利用殘差網絡和地震發射層析成像的微地震事件檢測

王維波 官 強 高 明 盛 立

(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

微地震監測技術通常用于油氣井壓裂效果評價，確定壓裂誘發裂縫的形態，是低滲透儲層、頁巖儲層壓裂裂縫監測的重要技術手段[1-3]。微地震監測有地面監測和井下監測兩種方式。地面監測是在地面部署大量監測站點，通過高靈敏度檢波器接收微地震信號[4]。井下監測需要在壓裂井附近布設監測井，將檢波器串放置到井下進行監測。

微地震事件的震源定位是微地震數據處理的核心問題。震源定位有多種方法[5]，包括多道P波時差法[6]、地震發射層析成像(SET)法[7]、逆時偏移方法[8]等。其中，SET法無需提取事件信號初至，對監測信號的信噪比要求低，適用于地面監測的震源定位[9-10]，在理論研究和實際應用中都得到了驗證。Kugaenko等[11]在地熱微地震監測中成功使用SET方法進行震源定位； Chambers等[12]專門實施了井下放炮、地面微地震監測試驗，使用SET震源定位方法驗證了地面監測的有效性； 王維波等[13]用數值模擬方法研究了SET算法的特點，并根據多口油氣井水力壓裂地面微地震監測數據實際處理情況，總結出了選擇地面微地震監測站點個數的基本原則。

在實際應用SET方法時，需要先對多道時域信號段進行SET計算，得到多張圖片，然后通過人為判別圖片是否具有明顯焦點，推斷是否存在有效微地震事件，進而根據圖像中的成像最大值確定震源點[11-13]。這種依據人工經驗對圖像進行抽象判別的處理方式，工作效率低，無法對海量監測數據全部進行SET和批量自動處理，因此無法在時域發現更多被噪聲淹沒的有效微地震事件信號。

隨著Lecun等[14]、Krizhevsky等[15]和Simonyan等[16]分別提出LeNet-5、Alex-net和VGG模型，卷積神經網絡逐漸被應用于各個領域，與日益發展的人工智能方法相結合，是突破SET方法應用瓶頸的有效途徑。近年來，多種卷積神經網絡算法應用于微地震事件自動識別和定位。Huang等[17]將卷積神經網絡算法與微地震信號相結合，實現了微地震事件的自動定位。王維波等[18]提出一種基于卷積神經網絡的微地震事件檢測方法，可以有效地自動識別微地震事件時域信號。

傳統的卷積神經網絡雖然可以解決SET圖片自動識別問題，但是在面對低信噪比成像圖片時，容易出現微地震事件誤判現象。Szegedy等[19]認為網絡深度越大越能提取圖像的細微特征，但是隨著深度的增加，可能出現梯度消失或梯度爆炸現象，同時特征圖包含的圖像信息會逐層減少，容易出現網絡退化問題[20]。為此，He等[21-22]提出一種深度殘差網絡，既解決了深度網絡難以訓練的問題，又提升了網絡性能。近年來，張政等[23]將殘差網絡應用于斷層圖片的自動識別，與其他模型相比，該模型具有更好的識別能力。Long等[24]將殘差網絡應用于魚的行為分類中，也取得了不錯效果。

本文利用殘差網絡對地面微地震監測數據的SET圖片進行自動識別，判定SET數據對應的信號段內是否包含有效微地震事件，并確定有效微地震信號的震源坐標。該方法解決了傳統處理過程需要依賴人工判別SET圖片的問題，可以實現自動批量處理，極大地提高了處理效率。另外，相比傳統卷積神經網絡特征提取方法，殘差網絡的性能更佳，能夠提取更多的SET圖片特征。對不同信噪比的合成信號以及實際油井水力壓裂微地震監測信號的處理結果表明，殘差網絡能夠有效識別包含微地震事件信號的SET圖片，進而實現微地震事件的檢測和震源定位，且具有較強的抗噪能力和泛化能力。

