2025, Vol. 55
2. 莆田学院新工科产业学院，福建 莆田 351100
微地震监测(microseismic monitoring)是目前页岩气开采进行水力压裂作业时常用的监测手段之一。使用微震监测数据可以进行压裂裂缝定位和裂缝网络成像，其结果被用于评价水力压裂的效果[1]。当前水力压裂微震监测有井中监测和地面监测两种方式。地面微震监测施工方便、成本低、成像范围广。但是，地面检波器距离裂缝震源的距离远，接收到的微震信号能量弱，造成监测资料的信噪比非常低。有效微震信号会被淹没在机器噪声、背景噪声等干扰中无法被识别[2]。地面微震监测数据中的噪声既包含随机噪声，又包含相干噪声。其中相干噪声的频带与有效微震信号有重叠，较难被消除。在进行噪声压制时，必须在保留有效信号能量与消除噪声能量两者之间进行权衡。
常用的微震监测数据消噪方法有变换域滤波法[3]、预测滤波法[4]、矩阵降秩法[5]、稀疏变换法[6-7]、经验模态分解法[8]，以及深度学习类方法[9-11]等。变换域滤波方法是先将含有噪声的时-空域微震信号转换到其他变换域，如频率域[12]、F-K域[13]、τ-p域[14]等。虽然噪声和有效微震信号的波形在时-空域是重叠的，但是在变换域中，两者所对应的能量在满足一定条件时能够被区分[15]。由于相干噪声的频谱与有效微震信号的频谱混叠程度较高，因此这类方法消除相干噪声的效果并不理想。预测滤波方法通过已知信号构建预测模型，将实际值与预测值的偏差视为噪声，对随机噪声抑制有效。但其性能受模型精度制约，低信噪比条件下难以建立可靠模型，故不适用于微震监测的低信噪比数据处理。稀疏变换类方法利用小波变换[16]、剪切变换[17]、Seislet变换[18]、同步挤压变换[19]等变换将信号转换到变换域中。当噪声和有效微震信号的能量在变换域中可以分离时，稀疏变换类方法可以较好的进行消噪。这类方法对于随机噪声的消除效果较好，但是当微震监测数据的信噪比较低，且包含大量强相干噪声时，噪声和有效信号的能量在变换域中也无法被区分，因此这类方法对于相干噪声的压制效果并不理想。降秩消噪类方法利用奇异值分解(singular value decomposition，SVD)等技术先将含有噪声的微震监测信号分解，再根据有效微震信号的特征选择需要保留的奇异值，最后利用选择的奇异值进行信号重构。这种方法一般认为被舍弃的奇异值与噪声相对应，在降维的过程中可以去除微震数据中存在的部分周期噪声以及随机噪声。但是，SVD方法依赖人为选取的奇异值范围，如果选取不当，则会在消噪过程中损伤有效信号的能量或者保留过多的噪声。经验模态分解(empirical mode decomposition, EMD)[20]是常用的微震数据消噪方法之一。该方法先对含噪声信号进行分解，得到若干不同的本征模态函数(intrinsic mode functions, IMFs)，每个模态函数包含不同的频率成分。如果有效微震信号和噪声出现不同的IMF中，可以通过舍弃含噪声的IMF后再进行重构的方式实现消噪。但是EMD在分解时会伴随一定程度的模态混叠现象。为此，学者们提出了许多改进的EMD方法。例如集合经验模态分解(ensemble empirical mode decomposition，EEMD)[21]、内在完全集合经验模态分解(intrinsic complete ensemble empirical mode decomposition，ICEEMD)[22]、变分模态分解(variational mode decomposition, VMD)[23]等。总的来说，基于EMD的消噪方法在处理含有相干噪声的低信噪比微震信号时效果并不理想。学者们提出将EMD方法与其他消噪方法相结合的思路来进行消噪，并取得了一定效果[24]。近年来，深度学习技术快速进步和发展，并在微震信号消噪领域展现出巨大的潜力。例如，卷积神经网络(convolutional neural network, CNN) [25]、张量深度学习网络[26]、U-Net[27]和生成对抗网络(GAN)[28]等都被用于微震信号的处理当中。但是，消噪神经网络的训练效果受到训练数据质量和数量的制约。由于实际地面微震监测信号的信噪比较低，在构建训练集时很难获取足够多的有效微震信号作为标签数据。为此，有学者提出使用自监督学习网络来解决标签数据不足的问题，但是该类网络的通用性不佳，针对某一区域训练完成的消噪网络难以应用于其他区域的数据。
综上所述，当前的消噪方法对于微震监测资料中的随机噪声去除效果较好，但是很难处理低信噪比资料中的周期噪声等相干噪声。针对这一问题，本文提出了一种基于时-频域U-Net的消噪方法。首先，对模拟微震监测数据进行同步挤压变换，获取每一道数据的高分辨率时-频谱，并利用其构建U-Net网络的模拟数据训练集。利用模拟数据训练集对网络进行训练后，再使用实际微震监测数据所构建的训练集对网络参数进行微调，从而获得最适用于该实际数据的消噪网络。分别利用模拟数据和实际数据对消噪网络的性能进行了测试，并与常规微震消噪方法进行了对比。结果表明，本文提出的网络对于低信噪比数据中的相干噪声消除效果优于常规方法，并能在处理实际微地震数据时获得良好的效果。
1 理论 1.1 网络训练集本文采用监督学习的方式进行网络训练，首先介绍如何构建时-频域训练集。每道监测数据中的有效微震信号之间存在明显的相关性，这种相关性不仅体现在信号的波形上，还体现在频率、相位、幅度以及传播时间等属性上。为了能够让网络在学习过程中更好地利用数据道之间有效微震信号的相关性，在创建网络训练集时并没有直接使用时-空域的微震监测数据，而是先利用高精度时-频变换获取每一道监测数据的时-频能量谱，再创建时-频域的网络训练集。本文所使用的时-频变换是同步挤压变换(synchrosqueezing transform，SST)，它对于高频弱有效信号的表达更为清晰，能有效地压制一部分噪声，且时-频谱上的有效信号能量更为集中，分辨率更高。SST的以上特点使得道间微震有效信号在二维时-频谱上的相关性更加明显，有利于网络学习。
