基于卷积神经网络的微地震有效事件识别研究

摘要：在油气田开发阶段，通过分析微地震资料来确定裂缝的位置，对油藏动态进行监测和油田采收率的提高有重大意义。微地震有效事件识别是对微地震有效信号的拾取，很大程度上影响随后的震源定位工作。卷积神经网络已被广泛应用于图像分类与目标检测。本文采用卷积神经网络中的DenseNet模型，在网络结构中使用Transition模块连接两个相邻的密集块，每个密集块都采用BN-ReLU-Conv（1×1）-BN-ReLU-Conv（3×3）的结构，应用于四川南部某页岩气开发区水力压裂资料拾取中。

关键词：微地震;卷积神经网络;DenseNet模型

1 引言

微地震监测作为一种快速发展的油藏工程管理工具，在油气藏勘探开采过程中可进行储层压裂监测、油藏动态监测，可以优化油气注采方案，降低开发成本，提高油气产量，能够大大缩短和降低储层监测的周期与费用。目前微地震有效事件的自动拾取技术研究还处于初始阶段，大多数适用于中等和大地震。因此往往会错过许多低强度的地震。卷积神经网络作为一种高效的前馈型神经网络，但鲜有文献将其应用到微地震识别方面，卷积神经网络有很好的识别有效微地震事件的能力，它对波形“外貌特征”的高效提取应用在微地震方面可以做到快速识别微地震有效事件。

2 卷积神经网络

2.1 卷积神经网络定义

CNN是包含卷积计算且具有深度结构的前馈神经网络，深度学习的代表算法之一。在典型卷积网络中，一层完整的卷积网络包含三个阶段：第一阶段称为卷积层，该层执行类积操作生成组特征图;第二阶段称为探测层，每个特征值被送入一个非线性激活单元中进行激活;第三阶段称为池化层，将下层提取到的特征进行采样，缩小网络规模。CNN每一层是二维平面，层与层之間的连接是局部连接，同一层的某些神经元到下层的权值被设置为相同，这称为稀疏连接与权值共享。采用多个卷积特征，会计算出多个卷积特征矩阵。设置多个卷积层，可以提取多个不同特征用于最终的分类任务。历经多轮卷积和池化之后，往往会在网络末端嵌上一个或两个全连接层对反复提取得到的特征进行分类。

2.2 卷积神经网络特点

CNN的一大特点就是权值共享，极大程度上克服了权值多的计算训练慢的缺点。考虑到并非所有神经元都与下一层中的某个神经元相连，所以连接是局部的且尊重神经元之间的相关性。这样可以防止训练时间过长及过度拟合，只要全连接MLP的权重数量随着图像尺寸的增加而增加。层中的神经元以维度排列，通常是三个维度，以宽度、高度和深度的形式放置在一个阵列中，将视觉系统模型化，使其能够在物体即使存在偏移、轻微形变的情况下也能完成识别。CNN训练过程可以被视为使用交互式前向传播和反向传播来解决复杂的非线性逆问题。前向传播的目的是根据设计的网络和更新的参数计算分类输出，而反向传播的目标是更新这些参数。

3 构建微地震有效事件识别模型

3.1 密集块

一个完整的DenseNet要包括3个密集块，在密集块的内部每个特征图都必须保持大小一致，每层输入采用concatenate连接，而与ResNet不同，后者采用element-wise连接。在网络内部每个节点代表批归一化+ReLU+卷积，每个卷积层都是3*3*k的过滤器。在过渡块中，池化层会改变特征图的大小，以提高效率。过渡层节点是批归一化-卷积-池化结构组成，卷积是1×1的卷积，密集块内部的每个节点也是密集连接的。一个密集块是由L层密集层组成，每层的输出都是不变的，输入通道数是增加的，每层的输入是前面所有层的并集。在密集块的内部可以采用瓶颈层来减少计算量。瓶颈层的设计主要在是原有的结构中增加了1x1的卷积，即批归一化+ReLU+1x1卷积+批归一化+ReLU+3x3卷积。在所有的密集块中，各个层在进行了卷积之后均输出k个特征图。

3.2 过渡层

在密集块中，每经过一个卷积块，就会增加k个特征图。因此，我们需要在一个密集块的后面加入过渡层来使一定数量的特征图的到压缩，从而保证训练的高效性。过渡层包括一个1x1的卷积和2x2的平均池化，结构为批归一化+ReLU+1x1卷积+2x2的平均池化。过渡层被用来放在两个密集块的中间，这是因为每个密集块在运行结束后的输出通道数很多，需要用1×1的卷积核来达到降维的效果。过渡层可以起到压缩模型的作用。

4 模型实例研究

基于构建的微地震有效事件识别模型，将构建的DenseNet模型应用于四川南部某页岩气开发区水力压裂资料拾取中。从该地区的地震观测数据记录中，挑选出2826个微地震有效事件和2024个不同形成背景的噪声事件构成原始数据集。绝大多数微地震有效事件的震级在1～3级之间。原始数据集图像的原始分辨率均为222×166，使用resize函数将图片裁剪为合适的分辨率。设置好相关参数后，将处理后的数据载入模型训练。

5 结果分析与评估

由运行结果可见，当训练集与测试集的比例为1：1时，训练到100代，也就是2500次时，测试集准确率已达到了99%，模型已经稳定了;当训练集与测试集的比例为3：1时，若数据为64×64，用CPU进行运算，训练到100代，也就是2500次左右时，测试集准确率已经达到了99.7%。train_acc和valid_acc两者在较高的水平，并且数值是非接近，这样的网络模型就是合格的。综上构建的神经网络模型效果是理想的，有很好的识别有效微地震事件的能力。

参考文献

[1]陆文凯， 牟永光. 利用BP神经网络进行测井资料外推[J]. 石油地球物理勘探， 1996， 31（5）： 712-715.

[2]刘晗， 张建中. 微震信号自动检测的STA/LTA算法及其改进分析[J]. 地球物理学进展， 2014， 29（4）： 1708-1714.

[3]刘瑞林， 马在田. 神经网络在油气评价和预测方面的研究现状[J]. 地球物理学进展， 1995， 10（2）： 75-84.

[4]吕世超. 微地震有效事件识别及震源自动定位方法研究[D]. 北京：中国石油大学（北京）， 2011.

作者简介：杨敏（1995-），女，汉族，四川省仁寿县人，硕士，单位：西华大学计算机与软件工程学院，研究方向：计算机技术