基于机器学习和台阵相关性的水力压裂微地震事件自动识别及到时拾取

利用密集台阵对水力压裂微地震进行监测将有助于优化储层压裂、揭示断层活化.为满足密集台阵海量采集数据的处理需求, 本文建立了一种综合运用多种机器学习方法和台阵相关性的、无需人工干预的自动处理流程, 从而能够快速得到高质量的密集台阵震相到时目录.该综合策略包括: (1)利用迁移学习在连续波形中快速检测地震事件; (2)利用U型神经网络PhaseNet自动拾取P波、S波震相; (3)利用三重线性剔除法, 结合密集台阵到时相关性剔除异常到时数据和地震事件; (4)利用K-means和SVM两类机器学习算法, 进一步区分发震时刻接近的多个地震事件, 减小事件漏拾率.通过将该流程应用于四川盆地长宁—昭通页岩气开发区微地震监测数据, 并将自动处理结果与人工拾取结果进行比对发现, 二者在震级测定、定位以及走时成像结果等方面具有很好的一致性, 表明本文处理流程结果精度可达到手动处理精度.本文结果为密集台阵地震监测数据的高效、高精度处理提供了新思路.

     

基于自适应阈值约束的无监督聚类智能速度拾取

目前叠加速度的获取主要是通过人工拾取速度谱,存在着效率低、耗时长且易受人为因素影响的缺点.本文提出了一种基于自适应阈值约束的无监督聚类智能速度拾取方法,实现叠加速度的自动拾取,在保证速度拾取精度的同时提高拾取效率.利用时窗方法在速度谱中计算自适应阈值,从而识别出一次反射波速度能量团作为速度拾取的候选区域.然后,根据K均值方法将不同的速度能量团聚类,并将最终的聚类中心作为拾取的叠加速度.最后,依据人工拾取速度的经验,加入了离群速度点的后处理工作,以获得更光滑的速度场.模型和实际地震数据测试结果表明,本文提出的方法总体上与人工拾取叠加速度的精度相当,但明显提升了速度拾取效率,极大缓解了人工拾取负担.

     

基于机器学习提取微震迁移规律的研究

<正>1研究背景地震迁移是指地震带内地震的发生顺序在空间上呈定向迁移的现象,对其规律的研究有助于震情形势的研判。马宗晋等（1992）结合中国大陆4条地震带的迁移规律证明了迁移的定向性。Peng和Zhao(2009)利用重复地震及其迁移特征反演断层的破裂与滑动特征;     

一种适用于地方震事件的S波到时自动拾取方法

基于特征值分解方法,本文讨论了一种适用于地方震事件S波震相到时拾取的自动处理算法。该算法计算参数少、简便快捷、易于实现,通过选用七个不同长度的时间窗,有效地减小了窗长选择不合理所引起的震相拾取误差。利用福建地震台网记录的9 855条三分向波形记录进行测试,结果表明:本文方法的S波平均拾取偏差为(0.003±1.34) s,其中79.6%的记录拾取偏差小于0.5 s,4.1%的记录拾取偏差超过2.0 s,说明本文方法能够满足日常工作基本需求。综上分析认为,波形记录质量是影响拾取算法结果精度的最主要因素,信噪比较高的记录,其S波到时拾取偏差显著优于信噪比较低的记录,对信噪比较低的部分记录进行带通滤波预处理后,S波震相拾取精度也有所提升。     

微地震事件初至拾取SLPEA算法

微地震事件初至拾取是微地震数据处理的关键步骤之一.实际微地震监测资料中存在大量低信噪比事件,而传统方法对这些事件的应用效果并不理想.为了克服传统方法抗噪性弱的缺点,本文通过综合地震信号与环境噪声在振幅、偏振以及统计特征等方面的存在的差异,设计了一种针对低信噪比微地震事件的初至拾取方法——SLPEA算法.为了检验本文方法的可行性和有效性,分别对模型数据和实际资料进行了处理,并将处理结果与传统方法及手工拾取的结果进行了对比.分析表明,利用本文方法得到的初至到时与手工拾取结果的绝对误差平均值仅为1.33×10-3s,小于3个采样点;方差为3.21×10-6s2;初至到时在手工拾取结果±0.005 s误差范围内的个数占总数的95.8%.这些参数值均优于传统方法的同类参数,证明了本文方法的可靠性.     

