[发明专利]联合U-Net++和UDA的微地震有效信号初至拾取方法及装置

说明书

本发明公开一种联合U‑Net++和UDA的微地震有效信号初至拾取方法及装置，所述方法包括：获取原始微地震信号数据并进行预处理，得到微地震信号数据集；根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签数据集；将有标签数据集和无标签数据集一并投入到U‑Net++网络中分别进行基于高斯噪音的有监督训练和基于数据增强的无监督训练，将预测出的有监督部分的损失值和无监督部分的损失值整合为最终损失值，将所述最终损失值作为衡量整个网络模型质量的标准进行半监督模型训练；通过训练好的网络模型进行微地震有效信号初至拾取。本发明可减少人工成本，提高集成预测的准确度。

技术领域

本发明属于微地震信号检测领域，具体涉及一种联合UDA和U-Net++网 络实现微地震有效信号的初至拾取的方法及装置。

背景技术

微地震是一种小型地震，在地下矿井深部开采过程中常常是不可避免的。 微地震监测技术作为页岩气开采的重要途径，在勘探过程中发挥着越来越重要 的作用，若能实现微地震有效信号的自动识别和初至的自动拾取，将对海量微 地震数据的自动处理有重要意义。

通过卷积神经网络(Convolutional Neural Network，CNN)进行微地震有 效信号的初至拾取已有大量研究。Nested-U-Net(UNet++)网络在U-Net网络的基 础上加入跳层结构，可以有效提取不同维度特征，但由于UNet++网络本身层数 较浅，在识别精度上还有待提高。传统的微地震有效信号检测需要大量的人工 标记样本，耗时长并且准确率低。因此，如何实现半监督条件下对连续输入信 号的准确检测就显得至关重要，本发明重点研究如何在强噪音背景下快速准确 的实现对小样本的微地震有效信号的初至拾取。

发明内容

本发明在U-Net++的基础上，结合无监督数据增强(Unsupervised DataAugmentation，UDA)，生成多样且真实的噪声数据并使模型对这些噪声保持一 致性，这样不仅可以对小样本的微地震信号进行高精度的初至拾取，还能优化 损失，解决传统微地震信号检测需依赖大量样本数据计算和拾取精度低的问题。

本发明第一方面，提出一种联合U-Net++和UDA的微地震有效信号初至 拾取方法，所述方法包括：

S1、获取原始微地震信号数据并进行预处理，得到微地震信号数据集；

S2、根据微地震信号数据集的部分数据制作有标签数据集，其余为无标签 数据集；

S3、将有标签数据集和无标签数据集一并投入到U-Net++网络中分别进行 基于高斯噪音的有监督训练和基于数据增强的无监督训练，将预测出的有监督 部分的损失值和无监督部分的损失值整合为最终损失值，将所述最终损失值作 为衡量整个网络模型质量的标准进行半监督模型训练；

S4、通过训练好的网络模型进行微地震有效信号初至拾取。

优选地，所述步骤S1具体包括：

用matlab画出原始微地震信号数据的剖面图并标记信号的采样点，提取出 有效信号道、剔除无效道，通过低通或高通滤波实现信号和噪音的分离；

使用S变换对微地震信号进行时频分析，得到微地震信号数据集；所述S 变换的公式为：

其中为高斯窗函数，t代表时间，f代表频率。

优选地，所述步骤S3中，所述基于高斯噪音的有监督训练的过程为：

将有标签数据集分为两批标签信号，一批保持不变，另一批通过添加高斯 噪音进行干扰；将两批有标签信号放入U-Net++网络进行卷积、池化操作得到 端对端的输出；

对于保持不变的数据，计算得到条件概率分布p_θ(y|x)，对于添加高斯噪音 进行干扰的数据，计算得到条件概率分布