1 SET方法基本原理

SET方法的基本假設是：地下震源點發射的地震波被地面多個監測站點接收，地面站點接收到的地震波信號雖然有時差和畸變，但是存在相似性。SET方法的基本原理是：將被監測區域劃分為網格，根據地層速度模型計算每個網格點到地面監測站點的地震波理論走時； 再據此針對每一個網格點，對一個時間段內的多道信號進行偏移疊加，計算網格的Semblance參數(S參數，計算公式見文獻[11])，從而實現SET。地面監測和SET示意圖如圖1所示[13]。

計算圖1中所有網格點的S參數，然后根據S參數值分層繪制偽色圖，得到各層的SET圖片。圖2為某段合成信號第一層SET圖片。S參數實質上是一種無量綱的相似性參數，S參數值最大的網格被認為是震源點。因此，對于包含有效微地震事件的信號段，SET方法只需對所有網格點計算S參數，通過查找S參數極大值點就可以確定震源，無需拾取事件信號的初至。

SET方法具有一個顯著的優點，即隨著地面監測站點的增多，S參數值極大值點會越突出，有利于識別更低信噪比的信號。當監測站點增加到一定數量時，甚至能夠對完全被噪聲淹沒的信號成像[12-13]，這也是SET方法適用于地面微地震監測數據處理的主要原因，因為在地面增設監測站點相對容易實現。

圖1 地面監測和SET示意圖

圖2 某段合成信號第一層的SET圖片

對任何信號段都可以進行SET，包含微地震信號的SET圖片具有明顯的焦點，而不包含微地震信號的背景信號或干擾信號則沒有，兩者的成像圖片具有明顯差別。以往通過人工識別判斷SET圖片，這種抽象、耗時的處理過程過分依賴經驗，況且人工識別的工作量有限，一般無法完成對海量監測數據的全部處理，因而無法充分發揮SET算法可識別被噪聲淹沒的有效微地震信號的能力。

2 殘差網絡

2.1 批量歸一化

利用卷積神經網絡提取特征可視為擬合新的數據分布，通常在淺層網絡模型中使用數據歸一化預處理方法處理數據。該方法在淺層網絡應用效果很好，但是隨著網絡深度的增加，數據經過卷積、池化以及激活運算，其輸出結果會出現巨大差異，影響后期新數據特征的分布，導致網絡模型整體訓練效率低下。

為了解決上述問題，Ioffe等[25]提出了批量歸一化方法(Batch Normalization, BN)，通過引入兩個學習率參數γ和β，對數據進行縮放與數值偏移

(1)

(2)

批量歸一化過程會根據特征圖像的數量提供同等數量的x、σ進行計算，在訓練過程中保存一定范圍內的均值和方差，測試時在該范圍內滑動選擇合適的參數值。

2.2 殘差塊

卷積神經網絡為圖像分類技術帶來了一系列突破，網絡模型深度是至關重要的因素，模型越深越能提取圖像的細微特征，但是隨著深度的增加，可能會出現梯度消失或梯度爆炸現象，即網絡退化問題。He等[22]提出了深度殘差網絡模型，在卷積神經網絡中加入直接映射，使輸出數據包含更多的圖像信息。殘差塊的網絡結構如圖3所示，其中Relu為線性整流函數。

如圖3所示，該殘差塊跨越兩個卷積層，輸入數據x經過直接映射與殘差函數F(x)相加構成了一個映射層，輸出值為y，即

y=F(x)+x

(3)

其作用是使輸入的數據信號不會隨著網絡深度加深而減弱，可以有效地提升網絡的效果。

本文使用了兩種類型的殘差塊，分別是卷積塊和識別塊(圖4)。殘差部分都使用3個卷積核提取特征，卷積核的尺寸均為3×3。在卷積塊中，x與F(x)維數相同，可以直接相加。在識別塊中x與F(x)維數不相同，因此需要對x進行填充，本文使用1×1的卷積核提升其維數。另外，兩種結構都加入了BN過程，以加快訓練速度。