微地震信号到时自动拾取方法

本文讨论了用于微地震信号到时自动拾取的几种方法的原理及特点,包括长短时均值比(STA/LTA)方法、AIC方法、基于高阶统计量偏斜度和峰度的PAI-S/K方法等,提出了移动时窗峰度的快速算法和改进的峰度拾取初至方法.对我国西部某地观测到的13359个微地震记录,采用两种时窗进行了初至到时拾取,并与人工拾取的结果进行了对比.为使所研究的方法达到最佳效果,采用DE全局搜索方法,以人工拾取的初至作为参照,以时差在0.3 s以内的记录所占百分比作为目标函数,自动搜索最佳的拾取参数.结果显示,在拾取时窗选为P波初至前3 s至S波初至位置时,AIC方法的结果最佳,时差在0.3 s以内的记录占比达到93.6%;在拾取时窗选为包含S波到时的时窗时,改进的峰度法效果最佳,时差在0.3 s以内的记录占比83.8%.     

日本研制出微震自动观测系统

从事石油勘探等项研究的日本地球科学综合研究所最近开发研制出微震自动观测系统。该系统能够对-2相似文献   

P波初至到时自动拾取技术研究

基于粘滞性单自由度振动器响应下的能量转换理论,提出利用阻尼能量作为目标函数的P波震相到时拾取方法——SDOF Picker算法。使用该方法对江苏及邻区2010—2016年实际记录的9 607组P波初至进行到时自动拾取测试,以地震编目中人工拾取到时为基准,与利用AIC算法自动抬取的结果进行了系统性对比分析,结果显示:SDOF Picker算法和AIC算法自动拾取P波初至的准确率分别为97.1%、91.8%,中值偏差分别为(0.02±0.61)s、(0.05±0.77)s,方差分别为0.37 s2、0.60 s2,这表明SDOF Picker算法的在准确率和拾取精度方面均优于AIC算法。     

地震检测与震相自动拾取研究

针对微震事件易受噪声干扰等特点,本文将STA/LTA方法和基于方差的AIC方法（var-AIC）相结合,在震相到时初步拾取的基础上,使用台站的德洛内（Delaunay）三角剖分及台站间最大走时差约束来减少噪声干扰的影响. 利用到时进行地震定位之后,根据台站预测到时,在设定的时间窗内对地震震相进行更精细的分析. 特别是针对微震事件信噪比低的特点,设计了基于偏振分析的拾取函数,根据窗内STA/LTA方法和var-AIC方法的拾取结果自动选择合适的值作为震相到时. 最后,对西昌流动地震台阵2013年304个单事件波形数据的分析处理和检验结果表明,本文方法较传统方法具有更高的地震事件检测能力和更高的震相拾取精度.      

基于二分法的地震波初至自动拾取算法

初至拾取是地震资料处理中最基本的环节,随着地震资料的增多,自动拾取算法越来越重要,它将严重的影响地震资料处理的速度和效率.本文给出一种新的初至自动拾取算法,它根据参考初至(理论估计的初至),利用二分法和改进的能量比方法检测初至并去除不准确点,通过微调获取波峰、波谷、起跳点三种不同的初至类型.通过对不同信噪比的实际地震数据进行测试,本算法具有快速准确的特点.随着资料信噪比的降低,本算法未能完全解决拾取准确度降低的问题.然而通过适当调整算法的参数,本算法的结果比商用软件OMEGA的初至自动拾取效果要好.     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

地震自动识别及震相自动拾取方法研究进展

微小地震事件的研究工作应用领域广泛,在诱发地震监测、地颤动低频地震监测、地震预警等研究中有举足轻重的地位.而微震事件的自动识别以及震相的自动拾取的研究则是后期微震数据处理工作的基础,包括地震定位、地震成像、震源机制反演等工作.本文就目前各类地震事件自动识别及震相拾取方法的原理起源与大致分类应用进行了阐述,重点介绍了三大类方法:第一类是基于振幅(能量)判据的长短时窗比、震源扫描叠加等事件识别以及震相拾取系列方法;第二类是基于波形互相关技术的事件识别方法;第三类是基于波形自相关的盲搜索技术.最后还列举了几类较为前沿的综合性方法及其应用分析,并与传统搜索和拾取方法进行了比对,认为各类单一传统方法各有利弊,不具有普适性,应就具体的研究领域进行综合应用.     

基于自适应Morlet小波的低信噪比微震信号初至拾取方法研究

针对影响微震初至拾取的资料信噪比过低的问题,传统方法的拾取精度与稳定性大多不太理想.为了克服低信噪比条件下初至无法有效拾取的缺点,本文设计了一种对目标成分具有高敏感性的自适应Morlet小波基,通过利用该小波基对微震记录进行小波分解,利用三分量数据的有效成分在小波域内具有特征相关性,对三分量小波系数进行主成分分析,提取主成分特征,最终对各级主成分进行加权重构,实现对低信噪比微震信号的初至拾取.在设计有不同信噪比的模型实验与实际资料应用中,该算法均表现出优异的抗噪性能.在极低信噪比条件下,仍能精确指示有效成分的初至.模型实验与实际资料处理结果均验证了本方法对极低信噪比微震资料的初至拾取处理上的有效性与实用性.本方法在微震监测等相关领域中具有较高的理论与应用价值.     

