卷積神經(jīng)網(wǎng)絡(luò)微地震事件檢測(cè)

王維波 徐西龍 盛 立 高 明

（中國(guó)石油大學(xué)（華東）控制科學(xué)與工程學(xué)院，山東青島266580）

0 引言

水力壓裂微地震監(jiān)測(cè)是非常規(guī)油氣資源勘探、開發(fā)領(lǐng)域的一項(xiàng)重要技術(shù)［1］。水力壓裂通過(guò)井筒向目標(biāo)儲(chǔ)層注入高壓流體，使地層巖石破裂而釋放能量級(jí)別很低的微地震信號(hào)［2-3］，在水力壓裂施工過(guò)程中進(jìn)行微地震監(jiān)測(cè)，通過(guò)處理監(jiān)測(cè)數(shù)據(jù)，確定每個(gè)微地震事件的震源點(diǎn)，進(jìn)而通過(guò)一系列震源點(diǎn)的分布描述壓裂裂縫形態(tài)和分布規(guī)律［4-5］。因此，快速、準(zhǔn)確地檢測(cè)微地震事件是后期微地震數(shù)據(jù)處理的基礎(chǔ)。

目前，微地震事件檢測(cè)技術(shù)主要借鑒天然地震自動(dòng)檢測(cè)方法［6］，發(fā)展了多種地震事件自動(dòng)識(shí)別方法［7］，包括長(zhǎng)短時(shí)窗比（STA／LTA）、自回歸Akaike信息準(zhǔn)則（AR-AIC）等方法［8］。近年來(lái)，人們提出了諸多震相自動(dòng)識(shí)別方法。張喚蘭等［9］提出基于時(shí)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(hào)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(hào)。曹俊海等［11］提出基于局部相關(guān)譜約束的多道匹配追蹤算法識(shí)別微地震信號(hào)。

大規(guī)模的地面微地震監(jiān)測(cè)陣列在水力壓裂監(jiān)測(cè)過(guò)程中產(chǎn)生了海量監(jiān)測(cè)數(shù)據(jù)，而微地震事件的發(fā)生時(shí)刻是不確定的，需要研究從海量監(jiān)測(cè)數(shù)據(jù)中自動(dòng)識(shí)別有效微地震信號(hào)的算法，以提高數(shù)據(jù)處理效率。深度學(xué)習(xí)中的一些算法框架的特性特別適合處理海量數(shù)據(jù)并自動(dòng)提取海量數(shù)據(jù)特征，其中以卷積神經(jīng)網(wǎng)絡(luò)（CNN）的應(yīng)用最為廣泛。由于微地震事件檢測(cè)是一個(gè)從數(shù)據(jù)中提取特征的過(guò)程，因此可以將CNN 用于微地震數(shù)據(jù)處理。陳潤(rùn)航等［12］從震源波形中提取梅爾倒譜系數(shù)（MFCC）圖，基于CNN 建立識(shí)別天然地震事件振動(dòng)波形與爆破事件振動(dòng)波形的分類器。趙明等［13］使用汶川地震余震事件波形構(gòu)建數(shù)據(jù)集，搭建CNN 訓(xùn)練和測(cè)試模型，成功實(shí)現(xiàn)了地震事件和噪聲的分類，展示了CNN 在實(shí)時(shí)地震監(jiān)測(cè)方面的巨大潛力。在微地震事件檢測(cè)方面，Bi等［14］提出了一種結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）和支持向量機(jī)（SVM）自動(dòng)識(shí)別微震波形的方法，利用DCNN 模型自動(dòng)學(xué)習(xí)多通道波形圖像數(shù)據(jù)的特征，結(jié)合SVM 對(duì)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(guò)統(tǒng)計(jì)同一事件各站點(diǎn)波形數(shù)據(jù)的分類結(jié)果判別微地震事件的方法。該方法使用由水力壓裂實(shí)際監(jiān)測(cè)數(shù)據(jù)訓(xùn)練和測(cè)試搭建的CNN 模型，將待檢測(cè)數(shù)據(jù)進(jìn)行簡(jiǎn)單的預(yù)處理后直接輸入到性能良好的模型中，以其各站點(diǎn)波形數(shù)據(jù)分割而成的樣本數(shù)據(jù)分類為基礎(chǔ)，統(tǒng)計(jì)同一事件的各站點(diǎn)波形數(shù)據(jù)的分類結(jié)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(hào)分析所提方法的抗噪性，采用川渝地區(qū)多口油氣井加砂壓裂地面微地震監(jiān)測(cè)數(shù)據(jù)分析所提方法對(duì)不同井的泛化能力，結(jié)果證明所提方法可以自動(dòng)識(shí)別實(shí)際微地震監(jiān)測(cè)信號(hào)。