同步挤压变换是在连续小波变换(continuous wavelet transformation, CWT)的基础上改进的方法[29]。该方法在小波变换结果的基础上，通过对信号中各频率成分在频率域方向上进行压缩而获得更高的时-频分辨率，使得各频率成分能够清晰地显示在时-频谱上[30-31]。设微震信号s(t)的连续小波变换W(a, b)为
| $ W(a, b)=\frac{1}{\sqrt{a}} \displaystyle \int_{-\infty}^{+\infty} s(t) \psi^*\left(\frac{t-b}{a}\right) \mathrm{d} t。$ | (1) |
式中：a为尺度因子；b为平移因子；ψ*为共轭小波函数。接下来对W(a, b)进行同步挤压，通过将时-频谱上的能量重新归位到瞬时频率附近的方式来提高W(a, b)的时-频分辨率。同步挤压变换后的时-频谱表达式为
| $ T\left(\omega_k, b\right)=\frac{1}{\Delta \omega_{a_i:\left|\omega\left(a_i, b\right)-\omega_l\right| \leqslant \frac{\Delta \omega}{2}}} W\left(a_i, b\right) a_i^{\frac{3}{2}} \Delta a_i 。$ | (2) |
式中：ωk是第k个离散频率，Δω=ωk-ωk-1是频率间隔，Δai=ai－ai-1是尺度间隔。由于现场监测数据的信噪比较低，且其中包含的有效信号数量有限，因此只使用现场数据不足以构建消噪网络的训练集。本文采用先使用模拟数据构建大规模训练集进行初步训练，再使用实际数据构建的小规模训练集进行网络参数微调的策略。
在本文中，采用信噪比的定量准则来判别不同方法对微震监测资料有效信号的识别能力强弱。信噪比的公式如下：
| $ S N R=10 \lg \left[\frac{\sum\limits_{t=1}^N\left(F(t)^2\right)}{\sum\limits_{t=1}^N\left(F^{\prime}(t)-F(t)\right)^2}\right] 。$ | (3) |
式中：F(t)为无噪的有效信号；F′(t)为识别出来的有效信号；N为信号F(t)的长度。
1.1.1 模拟数据训练集选用雷克子波进行有效微震监测信号模拟，其表达式为
| $ w(t)=\left[1-2(\pi f t)^2\right] \mathrm{e}^{-(\pi f t)^2} 。$ | (4) |
其中f为主频。单道地震道d(t)可以看为反射系数序列与子波的卷积：
| $ d(t)=w(t) \times r(t)+n(t) \text { 。} $ | (5) |
式中：r(t)为反射系数序列；n(t)为噪声。设定模拟微震记录时间采样点为256，采样间隔为0.001 s，道数为44道，道间距为50 m。模拟时使用的观测系统与实际微震监测资料所在工区的观测系统参数一致，总共8条测线。观测系统如图 1所示，红线表示检波器真实布设位置，其非规则形态由野外施工条件制约所致，主要受地形条件及居民区分布等客观因素限制。模拟得到的微震信号如图 2(a)所示。从实际微震监测资料中提取的真实噪声如图 2(b)所示。在无噪的模拟信号中加入噪声后，得到含噪信号(见图 2(c))。分别对无噪的信号和含噪信号进行同步挤压变换，得到它们的高分辨率时-频谱，如图 2(d)、(f)所示。为了保证模拟数据构成的消噪网络训练集能够包含尽可能多的噪声类型，首先提取实际水力压裂微震监测资料中所包含的噪声。不同水力压裂阶段微震监测信号中包含的主要噪声类型不同，因此，分别从水力压裂施工不同阶段、不同压裂段的数据中提取实际噪声数据，再按照不同的信噪比加入到无噪的微震模拟数据中。通过大量提取不同阶段的数据，充分确保了训练样本包含了水力压裂微震监测资料中的各种类型噪声，包括但不限于周期性的压裂作业噪声、偶发性的强噪声，以及背景随机噪声。分别将无噪的微震数据和含噪的微震数据进行同步挤压变换，就可以得到网络训练的数据集，如图 3所示。在训练时，将无噪的有效微震信号时-频谱作为标签数据。
|
图 1 模拟时使用的观测系统 Fig. 1 Observation system used in the simulation |
|
( (a)合成有效微震信号；(b)加入的实际噪声；(c)加入噪声后的有效微震信号；(d)无噪有效微震信号的时-频谱；(e)噪声的时-频谱；(f)加噪后信号的时-频谱。图中红线指示单道时-频谱所对应的单道微震记录。(a) Synthesized effective microseismic signal; (b) Actual noise added; (c) Effective microseismic signal after adding noise; (d) Time-frequency spectrum of the noise-free effective microseismic signal; (e) Time-frequency spectrum of the noise; (f) Time-frequency spectrum of the signal after adding noise. The red line in the figure indicates the single-channel microseismic record to correspond to the T-F spectrum. ) 图 2 模拟微震记录和时-频谱 Fig. 2 Simulation of microseismic recordings and time-frequency spectra |
