更全的杂志信息网

基于Shearlet-AIC算法的微地震初至拾取

更新时间:2009-03-28

0 引 言

随全球科技与经济的发展, 人类对油气这种不可再生资源的需求也日益增多, 然而传统石油勘探的发展形势严峻, 全球范围内开采大型高渗透型油气田己经濒临末期[1], 日渐增多的油气需求量和日渐衰竭的油气储藏量成为亟待解决的关键问题。为进一步提高石油产量, 非常规油气开采受到了更多关注, 作为其主要的技术手段, 微地震监测技术近年来迅速发展, 对低渗透油气藏的开发具有重要的意义。在非常规油气加速开采中, 水力压裂[2]作为一种常用的监测技术手段, 能得到精确、 及时、 丰富的监测信息。该方法是在油气田开采水力压裂或注水时, 地下岩层产生的裂缝或错动会诱发出大量微地震波, 通过事先排布在地面或井中检波器接收, 通过分析与处理反演得到断裂的位置, 实现储层油气资源的精准定位。

微地震监测主要有预处理、 初至信息的拾取及震源的反演定位3个过程。其中震源位置的精准定位是微地震检测技术的核心问题, 而微地震信号的初至拾取作为震源定位的先决条件[3], 初至拾取的准确程度在很大程度上决定了震源定位的精度, 错拾或漏拾信号初至都会对震源定位产生很大的影响, 从而对后期成果的解释产生影响。微地震信号频率较高、 能量微弱、 持续时间短, 且实际接收数据常常受到许多噪声的干扰, 因此微地震资料具有低信噪比的特点。根据微震数据的这些特征, 高效准确地拾取微地震的初至信息成为目前研究的重点, 它可为非常规油气藏开发及底层精细结构解释提供可靠的技术支持。

为解决低信噪比背景下初至拾取准确率低的问题, 笔者从微地震有效信号与噪声的特征差异[4]出发, 将Shearlet变换[5-9]应用到地面微地震信号初至拾取中, 经过Shearlet变换将输入数据分解含噪信号; 根据信号与噪声在频域不同尺度上的特征差异, 通过优化Shearlet低频尺度层的参数, 增加有效信号与噪声之间的差异; 最后引入Akaike信息准则[10,11](AIC(Akaike Information Criterion)算法)求得低、 中频尺度层的AIC初至点, 从而对输入的微地震记录的处置信息进行拾取。经验证该方法是一种有效的、 具有高准确度的初至拾取方法, 并能在低信噪比环境下提供准确可靠的初至结果。

人民警察在实际执法过程中,存在着对继续盘问、传唤、先行拘留和拘传等强制措施混淆适用的情形。对已经确认相对人存在着违法犯罪嫌疑的,按照法律规定应当采取传唤、先行拘留或拘传等强制措施,并不辨明清楚具体情形,统统以继续盘问为由予以处置。

1 传统AR-AIC信息准则的初至拾取

Akaike信息准则是一种基于自回归模型[12]的算法, 建立在熵的基础上, 由信息论和极大似然原理推导而出, 用于权衡统计法估计模型的复杂度和衡量此模型拟合优良度的一种标准。在微地震的初至拾取中用于确定两种统计特性不同的平稳序列的分界点。

假设微地震信号可看做是一个平稳过程, 故可用AR模型表示

 

(1)

其中M是模型阶数, a(m)是系数, ε(t)是具有零均值和方差为的平稳白噪声序列。

Shearlet变换是在合成小波的基础上, 结合仿射系统理论进行构造而出的剪切波。在维数n=2的情况下, 合成仿射系统可表示为

 

(2)

其中M1M2分别为噪声和微地震信号的阶数, tN为输入微地震数据的长度。

MAB(φ)具有Parsaval紧框架结构, 对任意fL2(R2)满足

其中Na,s是各向异性膨胀矩阵和剪切矩阵的组合。Ma,s,t(φ)称为连续剪切波。对φ(x)满足

 

(3)