1 CNN

1.1 CNN 介紹

CNN 是一種特殊的深度神經(jīng)網(wǎng)絡(luò)（圖1），其稀疏連接和權(quán)值共享的特性可以減少網(wǎng)絡(luò)參數(shù)，降低網(wǎng)絡(luò)模型的復(fù)雜度［15］。自Lecun 等［16］提出CNN以來(lái)，在語(yǔ)音識(shí)別和自然語(yǔ)言處理等領(lǐng)域都取得了較好應(yīng)用效果，其性能也在不斷改進(jìn)［17］。

圖1 CNN 結(jié)構(gòu)圖

1.2 CNN 工作機(jī)制

1.2.1 CNN 的前向傳播

卷積層通過(guò)使用卷積核以固定步長(zhǎng)遍歷一次輸入信號(hào)，對(duì)輸入的局部區(qū)域進(jìn)行卷積運(yùn)算

卷積層后面周期性插入的池化層可以壓縮輸入的數(shù)據(jù)矩陣，從而簡(jiǎn)化從卷積層輸出的信息，即

式中down（·）表示下采樣函數(shù)。

全連接層的作用是配合輸出層將濾波級(jí)提取的特征進(jìn)行分類，即

式中各符號(hào)含義同上。

1.2.2 CNN 的反向傳播

在處理分類問(wèn)題時(shí)，Softmax函數(shù)一般作為分類器的輸出，表示n 個(gè)不同類的概率分布。根據(jù)第i個(gè)樣本的標(biāo)簽向量yi與模型預(yù)測(cè)的概率向量y*i構(gòu)造損失函數(shù)，即

式中：m 為樣本個(gè)數(shù)；C 為Softmax交叉熵。模型參數(shù)通過(guò)梯度下降算法更新，反向傳播使損失函數(shù)的信息通過(guò)網(wǎng)絡(luò)向后流動(dòng)，完成梯度的快速計(jì)算［19］。對(duì)于單個(gè)樣本，反向傳播對(duì)于不同層的梯度計(jì)算步驟為：

（1）首先定義靈敏度誤差

式中誤差項(xiàng)δl表示第l層神經(jīng)元輸入對(duì)損失函數(shù)的影響。

（2）根據(jù)不同情況計(jì)算不同層誤差靈敏度

1）如果當(dāng)前第l層是卷積層，那么第l－1層的誤差項(xiàng)為

2）如果當(dāng)前l(fā)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(dāng)前l(fā)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(jì)算損失函數(shù)對(duì)權(quán)重W 以及偏置b 的梯度

2 CNN 模型搭建

2.1 數(shù)據(jù)收集與數(shù)據(jù)預(yù)處理

陣列式地面微地震監(jiān)測(cè)系統(tǒng)包括幾十個(gè)甚至上百個(gè)站點(diǎn)，使用高靈敏度三分量檢波器采集微地震信號(hào)。實(shí)驗(yàn)數(shù)據(jù)分為實(shí)際數(shù)據(jù)和合成數(shù)據(jù)，均為垂直分量波形數(shù)據(jù)。實(shí)際數(shù)據(jù)為川渝地區(qū)多口油氣井加砂壓裂地面微地震監(jiān)測(cè)數(shù)據(jù)，涉及不同類型的儲(chǔ)層和井?dāng)?shù)據(jù)，其中LG172井是一口常規(guī)油井，實(shí)際壓裂過(guò)程中監(jiān)測(cè)的微地震信號(hào)較豐富。假設(shè)LG172井某個(gè)震源點(diǎn)發(fā)生破裂激發(fā)地震波，根據(jù)理論時(shí)差合成地面監(jiān)測(cè)微地震數(shù)據(jù)——合成數(shù)據(jù)，可以模擬實(shí)際壓裂過(guò)程中釋放的微地震信號(hào)［20］。