|
( (a)含噪数据集；(b)标签数据集。(a) Noisy dataset; (b) Label dataset. ) 图 3 利用SST创建网络训练集 Fig. 3 Creating network training set using SST |
水力压裂过程中所产生的微震信号频率通常在0~200 Hz的区间，为了有效模拟水力压裂过程中的有效微震信号，分别选取频率为20、50、80、110、140、170 Hz的雷克子波进行模拟。由于压裂现场环境干扰严重，地面微震监测所采集到的数据中包含大量干扰信号，这些噪声信号会严重影响到微震信号的提取和微震定位的准确度。图 4所展示的是地面微震监测中常见的噪声，包括：周期性的压裂作业噪声(红色箭头)、偶发性的强噪声(黄色箭头)，以及背景随机噪声(蓝色箭头)[32]。其中压裂作业噪声为相干噪声，这类噪声的能量强，频带宽，与有效微震信号在频率域会发生重叠，很难消除。
|
图 4 地面微震监测中常见的噪声 Fig. 4 Common noises in ground microseismic monitoring |
由于模拟数据训练集中标签数据的有效微震信号与实际监测数据中的有效微震信号在频率、幅度、相位等方面还存在差异。因此，在使用模拟数据进行消噪网络训练后，再利用实际的压裂微震监测信号对网络进行迁移学习。在进行迁移学习时，将信噪比较高的有效微震信号作为标签数据，再加入实际噪声以构建迁移学习训练集。由于迁移学习训练集的数据量较小，因此训练时间很短，可以满足现场实时微震监测的要求。迁移学习中，解码器参数保持不变，冻结编码器层，学习率设为0.001，训练50轮次。
迁移学习的过程如下：
对每一段目标区域进行正式压裂之前，会先进行射孔作业。此时微震监测系统所采集到的信号虽然包含现场的各种相关和随机噪声，但是射孔信号的能量强，监测信号的信噪比非常高。为构建迁移学习的训练集，将射孔信号作为标签，再在其中加入实际噪声。之后，利用该训练集训练网络，完成第一次迁移学习。在第一段射孔完成后，施工方将开始进行压裂施工。这时，就可以利用迁移学习后的网络进行实时微震监控。第一段压裂结束后，利用第一次迁移学习后的网络提取有效微震信号，这个时候提取出来的有效微震信号的信噪比相对较高，通过动校正拉平后可以通过时窗截取得到无噪或者少噪的有效微震信号，加入噪声构成第二次迁移学习的训练集后再进行训练，为第二段压裂监测做好准备。按照这种方式，每一段压裂完成之后，都会利用上一段压裂的监测数据进行一次迁移学习，使得消噪网络的性能逐步提高。
图 5是利用实际射孔信号创建的第一次迁移学习训练集。图 5(a)是射孔信号，5(b)是加入噪声后的射孔信号，5(c)和5(d)分别是无噪的射孔信号和加噪后射孔信号的时-频谱。5(e)是从第一次压裂的监测信号中提取的有效微震信号，5(f)是加噪后的有效微震信号，5(g)和5(h)分别是无噪的有效微震信号和加噪后微震信号的时-频谱。利用第一次压裂的监测数据，创建了第二次迁移学习的训练集。在训练时，无噪的有效微震信号时-频谱作为标签数据。
|
( (a) 射孔信号；(b)含噪射孔信号；(c)射孔信号的时-频谱；(d)含噪射孔信号的时-频谱；(e)第一次压裂的有效微震信号；(f)加噪后的有效微震信号；(g)第一次压裂有效微震信号时-频谱；(h)含噪有效微震信号时-频谱。图中红线指示单道时-频谱所对应的单道微震记录。(a) Perforation signal; (b) Noisy perforation signal; (c) T-F spectrum of the perforation signal; (d) T-F spectrum of the noisy perforation signal; (e) Effective microseismic signal of the first fracturing; (f) Noisy effective microseismic signal; (g) T-F spectrum of the effective microseismic signal of the first fracturing; (h) T-F spectrum of the noisy effective microseismic signal. The red line in the figure indicates the single-channel microseismic record to correspond to the T-F spectrum. ) 图 5 迁移学习训练集 Fig. 5 Transfer learning training set |