其中(a,s)∈R+×R满足如下仿射系统

AIC函数在模型阶数过大的情况下需要对高阶矩阵求逆, 导致运算量过大。在本文中, 笔者参照Maeda[13]提出的一种AR-AIC的简便算法

A(k)=klg{var(x[1,k])}+(N-k-1)lg{var(x[k+1,N])} k=1,2,…,N

(4)

其中k的取值对应x中所有样点。这种方法直接通过微地震数据求取AIC值, 避免了由于使用AR模型阶数而引起的计算量过大的问题。

对含噪微地震数据进行尺度数为4, 方向数为8的Shearlet变换, 图3a为选取的低频尺度层的波形, 可清晰观察到该层初至拾取的结果, 图3b为经Shearlet变换后的中频尺度层的拾取效果, 图3c为高频尺度层的拾取结果。通过结果对比可以清楚地看到, 在Shearlet域利用有效信号和噪声在不同尺度上的差异, 为去除极端值的影响, 对每道数据进行处理时, 由于低、 中频尺度层含有绝大多数的有效信号, 将这两层的两个结果求取均值作为该道数据的初至拾取结果, 可实现对低信噪比的实验数据进行准确快速拾取的目的, 为后续的信号识别与初至拾取提供了有利条件。

大力支持民营企业发展,就要创新拓展公共法律服务,以法律服务促民营经济健康持续发展。组织律师、公证、仲裁等法律服务行业和法律援助、法治宣传工作积极服务民营企业。建立民营企业矛盾纠纷调解工作机制,第一时间开展民营企业矛盾纠纷调处化解,既帮助民营企业解决经营困难,又定分止争,促进民营企业健康发展。

2 基于Shearlet变换的AIC初至拾取

2.1 Shearlet变换原理

选取的系统模型在点tp处可分别视为噪声和微地震信号两个部分, 分别用AR模型表示

MAB(φ)={φj,k,l(x)=φ(BlAjx-k): j,lz, kz2}

(5)

其中φL2(R2)表示合成仿射系统中的元素, L表示可积空间, AB是2×2的可逆矩阵, |det B|=1, j为尺度参数, l为剪切参数, k为平移参数。

除了上述弊端,不少企业招聘录用一段时间后,发现大部分客服人员能力素质无法达到既定要求,无奈降低管理标准、简化服务流程,这样因人设岗的做法本末倒置,不利提升企业客服水平。

 

(6)

MAB(φ)称为合成小波。Aj矩阵是和尺度变换相关的, Bl是保持面积不变和几何变换相匹配的, 如旋转, 平移, 剪切, 缩放等的操作。令

从医院的血液透析中心角度来看,血液透析的护理质量高低和患者的生命具有息息相关的联系,护理人力资源的合理配合和科学的管理,能够在一定程度上直接的影响到血液透析中心的工作质量,而护理人员进行分层管理也是护理专业进行发展的一个必然趋势,它能够将护理岗位的相关工作职责和相关技术有机的结合在一起,进而就能够发挥出不同层次的护理人员的作用,提高了护理的效率和工作质量,能够更好的为患者提供服务[1]。本研究主要分析分层管理模式,应用在血透中心护理管理当中的效果,并且将主要的研究情况报告如下。

 

(7)

其中M是符合模型的AR过程的阶数, C是常数,是两段数据的方差。AR模型的阶数可通过调试和修正获取, 其系数可通过Yule-Walker方程求取。AIC值在最小平方意义下最小的点认为是两段稳定的时间序列的分界点因此解释为相位起跳点。该过程就是AR-AIC拾取过程。

MNa,s(φ)=Ma,s,t(φ)={φa,s,t(x)=a-3/4φ(Na,s(x-t)): aR+, sR+, tR2}

(8)