將數(shù)據(jù)輸入到CNN 之前需要進(jìn)行預(yù)處理。由于原始波形數(shù)據(jù)幅度波動(dòng)較大，需要進(jìn)行歸一化處理［21］，本文對(duì)每個(gè)通道數(shù)據(jù)均進(jìn)行歸一化操作。此外，有效微地震信號(hào)在整個(gè)監(jiān)測(cè)波形數(shù)據(jù)中占據(jù)的比例非常小，導(dǎo)致正、負(fù)樣本分布不均勻，致使神經(jīng)網(wǎng)絡(luò)無(wú)法有效學(xué)習(xí)［22］，故采用分組處理的方法解決樣本均衡問(wèn)題。分組處理是截取固定長(zhǎng)度的數(shù)據(jù)作為一個(gè)樣本，其中包含微地震事件的為正樣本，手動(dòng)標(biāo)注為1，只含背景噪聲的為負(fù)樣本，手動(dòng)標(biāo)注為0［23］（圖2）。考慮到分組時(shí)要盡量保持正、負(fù)樣本數(shù)目對(duì)等，同時(shí)樣本數(shù)量不能太少，故將樣本長(zhǎng)度設(shè)置為256個(gè)數(shù)據(jù)點(diǎn)。需要說(shuō)明的是，樣本長(zhǎng)度選擇并不是固定的，在構(gòu)建數(shù)據(jù)集時(shí)可根據(jù)不同數(shù)據(jù)量選取不同長(zhǎng)度。為了使損失函數(shù)的計(jì)算更為合理，使用One-Hot編碼（表1）。

圖2 微地震波形數(shù)據(jù)分組處理

表1 樣本類型編碼

本文采用微地震實(shí)際監(jiān)測(cè)波形數(shù)據(jù)共849 條（用于檢測(cè)結(jié)果顯示的數(shù)據(jù)不在此范圍內(nèi)），經(jīng)過(guò)分組處理后得到含微地震事件的樣本1420個(gè)，含背景噪聲的樣本1541個(gè)。隨機(jī)抽取其中2000個(gè)樣本作為訓(xùn)練集，961個(gè)樣本作為測(cè)試集。

2.2 模型構(gòu)建

參考典型的CNN 架構(gòu)，搭建檢測(cè)微地震事件的CNN 模型（圖3），采用2個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層的組合。這是由于輸入數(shù)據(jù)只有兩類，數(shù)據(jù)結(jié)構(gòu)較簡(jiǎn)單，盲目增加網(wǎng)絡(luò)層數(shù)會(huì)增大模型的存儲(chǔ)需求，從而降低統(tǒng)計(jì)效率。由于微地震波形為一維數(shù)據(jù)，因此采用一維卷積處理。各層參數(shù)設(shè)置如表2所示。

圖3 基于CNN 的微地震事件檢測(cè)模型構(gòu)建

表2 CNN 模型參數(shù)設(shè)置

2.3 微地震事件檢測(cè)流程

基于CNN 的微地震事件檢測(cè)方法主要分為數(shù)據(jù)處理、模型訓(xùn)練和實(shí)時(shí)數(shù)據(jù)檢測(cè)三部分。如圖4所示，原始數(shù)據(jù)經(jīng)過(guò)預(yù)處理后分為訓(xùn)練集樣本和測(cè)試集樣本。將訓(xùn)練集樣本導(dǎo)入CNN 模型訓(xùn)練，訓(xùn)練完成后將測(cè)試集樣本輸入到網(wǎng)絡(luò)中評(píng)估模型性能。由于訓(xùn)練集和測(cè)試集無(wú)重復(fù)樣本，因此可以模擬模型在實(shí)際部署之后的情況。如果模型性能表現(xiàn)較差，則返回調(diào)節(jié)樣本長(zhǎng)度和模型參數(shù)。如果模型性能良好，將多站點(diǎn)待檢測(cè)數(shù)據(jù)歸一化處理后截取為同樣長(zhǎng)度的待檢測(cè)樣本，然后按批輸入到模型中，由此檢測(cè)出各站點(diǎn)包含有效事件信號(hào)波動(dòng)的樣本號(hào)，根據(jù)各站點(diǎn)有效事件信號(hào)到時(shí)較接近的特點(diǎn)，通過(guò)統(tǒng)計(jì)同一事件各站點(diǎn)波形數(shù)據(jù)的分類結(jié)果判別微地震事件。

