[发明专利]基于MS-Net网络的微地震有效信号初至拾取方法及系统

说明书

本发明涉及微地震数据处理技术领域，尤其涉及一种基于MS‑Net网络的微地震有效信号初至拾取方法及系统。所述方法包括生成原始数据集；数据集标定；将所述数据集输入到构建好的MS‑Net网络中进行训练，取得最优网络模型参数，具体包括对进行标定的所述一部分样品进行有监督训练，未进行标定的所述另一部分样品进行无监督训练；逐点计算所述数据集概率分布；所述系统包括数据集制作模块、数据集训练模块和输出模块；本发明实施例通过MS‑Net网络结合半监督方法，将无监督loss和有监督loss加权求和构造总loss，通过最小化总loss，优化网络模型参数，最终实现有效信号初至点的准确预测与识别；减少训练集标记标签数量，提高训练集质量和检测精度。

技术领域

本发明涉及微地震数据处理技术领域，尤其涉及一种基于MS-Net网络的微地震有效信号初至拾取方法及系统。

背景技术

微地震检测方法在工程施工、地质灾害防治等方面有着重要的作用，同时微地震信号又有信号能量弱，易受背景噪声干扰的特性，造成微震信号的初至无法准确拾取，导致微地震事件的定位不准确，因此微地震有效信号检测方法是微地震数据处理领域的重点之一。

传统的信号检测技术包括通过快速傅里叶变换对信号进行频谱分析、小波、曲波以及剪切波变换进行时频转换等手段以达到去除噪音保留有效信号的目的。但是传统的方法若直接应用于微地震资料却往往无法获取满意的效果，而这将直接影响微地震监测的质量和精度。基于深度学习所做的信号监测近年来逐渐受到人们的广泛关注，其主要原因在于其具有参数多、容量众的特点，使得其网络对于海量数据拥有强大的处理能力；MS-Net的新型网络模型由UNet++网络中加入Denseblock(Gao Huang,Zhuang Liu，Laurens van derMaaten，Kilian Q.Weinberger.2017)块组成，深化网络结构，通过UNet++网络中的跳层、剪枝结构，在提取出信号主要以及细微化特征的同时，避免了出现特征堆砌、过拟合的问题，通过加入Denseblock块，弥补了UNet++网络层数较少带来深层特征识别不明显的问题，从而可以准确获取深层和浅层特征构建MS-Net网络，一定程度上提高了对信号特征的精细化提取。

现有技术的不足之处在于，需要人为标记标签数据集输入到网络中进行强化训练学习，训练集质量不高，耗时长且准确率较低。

发明内容

为克服现有技术存在的不足，本发明实施例提供一种基于MS-Net网络的微地震有效信号初至拾取方法及系统，减少训练集标记标签数量，提高训练集质量和检测精度。

一方面，本发明实施例提供一种基于MS-Net网络的微地震有效信号初至拾取方法，包括以下步骤：

S1，生成原始数据集；具体包括利用有限差分正演生成不同模型下，主频范围20～1000Hz的大量模拟信号与实际资料共同构成原始数据集；

S2，数据集标定；具体包括对原始数据集一部分样品进行初至拾取，选出其中每道信号采样点初至和非初至处的信号波形并分别进行标定，另一部分样品不进行标定；

S3，将所述数据集输入到构建好的MS-Net网络中进行训练，取得最优网络模型参数；具体包括对进行标定的所述一部分样品进行有监督训练，未进行标定的所述另一部分样品进行无监督训练；

S4，逐点计算所述数据集概率分布；具体包括利用softmax函数逐点输出概率，得到所有点的二分类概率，选取初至类别的概率峰值为初至点。

另一方面，本发明实施例提供一种基于MS-Net网络的微地震有效信号初至拾取系统，包括：

数据集制作模块，生成原始数据集；具体包括利用有限差分正演生成不同模型下，主频范围20～1000Hz的大量模拟信号与实际资料共同构成原始数据集；数据集标定；具体包括对原始数据集一部分样品进行初至拾取，选出其中每道信号采样点初至和非初至处的信号波形并分别进行标定，另一部分样品不进行标定；