卷積神經網絡微地震事件檢測

王維波 徐西龍 盛 立 高 明

（中國石油大學（華東）控制科學與工程學院，山東青島266580）

0 引言

水力壓裂微地震監測是非常規油氣資源勘探、開發領域的一項重要技術［1］。水力壓裂通過井筒向目標儲層注入高壓流體，使地層巖石破裂而釋放能量級別很低的微地震信號［2-3］，在水力壓裂施工過程中進行微地震監測，通過處理監測數據，確定每個微地震事件的震源點，進而通過一系列震源點的分布描述壓裂裂縫形態和分布規律［4-5］。因此，快速、準確地檢測微地震事件是后期微地震數據處理的基礎。

目前，微地震事件檢測技術主要借鑒天然地震自動檢測方法［6］，發展了多種地震事件自動識別方法［7］，包括長短時窗比（STA／LTA）、自回歸Akaike信息準則（AR-AIC）等方法［8］。近年來，人們提出了諸多震相自動識別方法。張喚蘭等［9］提出基于時窗能量比和AIC 的微震初至拾取兩步法。Shang等［10］組合STA／LTA、AIC、信號的峰度和偏度，提出了多種初至拾取算法，能處理信噪比更低的信號。曹俊海等［11］提出基于局部相關譜約束的多道匹配追蹤算法識別微地震信號。

大規模的地面微地震監測陣列在水力壓裂監測過程中產生了海量監測數據，而微地震事件的發生時刻是不確定的，需要研究從海量監測數據中自動識別有效微地震信號的算法，以提高數據處理效率。深度學習中的一些算法框架的特性特別適合處理海量數據并自動提取海量數據特征，其中以卷積神經網絡（CNN）的應用最為廣泛。由于微地震事件檢測是一個從數據中提取特征的過程，因此可以將CNN 用于微地震數據處理。陳潤航等［12］從震源波形中提取梅爾倒譜系數（MFCC）圖，基于CNN 建立識別天然地震事件振動波形與爆破事件振動波形的分類器。趙明等［13］使用汶川地震余震事件波形構建數據集，搭建CNN 訓練和測試模型，成功實現了地震事件和噪聲的分類，展示了CNN 在實時地震監測方面的巨大潛力。在微地震事件檢測方面，Bi等［14］提出了一種結合深度卷積神經網絡（DCNN）和支持向量機（SVM）自動識別微震波形的方法，利用DCNN 模型自動學習多通道波形圖像數據的特征，結合SVM 對多通道波形分類。

與前人研究不同，本文考慮地震事件與微地震事件在特征上的相似性，提出了一種通過統計同一事件各站點波形數據的分類結果判別微地震事件的方法。該方法使用由水力壓裂實際監測數據訓練和測試搭建的CNN 模型，將待檢測數據進行簡單的預處理后直接輸入到性能良好的模型中，以其各站點波形數據分割而成的樣本數據分類為基礎，統計同一事件的各站點波形數據的分類結果，投票決定該事件是否屬于微地震事件。本文采用合成信號分析所提方法的抗噪性，采用川渝地區多口油氣井加砂壓裂地面微地震監測數據分析所提方法對不同井的泛化能力，結果證明所提方法可以自動識別實際微地震監測信號。

1 CNN

1.1 CNN 介紹

CNN 是一種特殊的深度神經網絡（圖1），其稀疏連接和權值共享的特性可以減少網絡參數，降低網絡模型的復雜度［15］。自Lecun 等［16］提出CNN以來，在語音識別和自然語言處理等領域都取得了較好應用效果，其性能也在不斷改進［17］。

