基于改进U-Net的微地震事件识别方法

摘要

微地震事件识别是水力压裂微地震监测数据处理的一个关键环节,当前基于深度学习的微地震事件识别方法在有效事件特征提取和抗噪方面存在一定的局限,无法满足后续微地震震源定位、反演等工作的要求.本文提出基于改进U-Net的微地震事件识别方法,该方法在U-Net下采样过程中引入残差收缩模块,通过残差块实现网络结构的跨层连接以减少模型训练时特征信息的损失,结合软阈值收缩技术削弱微地震数据中噪声特征的干扰,增强模型的抗噪能力;在上采样过程中引入注意力门机制,通过门控信号对提取到的微地震数据特征向量进行加权,使模型重点关注数据中含有微地震事件的区域,提高模型有效特征的提取能力与识别精度.合成和实际微地震数据实验结果表明,本文方法可充分提取有效微地震事件特征,相比于传统卷积神经网和残差网络能更准确地识别出微地震事件,测试集准确率分别提高6.28%、3.70%,尤其对能量弱的微地震信号的识别精度高于同类网络模型,并具有较好的抗噪与泛化能力.

关键词

微地震事件识别 / U-Net / 残差收缩模块 / 注意力门 / 信号处理