基于小波分解与高阶统计量的微地震初至拾取方法研究

微地震资料的处理、解释首先需要拾取精确的初至信息。微地震初至的人工拾取虽然精度较高,但工作量大,不能满足实时处理的需要。为此,提出了一种基于小波多尺度分解和高阶统计量相结合的长短时窗峰度比(wavelet transform based short time window kurtosis/long time window kurtosis,W-STK/LTK)微地震初至拾取方法。考虑到有效微地震信号频率较低,而噪声信号频率则相对较高,首先对微地震信号进行小波多尺度分解,剥离有效信号与噪声;接着对分解得到的最大尺度信号应用基于高阶统计量的长短时窗峰度比(STK/LTK)算法;最后在分析特征曲线异常点特征的基础上识别微地震有效信号并拾取初至。模型数据和实际资料测试结果表明,该方法能够从信噪比较低的微地震资料中较准确地拾取微地震P波初至。     

基于小波分解与Akaike信息准则的微地震初至拾取方法

微地震震源的定位要求精确确定初至,人工拾取微地震有效事件需要很大的工作量。首先讨论了Akaike信息准则(AIC)初至拾取方法;然后根据微地震信号在相邻小波尺度上连续的特点,将基于AIC的初至拾取方法与小波多尺度分析方法相结合,对微地震资料进行多尺度分析;最后利用AIC拾取初至,并根据初至的分布特点确定地震记录中是否存在有效的微地震事件。克服了传统AIC法由于噪声影响使初至点模糊而难以准确拾取的缺点。模型与实际资料的应用表明,基于小波分解与AIC相结合的初至拾取方法能够从信噪比低的资料中较准确地识别出有效微地震事件。     

应用图像语义分割网络的微地震事件识别和初至拾取方法

微地震初至精确拾取是目前微地震监测关键环节之一,传统的人工拾取方法耗时长、效率低,在实际应用中容易导致无法及时预警等问题。近年来,基于深度学习的长短期记忆网络模型(LSTM)常用于微地震初至拾取,但在低信噪比环境下拾取准确率较低,且忽视了微地震数据中相邻道初至之间的关联性。针对上述问题,将微地震初至发生前、后看作是图像二分类问题,提出了一种应用图像语义分割网络的微地震事件识别和初至自动拾取方法。应用在矿井中采集的实际微地震数据进行实验,结果表明,对包含岩石破裂、工程爆破等多类型微地震事件,该方法的识别准确率较现有的深度学习方法明显提高,平均拾取误差大幅降低,特别是低信噪比数据的平均拾取误差远小于LSTM法,因而具有良好的实际工程应用价值。     

结合CEEMDAN和主成分分析的低信噪比微地震初至信号检测

微地震资料信噪比过低,传统方法的初至拾取精度与稳定性大多不理想。将基于自适应噪声完备经验模态分解（CEEMDAN）与主成分分析（PCA）相结合,有效地实现了低信噪比资料中的初至特征检测。针对低信噪比微地震资料进行CEEMDAN处理后,对各阶本征模态函数（IMF）进行PCA,再对各阶IMF的主成分进行加权重构,同时对次要成分进行压制与剔除,使三分量信号中具有较强一致性的初至信息得以保留。设计多组不同信噪比的测试信号,对方法的可行性进行测试,并最终应用于三分量实测信号。结果表明,该方法在极低信噪比条件下仍可实现对微地震信号初至的有效识别与检测。     

基于高阶累积量时间延迟估计的自动剩余静校技术

复杂地表条件工区的地震资料往往存在严重的剩余静校正问题,常用的剩余静校正方法一般要求准确拾取初至旅行时,但在面对低信噪比地震资料时,很可能耗费极高的人力时间成本进行手动初至拾取。发展了基于高阶累积量时间延迟估计的自动剩余静校正方法,采用高阶累积量和相干叠加的方法得到两点间的时延,再使用时延的组合得到炮检点的剩余静校正量。该方法的优势在于,互相关使用两道数据进行时延估计,只利用二维地震信息,而高阶累积量使用多道数据,利用三维地震数据信息增强有效信号;与互相关类方法相比,高阶累积量不再要求噪声为高斯分布,与实际地震资料的情况更加吻合,对背景噪声的压制效果更优;结合地震干涉法中相干叠加的思路进一步提高信号有效叠加次数和信噪比,保证获得稳定可靠的道间时延估计结果。该方法采用完全数据驱动,在面对海量低信噪比地震资料时,可有效避免初至拾取所需的高昂时间人力成本。合成数据实例验证了高阶累积量进行时延估计的良好抗噪性及计算剩余静校正量的有效性。将该方法应用于中国西部某地区实际低信噪比地震资料的处理,明显改善了同相轴的连续性,与基于初至拾取的剩余静校正方法相比,该方法降低了初至拾取所需的大量时间人力成本。     