本文采用监督学习的方式对U-Net神经网络进行训练，网络架构和消噪流程如图 6所示。网络共55层，包括三个部分：下采样、上采样和跳跃连接。下采样使用96个大小为3×3的卷积核，步幅设为1，激活函数为Relu函数，丢弃率为0.01，采用2×2的最大池化。高精度时-频变换可以一定程度地分离有效微震信号与噪声的能量，这有助于网络更准确地提取有效微震监测数据的时-频域特征。进行上采样使用的反卷积核大小为2×2，步幅为2，作用为重构微震信号。网络通过3次跳跃连接将编码和解码部分所获取的数据特征进行融合。网络的输入通道数为1，经过第一个下采样模块，通道数变为96，下采样模块共27层。网络的末端通道数为24，经卷积操作后变为1，输出数据大小与输入数据保持一致。网络训练采用均方误差(mean squared error, MSE)损失函数，优化器为Adam，初始学习率为0.001，采用分段下降的学习率调度策略，下降因子为0.1，下降轮次为20，批量大小10，训练100轮次。
|
图 6 U-NET消噪网络流程 Fig. 6 Process of U-NET noise removal network |
(1) 选用不同主频的雷克子波生成不含噪声的模拟微震监测数据，构成标签数据集。在无噪声模拟数据中加入从实际微震监测资料所提取的真实噪声，构建出不同信噪比的模拟含噪微震数据。为了保证提取的噪声包含所有实际监测数据中的噪声类型，选取水力压裂的不同阶段进行提取。
(2) 对模拟含噪微震数据的每一道信号进行同步挤压变换，得到其高分辨率时-频谱。例如，图 6中得到的时-频谱大小为256×512。接下来，将复数时-频谱数据分为实部和虚部进行重新排列。
(3) 将含噪模拟数据和无噪模拟数据构成训练集后，对消噪网络进行训练。
(4) 消噪网络的输出是微震信号消噪后的时-频数据体，将其经过同步挤压逆变换后得到时-空域的微震信号。最后，将所有道信号重新排列就得到消噪后的模拟微震记录。
2 数据测试消噪网络训练完成后，先用模拟数据进行测试，再用实际微震监测数据进行测试。网络训练所使用的电脑硬件配置如下：CPU为13th Gen Intel(R) Core(TM)i7-13700K；显卡为NVIDIA GeForce RTX 4090，GPU显存为24 GB，电脑内存为32 GB。
2.1 模拟数据测试为了展示本文方法的消噪效果，选用经验模态分解方法和直接将时-空域信号输入U-net网络训练的方法(简称T-S U-net)与本文方法进行对比。EMD方法分别将微震记录中的每道信号分解为一系列IMF和一个残余分量。每个IMF分量代表了信号中不同时间尺度的局部特征信号，通过提取不同的IMF分量对信号进行重构以提高资料的信噪比。T-S U-net方法所使用的网络架构与本文方法所使用的网络架构一致，不同的是T-S U-net方法输入和输出数据都是时-空域微震记录，而本文网络的输入是时-频域数据。
如图 7所示，选用主频为140Hz、信噪比为-23.85 dB的低信噪比合成微震监测资料进行处理。表 1给出了本文方法、T-S U-net方法和EMD方法对合成微震监测资料处理后信噪比的改善结果。结合图 7(h)和表 1可以看出，T-S U-net方法虽然能有效提高微震监测资料的信噪比，但是识别出的有效信号连续性较差，能量较弱，且在有效信号的周围残存着各个频率的噪声，同时出现了虚假的同相轴(见图 7(h)紫色箭头处)。在时-频域上，本文方法识别出的有效信号与标签信号相近，而T-S U-net方法识别出的有效信号仍残留大量不同频段的噪声。在低信噪比的微震监测资料中，EMD方法处理后的微震记录中仍存在大量的高频噪声，有效信号难以被识别，信噪比改善效果有限。与此相比，本文方法对于低信噪比合成微震监测资料的有效信号识别能力突出且有效，对于强周期噪声的压制效果明显，极大改善了信号的信噪比。
|
( (a) 无噪有效信号；(b) 合成含噪微震记录；(c) 添加的噪声；(d) 有效信号的时-频谱；(e) 含噪微震记录的时-频谱；(f) 噪声的时-频谱；(g) 本文方法识别的有效信号；(h) T-S U-NET识别的有效信号；(i) EMD方法识别的有效信号；(j) 本文方法有效信号的时-频谱；(k) T-S U-NET识别的有效信号的时-频谱；(l) EMD方法识别的有效信号的时-频谱。图中红线指示单道时-频谱所对应的单道微震记录。(a) Noise-free effective signal; (b) Synthesized noisy microseismic recordings; (c) Noise added; (d) T-F spectrum of the effective signal; (e) T-F spectrum of the noisy microseismic recordings; (f) T-F spectrum of the noise; (g) Effective signal identified by the method in this paper; (h) T-F spectrum of the Effective signal identified by T-S U-net; (i) T-F spectrum of the effective signal identified by EMD; (j) T-F spectrum of the effective signal identified by the method in this paper; (k) T-F spectrum of the effective signal identified by T-S U-net; (l) T-F spectrum of the Effective signal identified by EMD. The red line in the figure indicates the single-channel microseismic record to correspond to the T-F spectrum. ) 图 7 140 Hz主频合成数据的去噪结果 Fig. 7 Denoising results of synthesized data with primary frequency of 140 Hz |