若一段数据包含两种性质不同的信号, 根据式(1)所确定的数学模型, 则在数据中k点的AIC值为

2015年广东工业大学的陈新度等提出了一种电动恒力装置,如图13所示。该装置通过音圈电机驱动端部法兰及工具沿轴向运动,并根据安装于音圈电机推杆末端的传感器反馈的力信号和姿态信号实时调节音圈电机的电流,使恒力装置与工件间保持恒定作用力。该装置具有结构简单、响应快、成本低和使用范围广等优点。同时,该装置也存在音圈电机伸出杆易振动的缺陷[23]。

 

(9)

其中φ(x)的傅里叶变换, φ1为连续小波变换,满足

 

(10)

φ2为bump函数,⊂[-1,1], 且在区间(-1,1)上

通过对尺度参数矩阵Aa的调整, 可实现对输入信号频率的控制, 调整a可实现对不同统计特性的信号的处理。这对与统计特性有差异的异常信号的检测是十分有效的。通过适当调整as对数据中的噪声信号和有效微地震信号在不同尺度下进行不同程度分辨率的分离, 进一步准确分析信号。

2.2 Shearlet-AIC的初至拾取方法

在地表微地震数据信噪比较低的情况下, AIC法拾取的准确率下降, 使拾取结果与真实初至的误差加大。针对以上问题, 利用有效信号与噪声在振幅以及频率等方面的差异引入Shearlet变换, 它同时从时域和频域两方面对信号进行分析, 其结果展现了更丰富的信号信息, 相比于单方面的时域或频域分析方法, 它可以对微地震信号进行更准确的检测和识别。再通过对低频和中频尺度层上Shearlet系数的处理, 增大在低、 中频尺度上信号与噪声在幅值与能量上的差异, 以达到初至点自动拾取的目的。通过人工模拟仿真和实际记录处理, 验证了本方法具有更强的可行性, 为低信噪比的地面微地震记录提供准确的拾取结果。

为验证笔者所提算法于微震地面监测信号在初至拾取方面的有效性, 首先模拟一个如图1所示的双同相轴的人工模拟的地面微地震记录, 该记录总共有24道数据。信号主频20 Hz, 采样频率为1 000 Hz。向其加入-10 dB的高斯白噪声如图2所示。

今年的混合型基金业绩呈现极大分化。数据显示,截至12月26日,2481只混合型基金年内平均收益率为-14.13%,其中实现正收益的有454只,占比18.30%。上投摩根安丰回报A年内业绩达到14.86%,排在业绩榜首位。值得一提的是,12月26日,今年以来最赚钱混合型基金——中邮尊享一年定期发布触发清盘公告,正式退出年末冠军争夺战,上投摩根安丰回报A顺理成章新晋为混合型基金冠军。目前排在第二的长安鑫益增强A有13.43%,仅落后于第一名1.43个百分点。

  

图1 模拟24道微地震记录 图2 加入-10 dB高斯白噪声的微地震记录 Fig.1 2 events synthetic microseismic record (24 traces) Fig.2 Synthetic microseismic record with -10 dB gaussian white noise

如果在微地震数据中存在一个较为明显的P波初至, 则在初至位置就会出现一个较为明显的全局最小的AIC值。但在低信噪比的环境下, AIC函数可能会出现多个局部极小AIC值, 此时不能确定全局最小的AIC值是否为微地震的初至点, 在信噪比较低的情况下, AIC法的拾取精度就会受到一定程度的影响。经验证, 在一段输入数据中, 即使是不含微地震信号的纯净的噪声信号中, 此方法总会在输入数据中计算出一个最小值, 也就是说会在输入数据中找到一个“初至”。可见使用AIC法无法对一段数据中是否存在有效的微地震信号进行准确判断, 故在噪声复杂且信噪比较低的实际情况中, 无法对微地震信号初至位置进行准确判断。

  

a Shearlet-AIC低频尺度层拾取结果 b Shearlet-AIC中频尺度层拾取结果 c Shearlet-AIC高频尺度层拾取结果图3 Shearlet-AIC各层拾取结果Fig.3 Shearlet-AIC picking results in every Shearlet layer of microseismic signal