圖3 殘差塊結構示意圖

圖4 加入BN的典型殘差塊結構

3 殘差網絡對SET圖片的識別

3.1 基于合成信號訓練的殘差網絡

3.1.1 合成信號數據集的構建

首先采用合成信號進行SET，構建SET圖片數據集并對殘差網絡進行網絡模型訓練和測試。

假設一口壓裂井的射孔段中心深度為2755m，構建合成數據時在垂直方向只劃分一層，水平方向劃分40×40個網格，網格邊長為10m。在地面布設36個監測站點，呈網格狀均勻分布(圖5)。正演走時計算采用均勻速度模型，設置平均速度為3200m/s。

數據合成采用最小相位子波、零相位子波和Ricker子波三種不同的子波。在實際水力壓裂過程中，受地層破裂時能量差異、儲層巖石特性等因素影響，會產生不同的微地震子波[26]，其SET圖片也有所不同，有的聚焦點峰值大、成像焦點附近能量集中，有的聚焦點峰值小、成像焦點附近能量不突出。另外，合成信號中疊加了不同強度的高斯隨機噪聲，以得到不同信噪比的信號。針對某個震源點，疊加對應子波和高斯隨機噪聲生成合成信號，定義信號信噪比為

(4)

式中：A(tk)為子波信號序列；N(tk)為噪聲序列；M為序列長度。

生成包含子波信號和不同強度噪聲的微地震信號1500段，生成背景噪聲信號500段，表1列出了合成數據集的詳細信息。

圖5 地面監測站點分布

表1中標簽0代表背景噪聲，標簽1代表微地震事件。對表中合成信號數據集進行SET，設置時間窗為1200ms，生成圖像的像素尺寸為402×402，為3通道圖片。在輸入網絡之前需要對圖片進行預處理，以加快網絡的運算速度，于是將成像圖的像素尺寸縮放為131×131，并按3∶2的比例劃分訓練、測試數據集。表2列出訓練集和測試集的詳細劃分信息。

表1 合成信號數據集描述

表2 合成訓練、測試數據集描述

3.1.2 殘差網絡模型結構和模型訓練

使用殘差網絡對SET圖片進行處理，實現微地震事件自動檢測。使用的殘差網絡模型結構如圖6所示，共采用了1個卷積層、2個池化層(分別為最大池化和平均池化)及7個殘差塊(分別為2個卷積塊和5個識別塊)。

網絡的輸入層為131×131像素的SET圖片，經過一次卷積與平均池化提取特征后，將得到的輸出繼續輸入到殘差塊中提取特征。然后進行平均池化操作，再輸入到全連接層中，全連接層的輸出是最終的分類結果。整個過程各層的參數設置如表3所示。

圖6 殘差網絡模型結構

表3 殘差網絡結構參數

采用Python語言和Tensorflow架構作為編程環境，訓練過程采用Adam梯度下降算法，學習率為0.001。在輸入樣本的過程中，采用小批量batch訓練方式(10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。本次實驗在配備Intel Core i5-7400 3.0GHz處理器和4GB內存的PC上訓練100個epoch(約1400步迭代)，之后測試網絡模型的性能。經過多次測試，最終得到訓練過程檢測準確率曲線(圖7)。

由圖7可以看出，本文所提微地震事件檢測方法對合成數據集的檢測準確率可達99.9%。

圖7 合成信號檢測準確率曲線

3.1.3 殘差網絡模型對微地震事件檢測效果測試

使用合成信號的SET數據完成殘差網絡模型訓練并保存參數，再用兩組驗證數據集測試殘差網絡的微地震事件檢測能力。一組是由不同信噪比、不同站點個數構建的合成信號計算的SET數據集(表4)，另一組是由兩口油氣井水力壓裂實際監測信號計算的SET數據集(表5)。

表4 合成信號驗證數據集描述

表5 實際監測信號驗證數據集描述

使用實際油氣井壓裂監測的數據集，是為了驗證由合成信號訓練的殘差網絡模型是否同樣適用于對實際微地震監測信號的處理。實際監測信號使用LG172井、N203井的水力壓裂地面微地震監測數據,信號采樣間隔為1ms，其中LG172井壓裂段射孔中心深度為2755m，使用33個監測站點； N203井壓裂段射孔中心深度為2385m，使用20個監測站點。兩口井建立了各自的速度模型和網格劃分，能根據截取的信號段進行SET計算，成像時間窗長度設置為1200ms。若時域剖面上微地震信號較明顯或SET圖上存在較明顯的能量焦點，則認為該監測段存在微地震信號，反之則認為該監測段為背景噪聲。