|
表 1 140 Hz资料不同方法消噪结果的信噪比(SNR)对比 Table 1 SNR comparison of denoised results of different methods on the 140 Hz data |
为了进一步测试本文方法对不同频率微震监测资料的消噪能力，再选用主频为50 Hz，信噪比为-9.37 dB的低信噪比合成微震监测资料进行处理，结果如图 8和表 2所示。可以看到，对于信噪比相对较高的微震监测资料，T-S U-net方法处理结果中仍存在部分周期噪声，尤其是35~44道更为明显(见图 8(h)蓝色椭圆圈处)。同时，该方法仍存在识别出虚假有效信号的问题(见图 8(h)紫色箭头处)。在时-频域上，该方法虽然能突出有效信号的分辨率，但与本文方法相比仍残留着大量噪声，且有效信号的能量损失相对较严重。EMD方法消除了资料中大部分的高频噪声，能较为明显地识别出有效信号，但是消噪后数据中仍然存在明显的低频噪声，其消噪后资料的信噪比低于其他两种方法，且在时-频域上未能有效突出有效微震信号，如图 8(i)、(l)所示。相比之下，本文方法仍能有效地识别出有效信号，且对强周期噪声的压制能力和资料的信噪比的改善也优于其他两种方法。
|
( (a) 无噪有效信号；(b) 合成含噪微震记录；(c) 添加的噪声；(d) 有效信号的时-频谱；(e) 含噪微震记录的时-频谱；(f) 噪声的时-频谱；(g) 本文方法识别的有效信号；(h) T-S U-NET识别的有效信号；(i) EMD方法识别的有效信号；(j) 本文方法有效信号的时-频谱；(k) T-S U-NET识别的有效信号的时-频谱；(l) EMD方法识别的有效信号的时-频谱。图中红线指示单道时-频谱所对应的单道微震记录。(a) Noise-free effective signal; (b) Synthesized noisy microseismic recordings; (c) Noise added; (d) T-F spectrum of the effective signal; (e) T-F spectrum of the noisy microseismic recordings; (f) T-F spectrum of the noise; (g) Effective signal identified by the method in this paper; (h) T-F spectrum of the Effective signal identified by T-S U-net; (i) Effective signal identified by EMD; (j) T-F spectrum of the effective signal identified by the method in this paper; (k) T-F spectrum of the effective signal identified by T-S U-net; (l) T-F spectrum of the effective signal identified by EMD. The red line in the figure indicates the single-channel microseismic record to correspond to the T-F spectrum. ) 图 8 50 Hz主频的合成数据去噪结果 Fig. 8 Denoising results of synthesized data with primary frequencyof 50 Hz |
|
|
表 2 50 Hz资料不同方法消噪结果的信噪比(SNR)对比 Table 2 SNR comparison of denoised results of different methods on the 50 Hz data |
为了提高消噪网络的泛化性，使用实际微震监测资料对网络进行迁移学习。实际数据来自四川某油气田的水力压裂现场微震监测，该水平压裂井的观测系统如图 1所示。本文选用了该井第二压裂段的部分数据进行处理。图 9对比了进行迁移学习前后网络的消噪效果。如图 9(c)所示，直接使用未进行迁移学习的网络对实际微震监测资料进行消噪后，资料中仍然存在周期噪声和随机噪声，且有效信号的能量损失严重。以第21道信号为例(见图 9中红线标明处)，在时-频域上迁移学习后的消噪网络能有效指示出有效信号的时频范围，而未迁移学习的网络则指示出噪声的时频范围，有效信号丢失。EMD方法虽然在一定程度上提高了资料的信噪比，但是对噪声的压制仍不理想，在时-频域上仍不能正确分离出有效信号和噪声。结合图 9(c)和表 3可知，迁移学习后，消噪网络能更好地去除资料中的相干噪声和随机噪声，且有效微震信号的能量保存得更好，极大地改善了资料的信噪比。
|