圖4 基于CNN 的微地震事件檢測(cè)流程

3 模型訓(xùn)練以及檢測(cè)結(jié)果

3.1 CNN 模型性能

本文采用Python語(yǔ)言和Tensorflow 架構(gòu)作為編程環(huán)境，訓(xùn)練過(guò)程采用適用性估計(jì)（ADAM）優(yōu)化算法，學(xué)習(xí)率為0.001。為了抑制過(guò)擬合同時(shí)加入了Dropout調(diào)整策略（訓(xùn)練時(shí)保留率為0.5，在測(cè)試時(shí)保留率為1.0，即所有隱層節(jié)點(diǎn)均參與運(yùn)算）。在輸入樣本的過(guò)程中，引入了mini-batch（小批次，訓(xùn)練中設(shè)置為20個(gè)樣本）降低運(yùn)算復(fù)雜度。每次訓(xùn)練輸入一個(gè)小批次樣本，循環(huán)訓(xùn)練所有批次，將所有數(shù)據(jù)迭代一遍稱為一個(gè)Epoch。本實(shí)驗(yàn)在配備Intel Core i5-7400 3.0GHz處理器和8GB內(nèi)存的PC上訓(xùn)練20個(gè)Epoch（約1800次迭代），之后測(cè)試網(wǎng)絡(luò)模型的性能。經(jīng)過(guò)多次測(cè)試，最終得到的模型參數(shù)如表2所示。訓(xùn)練過(guò)程中準(zhǔn)確率和損失函數(shù)曲線分別如圖5和圖6所示。

圖5 準(zhǔn)確率變化曲線

圖6 損失函數(shù)值變化曲線

3.2 合成信號(hào)檢測(cè)結(jié)果

由于陣列式地面微地震監(jiān)測(cè)系統(tǒng)的檢波器都埋設(shè)于地表的淺層土壤，易受各種干擾的影響［24］，因此檢驗(yàn)所提方法的抗噪性能非常必要。針對(duì)某個(gè)震源點(diǎn)，疊加雷克子波和高斯隨機(jī)噪聲生成合成信號(hào)，根據(jù)震源點(diǎn)到地面監(jiān)測(cè)站點(diǎn)的正演走時(shí)偏移每一道雷克子波。定義信號(hào)信噪比為

式中：A（tk）為子波信號(hào)序列；N（tk）為噪聲序列。

圖7為不同信噪比的合成信號(hào)。由圖可見：當(dāng)無(wú)噪聲（圖7a）以及信噪比為15dB 時(shí)（圖7b），合成信號(hào)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(yán)重，如當(dāng)信噪比為6dB時(shí)（圖7c），噪聲開始明顯影響有效信號(hào)，當(dāng)信噪比為0.5dB時(shí)（圖7d），有效信號(hào)幾乎被噪聲淹沒(méi)，肉眼較難觀察到有效信號(hào)，需要仔細(xì)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(hào)

將圖7中的合成信號(hào)的波形數(shù)據(jù)分別輸入到性能良好的CNN 模型中，檢測(cè)結(jié)果如表3 所示。表中事件檢測(cè)通道比Mi定義為

式中：Y 為陣列式地面微地震監(jiān)測(cè)系統(tǒng)中監(jiān)測(cè)站點(diǎn)的總數(shù)；Xi為將第i個(gè)樣本分類識(shí)別為包含有效事件信號(hào)的樣本的站點(diǎn)數(shù)。對(duì)于第i個(gè)樣本，遍歷站點(diǎn)1～Y，若其中某個(gè)站點(diǎn)中該樣本被分類識(shí)別為包含有效事件信號(hào)，則Xi＝Xi＋1。根據(jù)微地震事件的特點(diǎn)，并反復(fù)對(duì)比由該方法得到的微地震事件檢測(cè)結(jié)果和人工標(biāo)注的微地震事件，若以第i個(gè)樣本為中心，左、右兩個(gè)樣本范圍內(nèi)的樣本被分類識(shí)別為包含有效事件信號(hào)，則Xi＝Xi＋1，即