  

a Shearlet-AIC法 b AIC法 c 小波-AIC法图4 高斯白噪声模拟微地震记录的自动拾取结果Fig.4 Picking results of the WGN noisy synthetic record

分别用小波[14-16]-AIC和传统AIC法对如图2所示的含噪微地震数据进行初至拾取, 自动拾取结果分别用方形和菱形表示(见图4), 再与图1中的拾取结果进行对比。从结果对比中可见, 对于低信噪比的微地震数据, AIC法的初至拾取准确性明显降低, 大多数的自动拾取结果都是不可靠的, 与真实初至时刻产生了较大的偏差。而小波-AIC法明显提高了低信噪比下的初至拾取准确度, 大部分的拾取结果都与真实初至比较接近。但是对于某些分量, 其有效信号能量微弱, 且受大量噪声干扰, 此时小波-AIC法也出现了错误拾取的情况, 产生了明显的偏差, 如第14~第16道等。相比之下, Shearlet-AIC方法有效改善了上述方法中存在的不足, 具有最优的初至拾取性能, 它可以为低信噪比的微地震数据提供更加准确有效的拾取结果。

分别对如图1所示的纯净模拟微地震数据加入-8 dB,-10 dB以及-13 dB的高斯白噪声并分别采用小波-AIC和传统AIC法与Shearlet-AIC进行初至拾取, 计算自动拾取结果与真实初至时刻之间的最小均方误差, 其统计结果列入表1中。根据表1可知, 在信噪比较高的环境下(0 dB), 几种方法的准确性较高, 差异不明显, 但随着信噪比的不断降低, AIC法自动拾取的结果与真实初至时刻出现了较大的误差, 说明此方法对噪声敏感, 若想在实际中准确和高效的拾取为地震的初至信息, 依靠这种方法无法解决。虽然小波-AIC法一定程度地改善了低信噪比下的初至拾取准确度, 但直观地看该方法在处理较为复杂的更低信噪比的微地震数据时, 准确性也是在不断地下降的, 说明在拾取过程中可能会出现部分道的误判或者漏拾的问题。

 

表1 几种拾取方法在不同信噪比下与真实值的误差统计

 

Tab.1 MSE of 24 traces synthetic microseismic picking result in different methods

  

SSNRMSEAIC小波-AICShearlet-AICSSNRMSEAIC小波-AICShearlet-AIC00.904 11.837 10.713 2-107.448 72.449 50.408 2-82.244 71.428 90.693 3-1326.987 73.470 10.912 4

  

图5 单轴模拟微地震记录加入实际地表噪声Fig.5 Introduce field noise to pure synthetic microseismic record (24 traces)

由表1和图4的对比结果表明, 当有效信号被强噪声干扰时, P波幅值相对较低, 此时通过AIC法得到的初至点与真实初至间具有较大的误差。这种方法的主要缺点就是对噪声较为敏感, 拾取准确度极易受噪声影响, 对于地面微地震信号这种能量较弱且信噪比极低的信号无法得到理想的初至拾取结果, 则当微地震数据含有多个波时, 这种方法极易频繁的出现错误或遗漏初至的情况。相对于AIC算法, 小波-AIC法的性能更优, 一定程度上改善了低信噪比下的初至拾取准确度, 但该方法处理低信噪比的微地震数据时, 仍然具有一定的局限性, 对于某些弱微地震数据, 该方法自动拾取到了错误的初至点。而Shearlet-AIC方法无论是在拾取的准确度上, 还是对噪声的适应能力上, 均明显优于其他两种方法, 说明该方法能处理更复杂的微地震数据, 更适用于微地震信号初至的检测识别。

  

a Shearlet-AIC低频尺度层拾取结果 b Shearlet-AIC中频尺度层拾取结果图6 含噪记录前9道低、 中频拾取结果Fig.6 Picking results in frequency layer of noisy record