( (a)实际含噪微震记录；(b) 迁移学习后识别的有效信号；(c) 未进行迁移学习前识别的有效信号；(d) EMD方法识别的有效信号；(e) 含噪微震记录的时频谱；(f) 迁移学习后识别的有效信号的时频谱；(g) 未进行迁移学习前识别的有效信号的时频谱；(h) EMD方法识别的有效信号的时频谱。图中红线指示单道时频谱所对应的单道微震记录。(a) Actual noisy microseismic records; (b) Effective signal after transfer learning; (c) Effective signal recognized before transfer learning; (d) Effective signal identified by EMD; (e) T-F spectrum of the actual noisy microseismic records; (f) T-F spectrum of the effective signal after transfer learning; (g) T-F spectrum of the effective signal recognized before transfer learning; (h) T-F spectrum of the effective signal identified by EMD. The red line in the figure indicates the single-channel microseismic record to correspond to the T-F spectrum. ) 图 9 迁移学习前后的去噪结果 Fig. 9 Denoising results before and after transfer learning |
|
|
表 3 迁移学习前后及EMD消噪结果的信噪比(SNR)对比 Table 3 SNR comparison of the results before and after transfer learning and EMD |
地面微震监测可以为水力压裂施工提供实时的震源定位结果，但是微震数据采集过程中受到各种相干噪声和随机噪声的干扰，严重影响微震信号识别、定位和成像的准确度。因此，微地震监测资料的消噪处理成为提升数据解释精度和可靠性的关键环节。针对低信噪比微震监测数据，本文提出使用U-net网络进行消噪，并利用高分辨率同步挤压变换构建时-频域训练集。相较于时-空域网络训练集，时-频域训练集能更有效地区分有效微震信号与噪声的能量分布，从而在时-频域上凸显相邻数据道中有效微震信号之间的相关性。这些特点使得时-频域训练数据更加有利于网络提取信号的特征。本文的消噪网络采取监督学习的方式进行训练，其性能依赖于训练数据的质量与数量。在微地震资料消噪中，如何获取大量高质量的训练数据始终是一个挑战。此外，模型的泛化能力也很重要，即网络对于未见过的微震监测数据是否能保持良好的消噪效果。本文先利用加入实际噪声的模拟数据构建时-频训练集训练网络，再使用实测微震监测资料对训练好的网络模型进行迁移学习。实验结果表明，基于时-频域训练集的U-net消噪网络可以得到比采用时-空域训练集的U-net，以及EMD方法更好的消噪结果。并且，迁移学习能够进一步改善网络的消噪效果。基于深度学习的微地震资料消噪技术具有广阔的应用前景，但同时也面临着诸多挑战。通过不断改良训练数据集、优化网络模型结构、提高数据处理效率、增强模型泛化能力，该类技术将有望为油气勘探与开发提供更加精确、可靠的微地震监测数据。
| [1] |
Gómez Julián L, Velis D R. A simple method inspired by empirical mode decomposition for denoising seismic data[J]. Geophysics, 2016, 81(6): 403-413. DOI:10.1190/geo2015-0566.1 (  0) |
| [2] |
Mousavi S M, Langston C A. Adaptive noise estimation and suppression for improving microseismic event detection[J]. Journal of Applied Geophysics, 2016, 132: 116-124. DOI:10.1016/j.jappgeo.2016.06.008 ( 0) |
| [3] |
Roy V, Shukla S. Spatial and transform domain filtering method for image de-noising: A review[J]. International Journal of Modern Education and Computer Science, 2013, 5(7): 41-49. DOI:10.5815/ijmecs.2013.07.05 ( 0) |
| [4] |
Chen Y, Ma J. Random noise attenuation by fx empirical-mode decomposition predictive filtering[J]. Geophysics, 2014, 79(3): 81-91. ( 0) |
| [5] |
Huang W, Wang R, Zhang M, et al. Random noise attenuation for 3D seismic data by modified multichannel singular spectrum analysis[C]. 77th EAGE Conference and Exhibition 2015. Madrid, Spain: European Association of Geoscientists & Engineers, 2015, 2015: 1-5.