圖8 圖7d事件有效信號(hào)局部（紅藍(lán)標(biāo)尺內(nèi)多個(gè)數(shù)據(jù)道）放大

表3 i＝65時(shí)各合成信號(hào)檢測(cè)結(jié)果

當(dāng)實(shí)際壓裂過(guò)程中發(fā)生微地震事件時(shí)，通常觸發(fā)多個(gè)監(jiān)測(cè)站點(diǎn)的檢波器采集并存儲(chǔ)相應(yīng)的波形數(shù)據(jù)。同一事件各站點(diǎn)待檢測(cè)波形分割的樣本數(shù)據(jù)可能被分類識(shí)別為包含有效事件信號(hào)，也可能被識(shí)別為背景噪聲。微地震事件的檢測(cè)以其各站點(diǎn)波形數(shù)據(jù)分割而成的樣本分類為基礎(chǔ)，若高于一定比例（文中設(shè)定為50%，這個(gè)比例可根據(jù)實(shí)際信號(hào)質(zhì)量情況而定）站點(diǎn)中的第i個(gè)樣本（或者其左、右兩個(gè)樣本范圍內(nèi)的樣本）被分類識(shí)別為包含有效事件信號(hào)，即Mi≥50%，就可認(rèn)為該事件為微地震事件；反之為背景噪聲。根據(jù)Mi值判別微地震事件類似投票表決的過(guò)程。

由表3可見：當(dāng)無(wú)噪聲以及波形數(shù)據(jù)信噪比較高（15dB）時(shí)，65號(hào)樣本的M 值均為100%，即全部站點(diǎn)監(jiān)測(cè)數(shù)據(jù)的65號(hào)樣本均被識(shí)別為包含有效事件信號(hào)，因此可認(rèn)為該事件為微地震事件；當(dāng)波形數(shù)據(jù)信噪比降至0.5d B 時(shí)，65 號(hào)樣本的M 值也為100%。隨著信噪比降低，檢測(cè)過(guò)程中出現(xiàn)個(gè)別站點(diǎn)的背景噪聲樣本被誤判為包含有效事件信號(hào)，如當(dāng)信噪比為0.5dB 時(shí)，幾乎全部監(jiān)測(cè)站點(diǎn)的波形數(shù)據(jù)都出現(xiàn)樣本誤判情況，但這些樣本只被個(gè)別的監(jiān)測(cè)站點(diǎn)共同包含，即這些噪聲樣本號(hào)對(duì)應(yīng)的M＜50%。

圖9為數(shù)值模擬合成信號(hào)部分站點(diǎn)監(jiān)測(cè)波形數(shù)據(jù)檢測(cè)結(jié)果。由圖可見：當(dāng)無(wú)噪聲（圖9a）以及波形數(shù)據(jù)信噪比為15dB（圖9b）時(shí)，得到的檢測(cè)結(jié)果幾乎相同，8個(gè)站點(diǎn)（圖中為1～8道）的波形數(shù)據(jù)均在4400～4656數(shù)據(jù)點(diǎn)（65號(hào)樣本）處檢測(cè)到有效事件信號(hào)；當(dāng)波形數(shù)據(jù)信噪比為6dB時(shí)，8個(gè)站點(diǎn)也均在4400個(gè)數(shù)據(jù)點(diǎn)附近檢測(cè)到有效事件信號(hào)（圖9c），由于信噪比降低，在第3道的6100～6356數(shù)據(jù)點(diǎn)（72號(hào)樣本）處以及第6道的8300～8556數(shù)據(jù)點(diǎn)（80號(hào)樣本）處出現(xiàn)個(gè)別站點(diǎn)的背景噪聲樣本被誤判為包含有效事件信號(hào)樣本的情況；當(dāng)信噪比為0.5dB（圖9d）時(shí)，8個(gè)站點(diǎn)中的7個(gè)站點(diǎn)的波形數(shù)據(jù)都出現(xiàn)噪聲樣本被誤判為包含有效事件信號(hào)樣本的情況。

考慮到實(shí)際壓裂過(guò)程中微地震事件的信號(hào)幅值波動(dòng)較大，同時(shí)在上述實(shí)驗(yàn)中可能存在由于使用雷克子波振幅較大，導(dǎo)致有效信號(hào)容易識(shí)別。為此，將合成信號(hào)中的雷克子波的振幅分別降至13、10、7、5和3，分別隨機(jī)疊加高斯白噪聲，得到信噪比分別為15、6、2d B的波形數(shù)據(jù)，再使用相同的CNN 模型進(jìn)行測(cè)試。表4為SNR＝2dB、i＝65時(shí)各合成信號(hào)檢測(cè)結(jié)果。由表可見：①當(dāng)子波振幅為15、13時(shí)，檢測(cè)結(jié)果與上述實(shí)驗(yàn)相同。②隨著子波振幅降低，模型將65號(hào)樣本分類識(shí)別為包含有效事件信號(hào)的樣本的站點(diǎn)數(shù)Xi逐漸減少，因此得到的M 值也逐漸減小，但是當(dāng)振幅為5 時(shí)，65 號(hào)樣本的M 值仍大于50%，仍可判斷該事件為微地震事件；當(dāng)振幅為3時(shí)，65號(hào)樣本的M 值僅為28.13%，故文中方法沒(méi)有檢測(cè)到微地震事件。