低信噪比地震资料初至自动拾取技术

为提高低信噪比地震资料初至自动拾取的精度,提出了一种联合应用曲波变换与希尔伯特变换进行初至拾取的方法。首先采用基于Wrapping的快速离散曲波变换算法对检波点静校正和线性动校正后的炮域数据进行曲波变换,然后根据随机噪声和有效初至信号的曲波系数在不同尺度不同方向上的分布差异,设置合适的阈值对曲波系数进行"去噪"处理,最后将处理后的曲波系数进行反变换,获得压制随机噪声后的地震记录。利用希尔伯特变换计算各地震道的瞬时振幅,然后利用改进的瞬时强度比公式逐道计算给定的时窗内各采样点的瞬时强度比,最后根据瞬时强度比极大值确定单炮的初至时间。理论数据和实际资料处理结果表明,对于低信噪比地震资料,利用曲波变换法进行去噪后,数据的信噪比得到了提高。结合具有一定抗噪能力的改进型瞬时强度比初至拾取方法,可以有效地提高自动拾取初至的精度,减少人工修改错误初至的工作量,该方法具有一定的实用价值。     

基于多尺度分解的微地震噪声压制与初至检测方法研究

地面微地震数据信噪比很低,严重影响了初至拾取的精度及反演结果的可靠性。为此,对基于改进的完备总体经验模态分解(ICEEMD)的去噪方法与初至检测方法进行了研究,首先利用ICEEMD将非平稳信号分解为一系列相对平稳的固有模态函数,然后提出了一种自适应间隔阈值去除固有模态中噪声成分的方法,最后将去噪后的分量相加重构去噪后的信号。应用Hilbert变换计算每个分量的振幅,然后计算持续能量比,利用给定的阈值找到局部最大值,计算得到高能量的地震信号的到达时间。理论模型数据及实际微地震资料的处理结果表明,去噪后数据的信噪比得到了改进,相对于传统的空间域滤波与变换域阈值去噪,该去噪方法具有显著的优势及较好的应用价值,与Hilbert变换结合的初至检测方法可以有效地检测微地震信号初至。     

基于超虚干涉法约束的模糊C均值聚类地震初至自动提取

在静校正和层析成像等地震数据处理中,准确并快速地拾取初至是随后速度结构成像和地震资料综合解释的前提。手动拾取方法难以适用于海量地震数据处理,且存在人为误差。对于低信噪比地震数据,相关法、能量比值法（STA/LTA）、分形维法等常规自动拾取方法需不断调整参数以达到设定拾取精度,导致稳定性变差。为此,提出一种基于超虚干涉（SVI）约束的模糊C均值（FCM）聚类地震初至自动拾取方法。FCM聚类分析是一种非监督的机器学习方法,仅依赖数据本身进行分类,可更灵活、方便地应用于实际地震初至拾取;对于低信噪比数据,须预先利用SVI法加强远炮检距等弱初至信号的能量,提高地震数据的信噪比,以实现地震初至的准确、稳定拾取。理论模型数据和实际地震资料测试结果进一步表明了该方法的稳定性和高效性。     

最小二乘曲线拟合的微地震初至优化拾取方法及应用

水力压裂改造中微地震事件具有能量弱、信噪比变化大、干扰源复杂等特点,对微地震信号进行快速精确的初至拾取是微地震实时监测、指导压裂生产急需解决的关键问题。针对微地震事件时窗能量比法拾取精度低、不同信噪比事件适应性差的特点。首先应用能量比法粗略拾取初至位置。然后应用最小二乘曲线拟合法拟合理论曲线,在拟合曲线定义的前、后时窗范围内二次优化拾取初至。通过实际数据测试,并与能量比法对比,验证了本文方法的有效性与可行性。基于最小二乘曲线拟合的微地震初至优化拾取方法能较快速、准确地拾取不同波形特征、不同信噪比的微地震事件初至,有效提高微地震实时定位的准确性与效率。     

基于深度卷积生成对抗网络的地震初至拾取

地震记录初至拾取质量往往受限于地震数据的复杂性,在陆地和浅海地震数据中尤为明显。为了更高效地拾取初至,提出了一种基于深度卷积生成对抗网络(DCGAN)的地震数据初至拾取方法,其关键在于构建一个适用于地震数据初至拾取的DCGAN,包含生成器与判别器两部分。生成器由一个全卷积神经网络(FCN)构成,用于学习地震炮集数据到初至波之间的特征映射;判别器由一个卷积神经网络(CNN)构成,用于辅助生成器训练。基于DCGAN的初至拾取方法的实现分为三步:数据预处理、网络训练和预测拾取。通过对不同卷积层数的网络结构的对比分析,确定了一个最优的DCGAN结构。一旦DCGAN的训练完成,利用其完成一炮地震数据的初至拾取仅需几秒的时间。将DCGAN方法应用于实际数据初至拾取并与现有初至拾取方法(如长短时窗比(STA/LTA)法和峰度赤池信息量准则(AIC)法)的拾取结果相比较,结果表明基于DCGAN的初至拾取方法的精度更高,能满足生产需要。     