圖1 CNN 結構圖

1.2 CNN 工作機制

1.2.1 CNN 的前向傳播

卷積層通過使用卷積核以固定步長遍歷一次輸入信號，對輸入的局部區域進行卷積運算

卷積層后面周期性插入的池化層可以壓縮輸入的數據矩陣，從而簡化從卷積層輸出的信息，即

式中down（·）表示下采樣函數。

全連接層的作用是配合輸出層將濾波級提取的特征進行分類，即

式中各符號含義同上。

1.2.2 CNN 的反向傳播

在處理分類問題時，Softmax函數一般作為分類器的輸出，表示n 個不同類的概率分布。根據第i個樣本的標簽向量yi與模型預測的概率向量y*i構造損失函數，即

式中：m 為樣本個數；C 為Softmax交叉熵。模型參數通過梯度下降算法更新，反向傳播使損失函數的信息通過網絡向后流動，完成梯度的快速計算［19］。對于單個樣本，反向傳播對于不同層的梯度計算步驟為：

（1）首先定義靈敏度誤差

式中誤差項δl表示第l層神經元輸入對損失函數的影響。

（2）根據不同情況計算不同層誤差靈敏度

1）如果當前第l層是卷積層，那么第l－1層的誤差項為

2）如果當前l層是池化層，那么第l－1層的誤差靈敏度為

式中upsample（·）為上采樣操作。

3）如果當前l層是全連接層，那么第l－1層靈敏度誤差為

（3）在確定各層靈敏度誤差后，計算損失函數對權重W 以及偏置b 的梯度

2 CNN 模型搭建

2.1 數據收集與數據預處理

陣列式地面微地震監測系統包括幾十個甚至上百個站點，使用高靈敏度三分量檢波器采集微地震信號。實驗數據分為實際數據和合成數據，均為垂直分量波形數據。實際數據為川渝地區多口油氣井加砂壓裂地面微地震監測數據，涉及不同類型的儲層和井數據，其中LG172井是一口常規油井，實際壓裂過程中監測的微地震信號較豐富。假設LG172井某個震源點發生破裂激發地震波，根據理論時差合成地面監測微地震數據——合成數據，可以模擬實際壓裂過程中釋放的微地震信號［20］。

將數據輸入到CNN 之前需要進行預處理。由于原始波形數據幅度波動較大，需要進行歸一化處理［21］，本文對每個通道數據均進行歸一化操作。此外，有效微地震信號在整個監測波形數據中占據的比例非常小，導致正、負樣本分布不均勻，致使神經網絡無法有效學習［22］，故采用分組處理的方法解決樣本均衡問題。分組處理是截取固定長度的數據作為一個樣本，其中包含微地震事件的為正樣本，手動標注為1，只含背景噪聲的為負樣本，手動標注為0［23］（圖2）。考慮到分組時要盡量保持正、負樣本數目對等，同時樣本數量不能太少，故將樣本長度設置為256個數據點。需要說明的是，樣本長度選擇并不是固定的，在構建數據集時可根據不同數據量選取不同長度。為了使損失函數的計算更為合理，使用One-Hot編碼（表1）。

圖2 微地震波形數據分組處理

表1 樣本類型編碼

本文采用微地震實際監測波形數據共849 條（用于檢測結果顯示的數據不在此范圍內），經過分組處理后得到含微地震事件的樣本1420個，含背景噪聲的樣本1541個。隨機抽取其中2000個樣本作為訓練集，961個樣本作為測試集。

2.2 模型構建

參考典型的CNN 架構，搭建檢測微地震事件的CNN 模型（圖3），采用2個卷積層、2個池化層、1個全連接層和1個輸出層的組合。這是由于輸入數據只有兩類，數據結構較簡單，盲目增加網絡層數會增大模型的存儲需求，從而降低統計效率。由于微地震波形為一維數據，因此采用一維卷積處理。各層參數設置如表2所示。

圖3 基于CNN 的微地震事件檢測模型構建

表2 CNN 模型參數設置

2.3 微地震事件檢測流程

基于CNN 的微地震事件檢測方法主要分為數據處理、模型訓練和實時數據檢測三部分。如圖4所示，原始數據經過預處理后分為訓練集樣本和測試集樣本。將訓練集樣本導入CNN 模型訓練，訓練完成后將測試集樣本輸入到網絡中評估模型性能。由于訓練集和測試集無重復樣本，因此可以模擬模型在實際部署之后的情況。如果模型性能表現較差，則返回調節樣本長度和模型參數。如果模型性能良好，將多站點待檢測數據歸一化處理后截取為同樣長度的待檢測樣本，然后按批輸入到模型中，由此檢測出各站點包含有效事件信號波動的樣本號，根據各站點有效事件信號到時較接近的特點，通過統計同一事件各站點波形數據的分類結果判別微地震事件。