表4 SNR＝2dB、i＝65時(shí)各合成信號(hào)檢測(cè)結(jié)果

圖9 數(shù)值模擬合成信號(hào)部分站點(diǎn)監(jiān)測(cè)波形數(shù)據(jù)檢測(cè)結(jié)果

3.3 實(shí)際壓裂過(guò)程中的微地震事件檢測(cè)結(jié)果

不同井的水力壓裂微地震監(jiān)測(cè)波形數(shù)據(jù)均存在差異，這些差異主要由儲(chǔ)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(jiān)測(cè)站點(diǎn)與井的距離、環(huán)境干擾強(qiáng)度均不同，在一口井壓裂時(shí)，不同監(jiān)測(cè)站點(diǎn)、不同時(shí)間段監(jiān)測(cè)到的微地震信號(hào)也存在差異。為了檢驗(yàn)所提方法對(duì)不同井的連續(xù)波形數(shù)據(jù)的泛化能力，在實(shí)際壓裂微地震事件檢測(cè)中使用多口井（包括普通油井和頁(yè)巖氣井）的陣列式地面微地震監(jiān)測(cè)數(shù)據(jù)。在模型訓(xùn)練完成以及測(cè)試性能符合要求后，首先利用該模型檢測(cè)LG172井其他時(shí)刻的微地震事件。圖10為L(zhǎng)G172井地面監(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)。由圖可見：①87 號(hào)樣本是一個(gè)31站點(diǎn)的微地震事件，其波形數(shù)據(jù)信噪比較高，信號(hào)明顯（圖10a）；96號(hào)樣本顯示的微地震事件雖然被噪聲污染，但是其信號(hào)能量較強(qiáng)，持續(xù)時(shí)間長(zhǎng)（圖10b）；15號(hào)樣本的微地震波形數(shù)據(jù)噪聲污染嚴(yán)重，信噪比較低，信號(hào)微弱（圖10c）；上述3個(gè)樣本的M 值均大于50%（表5），故可判定為微地震事件。②113號(hào)樣本是夜間安靜環(huán)境下的背景信號(hào)（圖10d），全部監(jiān)測(cè)站點(diǎn)中最多有5 個(gè)站點(diǎn)的波形數(shù)據(jù)的背景噪聲樣本被誤判為包含有效事件信號(hào)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(duì)應(yīng)的檢測(cè)結(jié)果。

表5 LG172井監(jiān)測(cè)波形數(shù)據(jù)的檢測(cè)結(jié)果

再利用相同的模型檢測(cè)N203井的部分微地震監(jiān)測(cè)數(shù)據(jù)。圖12為N203井地面監(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)，圖13 為圖12 對(duì)應(yīng)的檢測(cè)結(jié)果。由圖可見，相比于LG172井，N203井微地震信號(hào)初始幅度弱、中段幅度增強(qiáng)，同時(shí)持續(xù)時(shí)間較長(zhǎng)。表現(xiàn)為：①76號(hào)樣本（圖12a、圖13a）、70號(hào)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(cè)。②69號(hào)樣本（或其左、右兩個(gè)樣本范圍內(nèi)）（圖12c、圖13c）的微地震事件中僅有10個(gè)站點(diǎn)波形數(shù)據(jù)被模型分類識(shí)別為包含有效事件信號(hào)，這可能是由于部分地面監(jiān)測(cè)站點(diǎn)采集的微地震信號(hào)波形較微弱所致，如第5道和第7道站點(diǎn)數(shù)據(jù)的有效信號(hào)波動(dòng)幾乎接近背景噪聲；按照文中方法的原則，仍有半數(shù)監(jiān)測(cè)站點(diǎn)的波形數(shù)據(jù)或其附近樣本被分類識(shí)別為包含有效事件信號(hào)，因此也可判斷該事件為微地震事件。③87 號(hào)樣本（圖12d、圖13d）的微地震事件中個(gè)別站點(diǎn)數(shù)據(jù)明顯受噪聲污染，出現(xiàn)模型將一些背景噪聲樣本誤判為包含有效事件信號(hào)樣本的情況，如第1道波形數(shù)據(jù)（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(hào)僅被該站點(diǎn)數(shù)據(jù)包含，因此存在19個(gè)地面站點(diǎn)波形數(shù)據(jù)的87號(hào)樣本被分類識(shí)別為包含有效事件，對(duì)應(yīng)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(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)

