顯改觀,測試集準確率最后穩(wěn)定在約93%;CNN+CWT的效果較好,測試集準確率約為96%;CNN+ST的效果最好,測試集準確率最終約收斂于99%。可見將時域信號經過處理轉換為時頻譜后的檢測結果要普遍優(yōu)于直接輸入時域信號。這說明相比于時域信號,時頻表達更能表現(xiàn)數(shù)據的變化特征,其中以S變換后得到的時頻譜為數(shù)據集效果最佳。

圖6 4種方法的損失函數(shù)Fig.6 Loss functions of four methods

表1 4種方法的時間效率

由圖6可以看出,隨著迭代周期的增加,各方法的測試集損失函數(shù)值不斷下降,最終趨于穩(wěn)定。其中CNN方法的收斂速度最快,在迭代周期為7時損失函數(shù)值就趨于穩(wěn)定,但相比于其他方法,損失函數(shù)值明顯較大。其余時頻特征圖結合卷積的方法收斂速度幾乎相同,均在迭代周期為13時才趨于穩(wěn)定。其中CNN+ST方法的損失函數(shù)值明顯小于其他方法。由表1可以看出,4種方法在訓練時間上存在一定差異,其中以CNN+ST方法訓練耗費時間最長,而CNN+CWT和CNN+STFT訓練時間略小,但都明顯大于CNN方法訓練時間。這是由于時頻譜較時域信號包含信息更豐富,而且分辨率越高的時頻譜包含信息越詳細,導致模型提取特征耗費時間越久,收斂速度越慢。不過在模型訓練完成以后,各種方法對單個樣本識別時間差距不大,時頻分析與卷積神經網絡組合的方法識別速度甚至更快。

為了降低隨機因素的影響,每組實驗重復5次,4種方法的比較結果如圖7所示。

圖7 重復實驗下4種方法的準確率Fig.7 Accuracy of four methods under repeated experiments

由圖7可以看出,無論是訓練集或測試集,CNN、CNN+STFT、CNN+CWT和CNN+ST方法所得到的平均準確率都是遞增的,與圖5分析類似。其中CNN+ST方法的平均測試準確率比效果最差的CNN方法和效果較好的CNN+CWT方法分別高23.73%和2.51%。同時,CNN+ST方法的訓練集和測試集標準差明顯較小,這意味著該方法具有較高的穩(wěn)定性。

綜上,CNN方法具有較快的收斂速度和訓練時間,但是其正確識別率及識別性能穩(wěn)定性較差。這是由于時域信號包含變化信息較少,特征提取不充分。相比之下,由于時頻譜包含時頻域的綜合信息,具有更加豐富的變化特征,所以CNN+STFT、CNN+CWT、CNN+ST的方法收斂較慢,訓練時間長,但是也具有更好的識別準確率和識別穩(wěn)定性。在3種卷積神經網絡結合時頻譜方法中,CNN+ST方法最佳,不僅具有較優(yōu)的收斂速度,較高檢測效率和準確率,而且識別性能穩(wěn)定性更好,因此選用該方法。

4 應用結果

分別對微地震合成信號和實際的微地震監(jiān)測數(shù)據進行事件檢測。其中模擬微地震的合成信號是通過假設LG172井某個震源點發(fā)生破裂釋放地震波,根據理論時差合成。實際數(shù)據則選用模型訓練中未使用的LG172井部分時刻的典型監(jiān)測數(shù)據。

4.1 檢測低信噪比事件可行性分析

為了測試S變換應用于低信噪比信號的有效性,分別對低信噪比的合成信號和實際監(jiān)測信號進行時頻變換。選用一段初至清晰的微地震監(jiān)測數(shù)據為初始信號,在此基礎上疊加高斯白噪聲,得到低信噪比的合成信號,之后對初始信號和低信噪比合成信號進行S變換,得到時頻譜如圖8所示。同時選取一段水力壓裂過程中的微地震監(jiān)測數(shù)據(圖9(a))進行變換,得到時頻譜(圖9(b))。