圖4 基于CNN 的微地震事件檢測流程

3 模型訓練以及檢測結果

3.1 CNN 模型性能

本文采用Python語言和Tensorflow 架構作為編程環境，訓練過程采用適用性估計（ADAM）優化算法，學習率為0.001。為了抑制過擬合同時加入了Dropout調整策略（訓練時保留率為0.5，在測試時保留率為1.0，即所有隱層節點均參與運算）。在輸入樣本的過程中，引入了mini-batch（小批次，訓練中設置為20個樣本）降低運算復雜度。每次訓練輸入一個小批次樣本，循環訓練所有批次，將所有數據迭代一遍稱為一個Epoch。本實驗在配備Intel Core i5-7400 3.0GHz處理器和8GB內存的PC上訓練20個Epoch（約1800次迭代），之后測試網絡模型的性能。經過多次測試，最終得到的模型參數如表2所示。訓練過程中準確率和損失函數曲線分別如圖5和圖6所示。

圖5 準確率變化曲線

圖6 損失函數值變化曲線

3.2 合成信號檢測結果

由于陣列式地面微地震監測系統的檢波器都埋設于地表的淺層土壤，易受各種干擾的影響［24］，因此檢驗所提方法的抗噪性能非常必要。針對某個震源點，疊加雷克子波和高斯隨機噪聲生成合成信號，根據震源點到地面監測站點的正演走時偏移每一道雷克子波。定義信號信噪比為

式中：A（tk）為子波信號序列；N（tk）為噪聲序列。

圖7為不同信噪比的合成信號。由圖可見：當無噪聲（圖7a）以及信噪比為15dB 時（圖7b），合成信號的初至清晰，可直接判別為微地震事件；隨著信噪比減小，噪聲污染愈加嚴重，如當信噪比為6dB時（圖7c），噪聲開始明顯影響有效信號，當信噪比為0.5dB時（圖7d），有效信號幾乎被噪聲淹沒，肉眼較難觀察到有效信號，需要仔細甄別才能確定微地震事件（圖8）。

圖7 不同信噪比的合成信號

將圖7中的合成信號的波形數據分別輸入到性能良好的CNN 模型中，檢測結果如表3 所示。表中事件檢測通道比Mi定義為

式中：Y 為陣列式地面微地震監測系統中監測站點的總數；Xi為將第i個樣本分類識別為包含有效事件信號的樣本的站點數。對于第i個樣本，遍歷站點1～Y，若其中某個站點中該樣本被分類識別為包含有效事件信號，則Xi＝Xi＋1。根據微地震事件的特點，并反復對比由該方法得到的微地震事件檢測結果和人工標注的微地震事件，若以第i個樣本為中心，左、右兩個樣本范圍內的樣本被分類識別為包含有效事件信號，則Xi＝Xi＋1，即

圖8 圖7d事件有效信號局部（紅藍標尺內多個數據道）放大

表3 i＝65時各合成信號檢測結果

當實際壓裂過程中發生微地震事件時，通常觸發多個監測站點的檢波器采集并存儲相應的波形數據。同一事件各站點待檢測波形分割的樣本數據可能被分類識別為包含有效事件信號，也可能被識別為背景噪聲。微地震事件的檢測以其各站點波形數據分割而成的樣本分類為基礎，若高于一定比例（文中設定為50%，這個比例可根據實際信號質量情況而定）站點中的第i個樣本（或者其左、右兩個樣本范圍內的樣本）被分類識別為包含有效事件信號，即Mi≥50%，就可認為該事件為微地震事件；反之為背景噪聲。根據Mi值判別微地震事件類似投票表決的過程。