圖11 LG172井地面監(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)檢測(cè)結(jié)果

圖12 N203井地面監(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)

圖13 N203井地面監(jiān)測(cè)站點(diǎn)不同樣本號(hào)的波形數(shù)據(jù)檢測(cè)結(jié)果

表6 N203井監(jiān)測(cè)波形數(shù)據(jù)的檢測(cè)結(jié)果

利用相同模型對(duì)川渝地區(qū)其他幾口井的典型波形數(shù)據(jù)進(jìn)行微地震事件檢測(cè)，檢測(cè)結(jié)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(jié)論

以往人們主要基于單站點(diǎn)波形數(shù)據(jù)識(shí)別微地震事件，對(duì)于強(qiáng)干擾造成的低信噪比信號(hào)，可能出現(xiàn)微地震事件誤判。文中方法根據(jù)陣列式地面微地震監(jiān)測(cè)的特性，以單站點(diǎn)監(jiān)測(cè)數(shù)據(jù)檢測(cè)結(jié)果為基礎(chǔ)，綜合考慮事件發(fā)生時(shí)各站點(diǎn)波形數(shù)據(jù)的特點(diǎn)判別微地震事件。該方法經(jīng)過(guò)訓(xùn)練確定合適的卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)之后，可直接輸入實(shí)時(shí)采集的檢波器數(shù)據(jù)。本文主要對(duì)合成信號(hào)和川渝地區(qū)不同井的實(shí)際監(jiān)測(cè)數(shù)據(jù)進(jìn)行微地震事件檢測(cè)，得到以下認(rèn)識(shí)：

（1）對(duì)于疊加不同噪聲的合成微地震信號(hào)，隨著信噪比降低，信號(hào)質(zhì)量越來(lái)越差。當(dāng)信噪比降至2dB和0.5dB時(shí)，有效信號(hào)幾乎被噪聲淹沒(méi)，雖然出現(xiàn)了一些樣本被誤判的情況，但是65號(hào)樣本對(duì)應(yīng)的M 值仍大于50%，可確定為微地震事件，且合成信號(hào)中雷克子波振幅減小對(duì)檢測(cè)結(jié)果的影響不大。因此本文所提方法對(duì)于噪聲的容忍度高，能準(zhǔn)確檢測(cè)不同信噪比的微地震事件。

（2）實(shí)際壓裂過(guò)程中不同井采集的微地震波形數(shù)據(jù)存在一定差異。以川渝地區(qū)LG172井和N203井為例，對(duì)信噪比較高、有效信號(hào)明顯，噪聲污染嚴(yán)重、信號(hào)微弱以及只存在背景噪聲的監(jiān)測(cè)數(shù)據(jù)進(jìn)行微地震事件檢測(cè)，均能有效判別微地震事件。因此本文所提方法對(duì)于川渝地區(qū)不同的連續(xù)波形數(shù)據(jù)具有良好的泛化能力，可以在實(shí)際水力壓裂過(guò)程中檢測(cè)微地震事件。

此外，與常規(guī)方法相比，本文方法無(wú)需人工設(shè)定閾值，在訓(xùn)練過(guò)程中可自動(dòng)提取特征和選擇最優(yōu)參數(shù)。所用的卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練完成后，對(duì)于陣列式地面微地震監(jiān)測(cè)系統(tǒng)的32個(gè)監(jiān)測(cè)站點(diǎn)拼接的單站點(diǎn)長(zhǎng)度為30000數(shù)據(jù)點(diǎn)的待檢測(cè)波形數(shù)據(jù)，能夠在1s內(nèi)輸出模型分類結(jié)果。同時(shí)，本文所用訓(xùn)練數(shù)據(jù)相對(duì)簡(jiǎn)單，通過(guò)增加訓(xùn)練數(shù)據(jù)，模型在現(xiàn)有基礎(chǔ)上可以繼續(xù)進(jìn)行訓(xùn)練進(jìn)而提高識(shí)別精度，這也是卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。