圖8顯示了不同信噪比的Ricker子波合成信號及其成像結果，震源點為圖像的中心點，地面站點分布與LG172井實際監測點相同。當無噪聲(圖8a上)或噪聲較弱(圖8b上)時，各道的子波信號較明顯，可直接判定為包含微地震信號。噪聲較強時，有效信號幾乎完全被噪聲淹沒，肉眼已很難甄別(圖8c上)。對圖8中的3段信號分別進行SET，然后由訓練好的殘差網絡判別SET數據中是否包含有效微地震事件。結果表明，不僅判斷圖8a、圖8b的SET結果存在明顯能量焦點，殘差網絡還從強噪聲信號SET圖中識別出了時域信號上基本看不出的微地震事件(圖8c下)。

圖9為LG172井的部分監測數據及其SET圖片。圖9a上為夾雜弱噪聲的強微地震信號數據，只有少量監測站點受到強噪聲的干擾，SET圖片具有明顯的能量集中區(圖9a下)，被殘差網絡模型判別為包含有效微地震事件。在圖9b上和圖9c上的監測信號完全被噪聲污染，肉眼已很難甄別該監測段是否存在有效微地震事件，但其對應的SET圖片(圖9b、圖9c下)上有較多局部極值點，且存在明顯的能量集中區，因此被殘差網絡模型判別為包含有效事件。可見，利用殘差網絡模型能夠識別出在時域信號上不明顯的微地震事件。

圖10為N203井壓裂的部分微地震監測數據及其SET圖片。3個時域信號都包含微地震信號，雖然信號強度、背景干擾強度各有差異，但是其SET圖片都具有明顯的能量聚集區，都被殘差網絡判別為包含有效微地震事件信號。

成像圖片輸入到網絡前需要進行預處理，將成像圖片的像素尺寸縮放為131×131，以便加快網絡的運算速度。預處理結束后，將成像圖片輸入到網絡中。表6統計了該網絡模型對所有驗證數據集的檢測準確率。

圖8 不同信噪比合成信號(上)及其成像結果(下)(a)無噪合成信號; (b)弱噪聲合成信號; (c)強噪聲合成信號

圖9 LG172井監測數據(上)及SET結果(下)(a)弱噪聲信號； (b)強噪聲信號1； (c)強噪聲信號2

由統計結果可以看出，該殘差網絡模型對合成信號的各種數據集都具有較好的檢測效果，而對于實際井的監測信號，其檢測效果變差。在有強干擾的數據集Q和R中，檢測準確率為90%，說明強干擾會影響有效微地震信號的SET特征。而對于完全由背景噪聲構成的數據集S和T，檢測準確率為85%左右，即有15%左右的背景噪聲信號被判別為包含有效微地震信號，也有可能是在時域上看不到明顯微地震信號的背景信號，實際上是包含了被噪聲淹沒的有效信號，類似圖8b、圖8c和圖9b、圖9c的情況。

從測試結果看出，用合成信號SET圖片訓練的網絡模型可以檢測實際油井壓裂監測數據的SET數據中是否包含有效微地震事件，只是對于低信噪比信號或背景信號的檢測準確率有所降低，如果將實際微地震監測信號的SET圖片加入訓練樣本，應該會進一步提高檢測的準確率。

圖10 N203井監測數據(上)及SET結果(下)(a)弱噪聲信號; (b)無噪聲信號; (c)強噪聲信號

表6 模型檢測準確率及檢測用時統計

3.2 增加實際監測信號訓練網絡模型

3.2.1 數據集的擴充及網絡性能

本文篩選了LG172井和N203井微地震實際監測數據擴充模型訓練樣本，其中LG172井實際監測信號400段，N203井實際監測信號400段，監測信號中強噪聲干擾數據段占比50%。經過分組處理后得到含微地震事件的監測段共400個，生成微地震事件成像圖400張，背景噪聲成像圖400張。為了加快網絡運算速度，對成像圖進行預處理，將402×402像素成像圖樣本的尺寸縮放為131×131。之后對表2中的數據集進行擴充，按照3∶1的訓練、測試比隨機挑選400個樣本擴充合成訓練集，挑選400個樣本擴充測試集。擴充后的數據集分布如表7所示。

