基于卷積神經網絡的微地震有效事件識別研究

摘要：在油氣田開發階段，通過分析微地震資料來確定裂縫的位置，對油藏動態進行監測和油田采收率的提高有重大意義。微地震有效事件識別是對微地震有效信號的拾取，很大程度上影響隨后的震源定位工作。卷積神經網絡已被廣泛應用于圖像分類與目標檢測。本文采用卷積神經網絡中的DenseNet模型，在網絡結構中使用Transition模塊連接兩個相鄰的密集塊，每個密集塊都采用BN-ReLU-Conv（1×1）-BN-ReLU-Conv（3×3）的結構，應用于四川南部某頁巖氣開發區水力壓裂資料拾取中。

關鍵詞：微地震;卷積神經網絡;DenseNet模型

1 引言

微地震監測作為一種快速發展的油藏工程管理工具，在油氣藏勘探開采過程中可進行儲層壓裂監測、油藏動態監測，可以優化油氣注采方案，降低開發成本，提高油氣產量，能夠大大縮短和降低儲層監測的周期與費用。目前微地震有效事件的自動拾取技術研究還處于初始階段，大多數適用于中等和大地震。因此往往會錯過許多低強度的地震。卷積神經網絡作為一種高效的前饋型神經網絡，但鮮有文獻將其應用到微地震識別方面，卷積神經網絡有很好的識別有效微地震事件的能力，它對波形“外貌特征”的高效提取應用在微地震方面可以做到快速識別微地震有效事件。

2 卷積神經網絡

2.1 卷積神經網絡定義

CNN是包含卷積計算且具有深度結構的前饋神經網絡，深度學習的代表算法之一。在典型卷積網絡中，一層完整的卷積網絡包含三個階段：第一階段稱為卷積層，該層執行類積操作生成組特征圖;第二階段稱為探測層，每個特征值被送入一個非線性激活單元中進行激活;第三階段稱為池化層，將下層提取到的特征進行采樣，縮小網絡規模。CNN每一層是二維平面，層與層之間的連接是局部連接，同一層的某些神經元到下層的權值被設置為相同，這稱為稀疏連接與權值共享。采用多個卷積特征，會計算出多個卷積特征矩陣。設置多個卷積層，可以提取多個不同特征用于最終的分類任務。歷經多輪卷積和池化之后，往往會在網絡末端嵌上一個或兩個全連接層對反復提取得到的特征進行分類。

2.2 卷積神經網絡特點

CNN的一大特點就是權值共享，極大程度上克服了權值多的計算訓練慢的缺點。考慮到并非所有神經元都與下一層中的某個神經元相連，所以連接是局部的且尊重神經元之間的相關性。這樣可以防止訓練時間過長及過度擬合，只要全連接MLP的權重數量隨著圖像尺寸的增加而增加。層中的神經元以維度排列，通常是三個維度，以寬度、高度和深度的形式放置在一個陣列中，將視覺系統模型化，使其能夠在物體即使存在偏移、輕微形變的情況下也能完成識別。CNN訓練過程可以被視為使用交互式前向傳播和反向傳播來解決復雜的非線性逆問題。前向傳播的目的是根據設計的網絡和更新的參數計算分類輸出，而反向傳播的目標是更新這些參數。

3 構建微地震有效事件識別模型

3.1 密集塊

一個完整的DenseNet要包括3個密集塊，在密集塊的內部每個特征圖都必須保持大小一致，每層輸入采用concatenate連接，而與ResNet不同，后者采用element-wise連接。在網絡內部每個節點代表批歸一化+ReLU+卷積，每個卷積層都是3*3*k的過濾器。在過渡塊中，池化層會改變特征圖的大小，以提高效率。過渡層節點是批歸一化-卷積-池化結構組成，卷積是1×1的卷積，密集塊內部的每個節點也是密集連接的。一個密集塊是由L層密集層組成，每層的輸出都是不變的，輸入通道數是增加的，每層的輸入是前面所有層的并集。在密集塊的內部可以采用瓶頸層來減少計算量。瓶頸層的設計主要在是原有的結構中增加了1x1的卷積，即批歸一化+ReLU+1x1卷積+批歸一化+ReLU+3x3卷積。在所有的密集塊中，各個層在進行了卷積之后均輸出k個特征圖。

3.2 過渡層

在密集塊中，每經過一個卷積塊，就會增加k個特征圖。因此，我們需要在一個密集塊的后面加入過渡層來使一定數量的特征圖的到壓縮，從而保證訓練的高效性。過渡層包括一個1x1的卷積和2x2的平均池化，結構為批歸一化+ReLU+1x1卷積+2x2的平均池化。過渡層被用來放在兩個密集塊的中間，這是因為每個密集塊在運行結束后的輸出通道數很多，需要用1×1的卷積核來達到降維的效果。過渡層可以起到壓縮模型的作用。

4 模型實例研究

基于構建的微地震有效事件識別模型，將構建的DenseNet模型應用于四川南部某頁巖氣開發區水力壓裂資料拾取中。從該地區的地震觀測數據記錄中，挑選出2826個微地震有效事件和2024個不同形成背景的噪聲事件構成原始數據集。絕大多數微地震有效事件的震級在1～3級之間。原始數據集圖像的原始分辨率均為222×166，使用resize函數將圖片裁剪為合適的分辨率。設置好相關參數后，將處理后的數據載入模型訓練。

5 結果分析與評估

由運行結果可見，當訓練集與測試集的比例為1：1時，訓練到100代，也就是2500次時，測試集準確率已達到了99%，模型已經穩定了;當訓練集與測試集的比例為3：1時，若數據為64×64，用CPU進行運算，訓練到100代，也就是2500次左右時，測試集準確率已經達到了99.7%。train_acc和valid_acc兩者在較高的水平，并且數值是非接近，這樣的網絡模型就是合格的。綜上構建的神經網絡模型效果是理想的，有很好的識別有效微地震事件的能力。

參考文獻

[1]陸文凱， 牟永光. 利用BP神經網絡進行測井資料外推[J]. 石油地球物理勘探， 1996， 31（5）： 712-715.

[2]劉晗， 張建中. 微震信號自動檢測的STA/LTA算法及其改進分析[J]. 地球物理學進展， 2014， 29（4）： 1708-1714.

[3]劉瑞林， 馬在田. 神經網絡在油氣評價和預測方面的研究現狀[J]. 地球物理學進展， 1995， 10（2）： 75-84.

[4]呂世超. 微地震有效事件識別及震源自動定位方法研究[D]. 北京：中國石油大學（北京）， 2011.

作者簡介：楊敏（1995-），女，漢族，四川省仁壽縣人，碩士，單位：西華大學計算機與軟件工程學院，研究方向：計算機技術