由圖8可以看出,對于信噪比較高的初始信號,無論是時域信號還是時頻譜,對于有效信號(波動部分)均有很高的辨識度,而對于圖8(c)中疊加噪聲的合成信號,其信號質量較差,有效信號幾乎被噪聲淹沒。對于經過S變換得到的時頻譜,雖然噪聲污染嚴重,但是有效信號的局部特征清晰,仍可確定該信號包含微地震事件。由圖9(a)可以看出,該段低信噪比數(shù)據有效信號部分(圖中標識處)幾乎被淹沒在噪聲中,較難觀察。但是在經S變換后的時頻譜中局部特征明顯,時域信息和頻域信息均能顯著反映。綜上,相比于時域信號,低信噪比信號的有效信號部分在時頻譜中具有更高的可辨識度,因此利用卷積神經網絡提取時頻譜的抽象特征以檢測低信噪比微地震事件具有可行性。

圖8 低信噪比合成信號可區(qū)分度對比Fig.8 Comparison of distinguish ability of synthetic signals with low signal-to-noise ratio

4.2 合成數(shù)據檢測結果

地面微地震監(jiān)測系統(tǒng)應用于實際壓裂過程中時,數(shù)據采集一般是埋設在地表淺層土壤的檢波器陣列完成的,不可避免地受到各種干擾的影響。為了便于量化分析,使用合成數(shù)據測試模型的抗噪能力。合成數(shù)據通過假設某震源點,疊加雷克子波和高斯隨機噪聲生成。圖10為信噪比為-6 dB和-12 dB時的合成信號,每個模擬站點的監(jiān)測數(shù)據長度為3 s,圖中截取了20個站點顯示。可以看出,信噪比為-6 dB時合成信號初至較清晰,一些局部位置被噪聲掩蓋,但通過有效信號的同相軸連續(xù)性仍可辨認出微震事件,而當波形數(shù)據信噪比為-12 dB時,由于噪聲污染嚴重,幾乎所有的有效信號都被淹沒在噪聲中。對于這樣的低信噪比微震數(shù)據,幾乎無法在時域采用人工方式或常規(guī)自動識別方法判別微震事件是否存在。

圖9 低信噪比實際監(jiān)測信號可區(qū)分度對比Fig.9 Comparison of distinguish ability of actual monitoring signals with low signal-to-noise

圖10 不同信噪比的合成信號Fig.10 Composite signals with different sigal-to-noise ratios

合成信號中8個站點的檢測結果如圖11中紅線標識所示(在圖中表示為1～8道),其中高位值表示檢測到了有效信號樣本,為便于觀察,圖中只截取包含有效信號在內的3 000個數(shù)據點顯示(在模型訓練中為3個樣本)。當波形數(shù)據信噪比為-6 dB時,8個站點均在1 000～2 000數(shù)據點處(第2個樣本)檢測到了有效事件信號(圖11(a)),且沒有出現(xiàn)誤判情況。當波形數(shù)據降至-12 dB時,8個站點中有7個站點在1 000～2 000數(shù)據點處檢測到了有效事件信號(圖11(b)),但是在第4道的0～1 000數(shù)據點(第1個樣本)處以及第6道的0～1 000數(shù)據點(第1個樣本)處均出現(xiàn)了背景噪聲樣本被誤判為包含有效信號樣本的情況,同時在第6道處1 000～2 000數(shù)據點(第2個樣本)被誤判為背景噪聲樣本?？紤]到地面微地震監(jiān)測系統(tǒng)各站點監(jiān)測數(shù)據的相關性,這些被誤判的樣本只被個別的監(jiān)測站點包含,因此并不影響微地震事件的判別。圖11中綠線標識為使用CNN方法進行檢測的結果,可以看出,對于-6 dB和-12 dB的合成信號,各道數(shù)據均出現(xiàn)大量的樣本誤判情況,若在此基礎上考慮各站點監(jiān)測數(shù)據的相關性,易造成微地震事件的誤判。

圖11 合成信號部分站點監(jiān)測波形數(shù)據檢測結果Fig.11 Detection results of waveform data monitored at some stations of synthetic signals