3 应用实例

为进一步验证Shearlet-AIC在复杂噪声环境下拾取的准确性, 对单轴模拟微地震信号加入野外微地震记录中实际噪声进行测试, 测试结果如图9 所示。由图9可以看出, 加入实际噪声后, Shearlet-AIC法仍能对微地震的初至事件进行准确拾取, 表明其可有效处理含实际噪声的微地震数据, 适用性更广泛, 自动拾取到的初至点都是理想可靠的。这在一定程度上说明了将Shearlet-AIC法应用到实际微地震数据的初至拾取中是可行有效的。

使用氯霉素快速检测试纸条及LC-MS/MS评价金标记BLI方法的可靠性,检测20份两个加标水平的牛乳样品中氯霉素残留,金标记BLI与所采用的对照方法的结果见表1,其灵敏度优于胶体免疫层析试纸条,检测结果与LC-MS/MS一致。

笔者已经证明了Shearlet-AIC算法在拾取人工模拟微地震模型初至的有效性与准确性, 下面将其应用于中国某油田的实际微地震数据的初至识别中。该油田水力压裂的观测井与压裂井的距离为300 m, 采样频率为1 000 Hz, 从记录中可以看到37~40道有一个明显的有效信号P波初至, 噪声环境复杂且信噪比较低, 截取这一段数据作为输入, 用Shearlet-AIC算法对该数据进行初至拾取, 拾取结果如图9所示。

以“人才共育,过程共管,责任共担,成果共享”为原则,该专业根据行业发展变化,依托合作企业不断优化专业培养模式、拓展专业工作领域。经过几年建设,在夯实原有合作企业(联想、神州数码、思科等)的基础上,开拓出众多新的合作企业(上海云轴、福立盟、中佳、华为、浪潮、普华基础软件等)。开设了“网络管理”“网络工程”“网络优化”“计算机外设维护”“云计算”共五个专业方向。专业方向、岗位与合作企业关系如表1所示。

  

图7 Shearlet-AIC最终拾取结果 图8 野外地表微地震记录 Fig.7 Picking results of the noisy record Fig.8 Real field microseismic record

  

a Shearlet-AIC法 b AIC法 c 小波-AIC法图9 地表微地震记录拾取结果Fig 9 Picking results of the field microseismic record

经过模拟记录分析以及实际记录的检验可见, 笔者算法相较于小波-AIC法和AIC算法在拾取微地震波至时刻具有一定的优越性, 其算法的可靠性与准确性均优于其他两种算法。

龙庆峡位于北京市延庆区,距北京城区85公里。我们一路来到景区,走上一段山坡,看到一块巨石上写着“龙庆峡”三字,我不禁欢呼了一声:“我们到了龙庆峡啦!”

4 结 语

微地震波至拾取是微地震勘探的重要环节, 严重影响着震源定位的精度。针对传统初至拾取方法无法有效拾取质量较差微地震资料初至的问题, 笔者在研究了现有的初至拾取方法的基础上, 对初至拾取方法进行了进一步的探究, 根据地面微地震信号的时频特性, 提出了基于Shearlet-AIC算法的微地震直达波拾取领域。基于信号与复杂背景噪声在Shearlet域的特征差异, 可达到有效区分地面微地震信号与背景噪声的目的。在利用Shearlet高频尺度的相关性增强有效信号系数, 使高频层有效信号与噪声间产生更明显的特征差异, 增强有效信号系数, 然后利用AIC良好的时频分析能力对信号初至进行更准确的识别, 对噪声有更强的适应性, 可以为低信噪比微地震数据提供更加准确可靠的初至结果。并通过雷克子波模拟了24道微地震模型数据, 系统全面地分析与总结了模拟初至拾取实验结果。最后对实际地面微地震记录直达波的到时进行拾取并进行了实验总结。通过与小波-AIC和AIC算法进行实验对比, 结果验证了Shearlet-AIC算法的初至拾取结果相较于其它算法具有高可靠性、 高准确性以及高适应性。

参考文献

[1]梁兵, 朱广生. 油气田勘探开发中的微震监测方法 [M]. 北京: 石油工业出版社, 2004.