( 0) |
| [6] |
Herrmann F J, Hennenfent G. Non-parametric seismic data recovery with curvelet frames[J]. Geophysical Journal International, 2008, 173(1): 233-248. DOI:10.1111/j.1365-246X.2007.03698.x ( 0) |
| [7] |
Liu B, Sacchi M D. Minimum weighted norm interpolation of seismic records[J]. Geophysics, 2004, 69(6): 1560-1568. DOI:10.1190/1.1836829 ( 0) |
| [8] |
贾瑞生, 赵同彬, 孙红梅, 等. 基于经验模态分解及独立成分分析的微震信号降噪方法[J]. 地球物理学报, 2015, 58(3): 1013-1023. Jia R S, Zhao T B, Sun H M, et al. Microseismic signal denoising method based on empirical mode decomposition andindependent component analysis[J]. Chinese Journal of Geophysics, 2015, 58(3): 1013-1023. ( 0) |
| [9] |
Li X, Feng S, Guo Y, et al. Denoising method for microseismic signals with convolutional neural network based on transfer learning[J]. International Journal of Computational Intelligence Systems, 2023, 16(1): 91. DOI:10.1007/s44196-023-00275-w ( 0) |
| [10] |
Chai C, Maceira M, Santos-Villalobos H J, et al. Using a deep neural network and transfer learning to bridge scales for seismic phase picking[J]. Geophysical Research Letters, 2020, 47(16): e2020GL088651. DOI:10.1029/2020GL088651 ( 0) |
| [11] |
Zhang Q, Zhang W, Wu X, et al. Deep learning for efficient microseismic location using source migration-based imaging[J]. Journal of Geophysical Research: Solid Earth, 2022, 127(3): e2021JB022649. DOI:10.1029/2021JB022649 ( 0) |
| [12] |
Yao Y, Wang G, Liu L. Microseismic signal denoising using simple bandpass filtering based on normal time-frequency transform[J]. Acta Geophysica, 2023, 71(5): 2217-2232. DOI:10.1007/s11600-022-01012-1 ( 0) |
| [13] |
刘法启, 张关泉. 小波变换与F-K算法在滤波中的应用[J]. 石油地球物理勘探, 1996(6): 782-791. Liu F Q, Zhang G Q. Application of wavelet transform and F-K algo-rithm in filtering[J]. Oil Geophysical Prospecting, 1996(6): 782-791. ( 0) |
| [14] |
宋维琪, 刘太伟. 地面微地震资料τ-p变换噪声压制[J]. 石油地球物理勘探, 2015, 50(1): 48-53. Song W Q, Liu T W. Surface microseismic noise suppression with τ-p transform[J]. Oil Geophysical Prospecting, 2015, 50(1): 48-53. ( 0) |
| [15] |
Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995. DOI:10.1098/rspa.1998.0193 ( 0) |
| [16] |
李稳, 刘伊克, 刘保金. 基于稀疏分布特征的井下微地震信号识别与提取方法[J]. 地球物理学报, 2016, 59(10): 3869-3882. Li W, Liu Y K, Liu B K. Downhole microseismic signal recognition and extraction based on sparse distribution leatures[J]. Chinese Journal of Geophysics, 2016, 59(10): 3869-3882. ( 0) |
| [17] |
Tang N, Zhao X, Li Y, et al. Adaptive threshold shearlet transform for surface microseismic data denoising[J]. Journal of Applied Geophysics, 2018, 153: 64-74. DOI:10.1016/j.jappgeo.2018.03.019 ( 0) |
| [18] |
刘洋, Fomel Sergey, 刘财, 等. 高阶seislet变换及其在随机噪声消除中的应用[J]. 地球物理学报, 2009, 52(8): 2142-2151. Liu Y, Fomel Sergey, Liu C, et al. High-order seislet translorm and its application of random noise attenuation[J]. Chinese Journal of Geophysics, 2009, 52(8): 2142-2151. ( 0) |
| [19] |
黄忠来, 张建中. 同步挤压S变换[J]. 中国科学: 信息科学, 2016, 46(5): 643-650. Huang Z L, Zhang J Z. Synchrosqueezing S-transform[J]. Scientia Sinica Informationis, 2016, 46(5): 643-650. ( 0) |