4.3 實際監(jiān)測數(shù)據檢測結果

油氣井壓裂地面微地震監(jiān)測信號的差異很大,這些差異主要由微地震事件對應的震源破裂規(guī)模和破裂尺度所決定。另外,由于監(jiān)測站點距離井的距離、壓裂設備震動強度不同,微地震波形數(shù)據受到的干擾程度也是不同的。圖12為4種典型的地面站點監(jiān)測數(shù)據,每個站點監(jiān)測數(shù)據長度為10 s?？梢钥闯?圖12(a)為一個33站點的微地震事件,其波形數(shù)據信噪比較高,信號明顯;圖12(b)顯示的微地震事件雖然幾乎沒有噪聲干擾,但是其信號微弱;圖12(c)中的微地震波形數(shù)據噪聲污染嚴重,信噪比較低;圖12(d)為夜間安靜環(huán)境下的背景信號。

圖12 LG172井地面監(jiān)測站點波形數(shù)據Fig.12 Waveform data of surface monitoring station of well LG172

利用CNN方法和CNN+ST方法對上述實際監(jiān)測數(shù)據進行微地震事件檢測,部分站點的檢測結果如圖13所示,其中紅綠線標識意義同合成信號檢測結果。為便于顯示,圖中只截取包含有效信號波動在內的3 000個數(shù)據點。由圖13可以看出,對于信噪比較高的微地震事件(圖13(a)),CNN方法和CNN+ST方法檢測效果都很好,8個站點均能檢測到有效信號。對于微弱微地震事件(圖13(b)),CNN方法出現(xiàn)了多個站點未檢測到有效信號的情況,CNN+ST方法也出現(xiàn)了個別站點未能成功檢測的情況,這可能由于部分地面監(jiān)測站點所采集到的微地震波形太微弱,如第2道站點數(shù)據,其有效信號波動幾乎不存在。對于低信噪比微地震事件(圖13(c)),CNN方法在第1、2、6、7和8道數(shù)據均出現(xiàn)多個樣本誤判,而CNN+ST方法也存在將個別背景噪聲樣本誤判為有效信號的情況,如第2道數(shù)據中2 000～3 000數(shù)據點(第3個樣本)。但從第1道與第2道數(shù)據檢測中可以看出,所提方法均能檢測到幾乎被噪聲淹沒的有效信號。對于背景噪聲(圖13(d)),CNN方法在第1道1 000～2 000數(shù)據點處出現(xiàn)樣本誤判情況,而CNN+ST方法在8個站點均未檢測到有效事件信號,且沒有出現(xiàn)樣本的誤判情況。

以上分別對低信噪比的合成信號和實際微地震監(jiān)測數(shù)據進行事件檢測,檢測結果表明CNN方法在檢測低信噪比事件和微弱事件時存在一定的局限性,而CNN+ST方法在各種情形下均能有效判別微地震事件,盡管出現(xiàn)部分樣本誤判情況,但在后續(xù)統(tǒng)計各站點波形分類結果時可根據地面微地震監(jiān)測數(shù)據的相關性排除誤判干擾,因此不會對微地震事件判別造成影響。

圖13 LG172井監(jiān)測信號部分站點的檢測結果Fig.13 Detection results of monitoring signal stations in well LG172

5 結束語

利用時頻分析方法中的S變換處理原始數(shù)據,建立時頻譜樣本數(shù)據集,通過對建立的深度卷積神經網絡模型進行訓練和測試,實現(xiàn)樣本的特征提取和分類識別。相比于傳統(tǒng)的識別方法,所提方法無需根據特定條件設定閾值,在模型訓練過程中可實現(xiàn)特征的自動提取。通過對低信噪比的合成信號以及LG172井的典型監(jiān)測數(shù)據進行事件檢測,證明了所提方法具有較好的應用效果。此外,單個卷積神經網絡模型不可能對于所有地區(qū)、所有類型井的監(jiān)測數(shù)據的檢測都有效,在后續(xù)研究中將通過改進S變換,擴展數(shù)據集容量等方法來提高模型的識別精度和應用范圍。