LIANG Bing, ZHU Guangsheng. Microseismic Monitoring Method in the Exploration and Development of Oil and Gas Fields [M]. Beijing: Petroleum Industry Press, 2004.

[2]宋维琪, 陈泽东, 毛中华. 水力压裂裂缝微地震监测技术 [M]. 北京: 中国石油大学出版社, 2008.

SONG Weiqi, CHEN Zedong, MAO Zhonghua. Microseismic Monitoring Technology for Fracture of Hydraulic Fracturing [M]. Beijing: China University of Petroleu Press, 2008.

[3]BELEYOUNI N, GESRET A, DANIEL G, et al. Microseismic Event Location Using the First and Reflected Arrivals [J]. Geophysics, 2014, 80(6): 133-143.

[4]常旭, 刘伊克. 地震记录的广义分维及其应用 [J]. 地球物理学报, 2002, 45(6): 839-846.

CHANG Xu, LIU Yike. Applications of Generalized Fractal Dimension of Seismic Record [J]. Chinese Journal of Geophysics, 2002, 45(6): 839-846.

[5]BELEYOUNI N, GESRET A, DANIEL G, et al. Microseismic Event Location Using the First and Reflected Arrivals [J]. Geophysics, 2014, 80(6): 133-143.

[6]EASLEY G R, LABATE D, LIM W Q. Optimally Sparse Image Representations Using Shearlets [C]∥Wavelets XI. Philadelphia, CA, USA: IEEE, 2007, 39(1): 298-318.

[7]DAHLKE S, KUTYNIOK G, STEITL G, et al. Shearlet Coorbit Spaces and Associated Banach Frames [J]. Applied & Computational Harmonic Analysis, 2009, 27(2): 195-214.

[8]HOSSEINI S A, JAVAHERIAN A, HASSANI H, et al. Adaptive Attenuation of Aliased Ground Roll Using the Shearlet Transform [J]. Journal of Applied Geophysics, 2015, 112(112): 190-205.

[9]STEPHAN D, GITTA K, PETER M, et al. The Uncertainty Principle Associated with the Continuous Shearlet Transform [J]. International Journal of Wavelets Multiresolution & Information Processing, 2008, 6(2): 157-181.

[10]RINEHART A J, MCKENNA S A, DEWERS T A. Using Wavelet Covariance Models for Simultaneous Picking of Overlapping P-and S-Wave Arrival Times in Noisy Single-Component Data [J]. Seismological Research Letters, 2016, 87(4): 893-900.

[11]AKAIKE H. Information Theory and an Extension of the Maximum Likelihood Principle [M]. New York: Springer, 1992.

[12]TAKANAMI T, KITAGAWA G. Estimation of the Arrival Times of Seismic Waves by Multivariate Time Series Model [J]. Annals of the Institute of Statistical Mathematics, 1991, 43(3): 407-433.

[13]MEADA N. A Method for Reading and Checking Phase Times in Autoprocessing System of Seismic Data [J]. Zisin, 1985, 38(6): 365-379.

[14]GACI S. The Use of Wavelet-Based Denoising Techniques to Enhance the First-Arrival Picking on Seismic Traces [J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(8): 4558-4563.

[15]ZHANG H. Automatic P-Wave Arrival Detection and Picking with Multiscale Wavelet Analysis for Single-Component Recordings [J]. Bulletin of the Seismological Society of America, 2003, 93(5): 1904-1912.

[16]宋维琪, 吕世超. 基于小波分解与Akaike信息准则的微地震初至拾取方法[J]. 石油物探, 2011, 50(1): 14-21.

SONG Weiqi, LÜ Shichao. Microseismic First Arrival Picking Method Based on Wavelet Decomposition and Akaike Information Criterion [J]. Geophysical Prospecting for Petroleum, 2011, 50(1): 14-21.

 
巩佳琦,吴宁
《吉林大学学报(信息科学版)》2018年第03期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息 粤ICP备2023046998号