| [20] |
Maïza Bekara, Baan M V D. Random and coherent noise attenuation by empirical mode decomposition[J]. Geophysics, 2009, 74(5): 89-98. ( 0) |
| [21] |
Wu Z, Huang N E. Ensemble empirical mode decomposition: A noise-assisted data analysis method[J]. Advances inAdaptive Data Analysis, 2009, 1(1): 1-41. DOI:10.1142/S1793536909000047 ( 0) |
| [22] |
Torres M E, Colominas M A, Schlotthauer G, et al. A complete ensemble empirical mode decomposition with adaptive noise[C]. 2011 IEEE international conference on acoustics, speech and signal processing (ICASSP). Prague, Czech Republic: IEEE, 2011: 4144-4147.
( 0) |
| [23] |
Liu W, Cao S, Chen Y. Applications of variational mode decomposition in seismic time-frequency analysis[J]. Geophysics, 2016, 81(5): 365-378. DOI:10.1190/geo2015-0489.1 ( 0) |
| [24] |
朱权洁, 隋龙琨, 陈学习, 等. 基于EMD-SVD的矿山微震信号降噪方法及其应用[J]. 安全与环境工程, 2024, 31(3): 110-119. Zhu Q J, Sui L K, Chen X X, et al. Denoising method and application of mine microseismic signal based on EMD-SVD[J]. Safety and Environmental Engineering, 2024, 31(3): 110-119. ( 0) |
| [25] |
Wamriew D, Pevzner R, Maltsev E, et al. Deep neural networks for detection and location of microseismic events and velocity model inversion from microseismic data acquired by distributed acoustic sensing array[J]. Sensors, 2021, 21(19): 6627. DOI:10.3390/s21196627 ( 0) |
| [26] |
Binder G. Neural networks for moment-tensor inversion of surface microseismic data[C]. SEG International Exposition and Annual Meeting. Anaheim, USA: Society of Exploration Geophysicists, 2018: SEG-2018-2998626.
( 0) |
| [27] |
Chirtu M A, RadoiA. Seismic Signal Denoising using U-Net in the Time-Frequency Domain[C]. 2022 45th International Conference on Telecommunications and Signal Processing (TSP). Prague, Czech Republic: IEEE, 2022: 6-10.
( 0) |
| [28] |
Ding M, Zhou Y, Chi Y. Self-attention generative adversarial network interpolating and denoising seismic signals simultaneously[J]. Remote Sensing, 2024, 16(2): 305. DOI:10.3390/rs16020305 ( 0) |
| [29] |
Daubechies I, Lu J, Wu H T. Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool[J]. Applied andComputational Harmonic Analysis, 2011, 30(2): 243-261. ( 0) |
| [30] |
Mousavi S M, Langston C A, Horton S P. Automatic microseismic denoising and onset detection using the synchrosqueezed continuous wavelet transform[J]. Geophysics, 2016, 81(4): 341-355. DOI:10.1190/geo2015-0598.1 ( 0) |
| [31] |
Herrera R H, Han J, van der Baan M. Applications of the synchrosqueezing transform in seismic time-frequency analysis[J]. Geophysics, 2014, 79(3): 55-64. ( 0) |
| [32] |
秦亮, 李唐律, 曹脊翔, 等. 同步挤压S变换与τ-p变换联合的微地震信号消噪方法[J]. 石油地球物理勘探, 2024, 59(2): 219-229. Qin L, Li T L, Cao J X, et al. Microseismic signal denoising method combining synchrosqueezing S-transform and τ-p transform[J]. Oil Geophysical Prospecting, 2024, 59(2): 219-229. ( 0) |
2. School of Mechanical and Electrical and Information Engineering, Putian University, Putian 351100, China