关于提高微震事件自动识别效率的一个注记

利用美国国家地震信息中心的地震早期警报系统，通过对数字化地震记录的分析，针对各种可能出现的情况，对微震的自动识别和计算机实时处理进行了讨论。有关结论对地震的自动识别和震源参数的计算测定精度的提高，有重要的参考意义。     

融合门控循环单元和自注意力机制的矿山微震P波到时拾取方法

基于深度学习方法提出了一种矿山微震P波到时拾取方法。首先构建CNNDet模型进行事件监测和到时预拾取;其次引入自注意力机制,融合门控循环单元（GRU）构建CGANet模型,对检测到的事件进行P波到时精确拾取;最后将该方法与长短时窗能量比法、DPick和PpkNet方法进行对比,结果显示测试集的事件检测精确率和召回率都达到98%以上,P波到时估计的误差均值和标准差分别为0.014 s和0.051 s,说明本文方法在精确率、召回率及标准差等方面均明显优于上述三种方法。此外,对不同信噪比样本进行测试的结果也证明,本文方法在低信噪比下依然能保持较高的精度。在实际震源定位中,该方法也展现出了更优异的性能。     

机器学习在地震事件自动检测中的应用综述

很多地震学问题的解决都依赖于地震事件的准确检测,随着计算机软硬件的快速发展,机器学习学科发展迅速,其在地震事件自动检测中的应用在过去几十年被广泛研究,不同的机器学习算法被应用于火山喷发、天然地震等事件的自动检测中.本文介绍了自动检测的经典算法和基于相关性的算法,系统概述了机器学习领域内各种算法在地震事件检测中的应用现状...     

天然地震识别与震相自动拾取技术进展

震相拾取是地震数据处理过程中最基本的步骤之一。在传统的人工拾取技术不能满足庞大的地震数据处理需求的情况下,震相自动拾取技术从产生到发展至今经历了漫长的过程。本文回顾并总结了震相自动拾取技术的发展状况,重点介绍了长短时窗法、赤池准则法、模板匹配技术、基于自相关盲搜索的FAST法、S波偏振分析法、人工智能方法等,以及近年发展起来的多频率震相识别、全波形叠加、二次方自回归模型等方法,同时分析了每种方法的优势和局限性。     

基于反射界面自动拾取的AVA反演方法研究

本文将逐点匹配滤波思想应用于叠前AVA反演,提出了一种反射界面自动拾取方法,从而将叠前非线性反演问题转化为两步线性反演进行求解.首先基于逐点计算的方式获取每个采样点对应的残差值,然后在残差曲线上自动拾取波谷以定位反射界面,最后在频率域采用最小二乘反演对叠前参数进行更准确的估计.相比于传统的同时估计反射界面位置和幅值的非线性反演方法,该方法不需要关于参数的个数、分布等先验假设,并且具有运算速度快、求解稳定的优点.模型试验以及实际地震资料处理验证了该方法的有效性.

     

基于面向对象的无监督分类的遥感影像自动分类方法

为了实现无任何先验知识的高分辨率遥感数据的自动分类,并进一步提高自动分类精度和效率,提出了一种基于面向对象的无监督分类方法(Object Oriented Unsupervised Classification).具体步骤如下:首先对遥感影像进行分割,得到一系列空间上相邻、同质性较好的分割单元,然后对分割单元进行特征提取,得到分割单元的对象特征(光谱特征、纹理特征等多特征信息),进而对分割单元进行基于对象特征马氏距离聚类.最后,通过分类后处理(类别合并、错分类别调整等)得到最终的分类结果.通过实验表明:本文提出的方法不仅能够利用影像中更多的特征信息进行聚类而且还可以有效地减少聚类对象的个数,从而使自动分类的精度和效率都得到较大的提升.     

基于机器学习的极光图像自动分割方法

极光是太阳风能量注入到极区的指示器,从观测视野中准确分割出极光区域对研究极光演变如亚暴过程有非常重要的意义.本文基于全卷积神经网络提出了一种弱监督极光图像自动分割策略,数据标记时仅需指定极光区域的一个像素点即可,极大解决了机器学习人工标注数据的压力.首先利用简单单弧状极光图像训练一个初始分割模型Model 1,然后基于该模型,结合热点状和复杂多弧状极光图像获得一个增强的分割模型Model 2,最后对分割结果做进一步优化.本文对2003-2007年北极黄河站越冬观测的2715幅极光图像进行了分割,并和最新论文结果及人工标签进行了定量和定性比较,其中分割结果与人工标签的"交并比"高达60%,证明了本文方法的有效性.