一种适于存在极性反转的微震初至到时拾取方法

地面微震监测资料的信噪比往往很低,从中识别微震事件和拾取微震到时数据仍然是个难题。当不同道的微震存在初至极性反转时,常用的多道微震记录波形相似系数函数会导致微震事件的识别与拾取遗漏。为此,提出一种适于存在极性反转的微震初至到时拾取方法。利用所有道两两之间的互相关函数最大幅值对应的延时数据,求取各道微震事件的相对到时;用各道的相对到时对微震事件初至到时进行时差校正后,利用相邻道零延迟相乘再叠加得到参考道,并用长短时窗能量均值比(STA/LTA)算法确定参考道上微震初至到时;最后,将各道的微震相对到时分别与参考道初至到时相加得到各道微震的绝对到时。合成数据和实际资料的处理结果表明,利用相邻道零延迟相乘能有效克服初至极性反转对微震识别和初至拾取带来的不利影响,为微震事件识别和到时拾取提供信噪比较高的参考道,提高了微震事件识别和初至到时拾取的精度。     

一种降低微震定位误差的偏振分析方法

目前微地震监测技术已成为地球物理界的热门技术之一。对于微地震震源定位,主流的初至时差分析方法由于方程组局部极值、初至拾取困难以及波速恒定假设等问题,极易产生超定或欠定的误差,而且未考虑有效数据不足的情况。为此,利用所测量的检波器姿态信息,计算出参考校正角,并将垂直、径向和切向分量数据校正为标准的三分量数据,以此提取同型波来计算偏振角,所获取的偏振角数据一方面可进行定位求解,另一方面也可对三分量数据进行进一步的校正,以提高时差分析中初至拾取的准确性;综合偏振角极化分析与初至时差分析两种方法建立了最小误差优化模型,实现了更为复杂地质条件下的联合定位,降低了定位误差。最后对数值模拟实验和野外实验结果进行了统计分析,结果表明:最优化联合定位方法能够大大降低定位误差且在有效数据不足的情况下仍能保证较好的定位效果,有效数据在9组以上时的定位误差小于7 m。     

自适应数据驱动的紧框架微地震数据随机噪声压制

地面微地震数据的信噪比很低,严重影响初至拾取的精度及反演结果的可靠性。本文首先采用基于弱纹理块的噪声估计方法求取含噪微地震数据中的噪声方差,然后采用数据驱动紧框架方法去噪,有效地压制实际微地震数据中的随机噪声,提高数据的信噪比。理论模型和实际资料的处理结果表明,该方法可以去除传统方法在低信噪比数据去噪后引入的背景斑块,且去噪后的信噪比得到了极大的提高。因此,相对于传统的方法,本文方法具有显著的优势及较好的应用价值。     

应用双向长短时记忆神经网络的微地震信号降噪方法

地面微地震监测数据噪声干扰强、信噪比低,对后续的微地震初至拾取、成像定位等产生严重影响。因此,微地震信号降噪是微地震数据预处理中的关键步骤,而常规降噪方法常依赖于算法参数的设置,不具备普遍的适用性。为此,提出了一种应用双向长短时记忆(Bi-LSTM)神经网络的微地震信号降噪方法。首先,使用合成信号和实际信号构造样本数据集,对构建的Bi-LSTM模型进行训练和测试,得到降噪效果最好的模型;然后,利用训练好的Bi-LSTM网络对不同信噪比的合成信号和川渝地区油气井的实际压裂监测微地震信号进行降噪处理。降噪后的实际微地震信号用于地震发射层析成像,并分析图像以实现地面微地震信号的震源定位。实验分析结果表明,该方法能够有效降低微地震信号中的各类噪声,提高信噪比,从而提高震源定位的精度。与传统算法相比,该方法不需要参数调整,具有良好的泛化特性。     

利用人工神经网络自动拾取地震记录初至

地震记录初至的拾取可作为一个模式识别过程而引和神经网络理论进行分析。本文将一个三层感知器成功地用于地震记录初至拾取。神经网络训练采用误差反向传播算法，其中学习率在学习过程中随着输出节点的误差自动调节，隐层节点在学习过程中可以自动增加，从而加快了训练的速度；同时，也为克服网络陷入局部极小起到一定作用。该法采用了地震峰值，均方根振幅比，信噪比，前后峰值差等五个特征量进行选择。训练后的网络对不同探区的地     

初至拾取预处理

初至波常常会受到很多干扰因素的影响，因而无法保证准确拾取。小波变换的时频局部化分析方法能将频率与时间很好对应，对信号突变敏感，可以用来对资料进行初至拾取前的预处理。分析了影响初至拾取准确度的因素，探讨了选择小波函数和变换尺度的原则，并进行了不同小波变换处理效果对比。模型和实际资料处理结果表明，小波变换可以很好地恢复初至波的峰值，突出起跳位置。     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。