采用與合成信號相同的網絡模型及訓練方式，若時域上微地震信號較明顯或SET圖片上存在較明顯的能量焦點，則認為該監測段存在有效微地震信號。將擴充后的數據成像圖輸入網絡，經過多次測試，得到圖11所示訓練過程的檢測準確率曲線。

3.2.2 實際信號檢測結果及分析

采用上一步擴充實際監測信號訓練的殘差網絡及參數，輸入表5中實際信號驗證數據集進行檢測。表8統計了該網絡模型對實際信號驗證數據集的識別準確率和檢測時間。

由實驗結果可以看出，該網絡模型對實際信號均具有較好的檢測效果，說明模型具有良好的泛化能力，適用于微地震事件識別與定位方法。

3.3 與其他網絡模型的對比

將本文殘差網絡與CNN(13層)和Inception V3m[27-28]網絡模型進行對比。實驗測得當CNN網絡深度為13層時，其識別SET效果最好，CNN(13層)網絡模型參數見表9。Ivanov等[28]提出的Inception V3m網絡模型在進行小數據集圖片分類方面具有比較好的效果，其網絡模型參數見文獻。分別對這兩種網絡進行調參得到優化后的網絡模型。采用實際監測數據集對3個網絡進行訓練，得到對應的準確率曲線(圖12)和平均迭代訓練時間曲線(圖13)。

表7 擴充后的SET數據集

表8 擴充訓練后檢測準確率和用時統計

圖11 擴充數據訓練過程檢測準確率曲線

訓練完畢后保存網絡設置，將所有實際信號驗證數據集整合到一起并輸入三種網絡，得到驗證數據集的準確率、檢測時間統計結果(表10)。

表9 CNN(13層)網絡模型參數

圖12 三種網絡的準確率曲線

表10 三種網絡實際信號數據集的檢測結果統計

圖13 三種網絡的迭代訓練時間曲線

由表10可以看出，基于殘差網絡的SET方法具有最快的迭代訓練和檢測速度，具有很好的識別效果和泛化能力。因此，SET成像與殘差神經網絡結合的方法可以應用于實際水力壓裂過程中檢測及定位微地震事件。

4 結論

傳統SET方法在后置處理過程中存在一定的局限性，即需要人工篩選SET結果，難以完成海量數據的微地震事件檢測、定位問題。本文提出基于殘差網絡和SET的微地震事件檢測方法，首先對合成信號和實際油井的監測信號進行SET，構建SET樣本數據集，包含有效事件信號和無效背景信號及其分類； 然后分別用合成信號和實際微地震監測信號對殘差網絡訓練和測試； 采用訓練好的殘差網絡對不同信噪比的合成數據以及川渝地區兩口油氣井微地震壓裂信號進行事件檢測及定位。取得以下幾點結論。

(1)在實際監測過程中，由于地層反射、吸收等因素，微地震震源發出的地震波可能會產生復雜畸變。而合成信號采用完全理想的地質模型，因而不會產生畸變。另外，根據檢測結果可以看出，實際數據中噪聲更復雜，應該擴充背景噪聲的數量，使用實際信號訓練殘差網絡。檢測結果顯示本文所提方法能夠檢測和定位不同信噪的實際微地震事件。

(2)采用傳統卷積神經網絡方法識別SET圖像時，因其挖掘深層特征的能力不強造成識別效果不佳。引入殘差塊以及批量歸一化方法后，不僅可以有效提高網絡的識別效果，而且可以降低訓練及檢測的時間。另外，LG172井、N203井的檢測結果說明本文所提方法可以在實際水力壓裂過程中檢測、定位微地震事件。

此外，與常規方法相比，文中所提方法無需人工設定閾值，在訓練過程中可自動提取特征； 面對海量數據可以利用地震傳感器對裂隙進行實時監測，為工程測量提供補充信息。