由表3可見：當無噪聲以及波形數據信噪比較高（15dB）時，65號樣本的M 值均為100%，即全部站點監測數據的65號樣本均被識別為包含有效事件信號，因此可認為該事件為微地震事件；當波形數據信噪比降至0.5d B 時，65 號樣本的M 值也為100%。隨著信噪比降低，檢測過程中出現個別站點的背景噪聲樣本被誤判為包含有效事件信號，如當信噪比為0.5dB 時，幾乎全部監測站點的波形數據都出現樣本誤判情況，但這些樣本只被個別的監測站點共同包含，即這些噪聲樣本號對應的M＜50%。

圖9為數值模擬合成信號部分站點監測波形數據檢測結果。由圖可見：當無噪聲（圖9a）以及波形數據信噪比為15dB（圖9b）時，得到的檢測結果幾乎相同，8個站點（圖中為1～8道）的波形數據均在4400～4656數據點（65號樣本）處檢測到有效事件信號；當波形數據信噪比為6dB時，8個站點也均在4400個數據點附近檢測到有效事件信號（圖9c），由于信噪比降低，在第3道的6100～6356數據點（72號樣本）處以及第6道的8300～8556數據點（80號樣本）處出現個別站點的背景噪聲樣本被誤判為包含有效事件信號樣本的情況；當信噪比為0.5dB（圖9d）時，8個站點中的7個站點的波形數據都出現噪聲樣本被誤判為包含有效事件信號樣本的情況。

考慮到實際壓裂過程中微地震事件的信號幅值波動較大，同時在上述實驗中可能存在由于使用雷克子波振幅較大，導致有效信號容易識別。為此，將合成信號中的雷克子波的振幅分別降至13、10、7、5和3，分別隨機疊加高斯白噪聲，得到信噪比分別為15、6、2d B的波形數據，再使用相同的CNN 模型進行測試。表4為SNR＝2dB、i＝65時各合成信號檢測結果。由表可見：①當子波振幅為15、13時，檢測結果與上述實驗相同。②隨著子波振幅降低，模型將65號樣本分類識別為包含有效事件信號的樣本的站點數Xi逐漸減少，因此得到的M 值也逐漸減小，但是當振幅為5 時，65 號樣本的M 值仍大于50%，仍可判斷該事件為微地震事件；當振幅為3時，65號樣本的M 值僅為28.13%，故文中方法沒有檢測到微地震事件。

表4 SNR＝2dB、i＝65時各合成信號檢測結果

圖9 數值模擬合成信號部分站點監測波形數據檢測結果

3.3 實際壓裂過程中的微地震事件檢測結果

不同井的水力壓裂微地震監測波形數據均存在差異，這些差異主要由儲層巖石特性、壓裂方式、地表土壤層厚度等因素決定。由于不同監測站點與井的距離、環境干擾強度均不同，在一口井壓裂時，不同監測站點、不同時間段監測到的微地震信號也存在差異。為了檢驗所提方法對不同井的連續波形數據的泛化能力，在實際壓裂微地震事件檢測中使用多口井（包括普通油井和頁巖氣井）的陣列式地面微地震監測數據。在模型訓練完成以及測試性能符合要求后，首先利用該模型檢測LG172井其他時刻的微地震事件。圖10為LG172井地面監測站點不同樣本號的波形數據。由圖可見：①87 號樣本是一個31站點的微地震事件，其波形數據信噪比較高，信號明顯（圖10a）；96號樣本顯示的微地震事件雖然被噪聲污染，但是其信號能量較強，持續時間長（圖10b）；15號樣本的微地震波形數據噪聲污染嚴重，信噪比較低，信號微弱（圖10c）；上述3個樣本的M 值均大于50%（表5），故可判定為微地震事件。②113號樣本是夜間安靜環境下的背景信號（圖10d），全部監測站點中最多有5 個站點的波形數據的背景噪聲樣本被誤判為包含有效事件信號的樣本，其M 值仍小于50%（表5），因此判定為非微地震事件。圖11為圖10對應的檢測結果。

表5 LG172井監測波形數據的檢測結果

再利用相同的模型檢測N203井的部分微地震監測數據。圖12為N203井地面監測站點不同樣本號的波形數據，圖13 為圖12 對應的檢測結果。由圖可見，相比于LG172井，N203井微地震信號初始幅度弱、中段幅度增強，同時持續時間較長。表現為：①76號樣本（圖12a、圖13a）、70號樣本（圖12b、圖13b）微地震事件的M 的值均大于50%，可以被有效地檢測。②69號樣本（或其左、右兩個樣本范圍內）（圖12c、圖13c）的微地震事件中僅有10個站點波形數據被模型分類識別為包含有效事件信號，這可能是由于部分地面監測站點采集的微地震信號波形較微弱所致，如第5道和第7道站點數據的有效信號波動幾乎接近背景噪聲；按照文中方法的原則，仍有半數監測站點的波形數據或其附近樣本被分類識別為包含有效事件信號，因此也可判斷該事件為微地震事件。③87 號樣本（圖12d、圖13d）的微地震事件中個別站點數據明顯受噪聲污染，出現模型將一些背景噪聲樣本誤判為包含有效事件信號樣本的情況，如第1道波形數據（圖13d）中大量的噪聲樣本被誤判，但是這些被誤判的背景噪聲樣本號僅被該站點數據包含，因此存在19個地面站點波形數據的87號樣本被分類識別為包含有效事件，對應的M 值為95%，因此可以判斷該事件為微地震事件（表6）。

圖10 LG172井地面監測站點不同樣本號的波形數據

圖11 LG172井地面監測站點不同樣本號的波形數據檢測結果

圖12 N203井地面監測站點不同樣本號的波形數據

圖13 N203井地面監測站點不同樣本號的波形數據檢測結果

表6 N203井監測波形數據的檢測結果

利用相同模型對川渝地區其他幾口井的典型波形數據進行微地震事件檢測，檢測結果表明所提方法均能有效判別微地震事件，因此具有良好的泛化能力。

4 結論

以往人們主要基于單站點波形數據識別微地震事件，對于強干擾造成的低信噪比信號，可能出現微地震事件誤判。文中方法根據陣列式地面微地震監測的特性，以單站點監測數據檢測結果為基礎，綜合考慮事件發生時各站點波形數據的特點判別微地震事件。該方法經過訓練確定合適的卷積神經網絡模型參數之后，可直接輸入實時采集的檢波器數據。本文主要對合成信號和川渝地區不同井的實際監測數據進行微地震事件檢測，得到以下認識：

（1）對于疊加不同噪聲的合成微地震信號，隨著信噪比降低，信號質量越來越差。當信噪比降至2dB和0.5dB時，有效信號幾乎被噪聲淹沒，雖然出現了一些樣本被誤判的情況，但是65號樣本對應的M 值仍大于50%，可確定為微地震事件，且合成信號中雷克子波振幅減小對檢測結果的影響不大。因此本文所提方法對于噪聲的容忍度高，能準確檢測不同信噪比的微地震事件。

（2）實際壓裂過程中不同井采集的微地震波形數據存在一定差異。以川渝地區LG172井和N203井為例，對信噪比較高、有效信號明顯，噪聲污染嚴重、信號微弱以及只存在背景噪聲的監測數據進行微地震事件檢測，均能有效判別微地震事件。因此本文所提方法對于川渝地區不同的連續波形數據具有良好的泛化能力，可以在實際水力壓裂過程中檢測微地震事件。

此外，與常規方法相比，本文方法無需人工設定閾值，在訓練過程中可自動提取特征和選擇最優參數。所用的卷積神經網絡模型在訓練完成后，對于陣列式地面微地震監測系統的32個監測站點拼接的單站點長度為30000數據點的待檢測波形數據，能夠在1s內輸出模型分類結果。同時，本文所用訓練數據相對簡單，通過增加訓練數據，模型在現有基礎上可以繼續進行訓練進而提高識別精度，這也是卷積神經網絡的優勢。