微地震初至自动拾取方法分析

微地震技术是一种发展迅速的地球物理方法技术，应用领域较广，主要应用于油田开发和矿井安全防治等领域。

应用图像语义分割网络的微地震事件识别和初至拾取方法

微地震初至精确拾取是目前微地震监测关键环节之一,传统的人工拾取方法耗时长、效率低,在实际应用中容易导致无法及时预警等问题。近年来,基于深度学习的长短期记忆网络模型(LSTM)常用于微地震初至拾取,但在低信噪比环境下拾取准确率较低,且忽视了微地震数据中相邻道初至之间的关联性。针对上述问题,将微地震初至发生前、后看作是图像二分类问题,提出了一种应用图像语义分割网络的微地震事件识别和初至自动拾取方法。应用在矿井中采集的实际微地震数据进行实验,结果表明,对包含岩石破裂、工程爆破等多类型微地震事件,该方法的识别准确率较现有的深度学习方法明显提高,平均拾取误差大幅降低,特别是低信噪比数据的平均拾取误差远小于LSTM法,因而具有良好的实际工程应用价值。

基于Swin Transformer特征提取的微地震初至拾取方法

微地震初至拾取是微地震监测中基础且重要的环节,其拾取精度对于后续数据处理起到了至关重要的作用.微地震监测是长期持续的过程,人工拾取效率低下.传统的自动拾取方法依赖算法的相关特征函数,存在无法充分利用数据信息的缺点;而现有基于一维卷积神经网络或长短期记忆网络的微地震初至自动拾取方法只在单通道内进行拾取,并没有考虑相邻通道初至的相关性,从而导致在低信噪比环境下拾取误差较大.针对上述问题,将多道微地震初至前和初至后看作是图像分割问题,应用基于自注意力机制的Swin Transformer作为主干网络提取微地震初至特征,把多道微地震数据沿着道内时间维度展开成一维序列输入至网络中,在不打乱数据时序信息的同时兼顾相邻通道初至的相关性,并以此设计出端到端微地震初至多道拾取网络,实际矿山微地震监测数据中的实验结果表明,该网络在初至拾取精度上相较于传统单道自动拾取法以及现有神经网络单道拾取法有大幅提升,在低信噪比环境下依然可以取得较高的拾取精度,具有良好的工程应用价值.

基于检波器间距约束的微地震初至拾取方法研究及应用

微地震事件初至拾取是微震监测数据处理的重要步骤之一,其精度是微地震震源定位结果的决定性因素,影响后续的解释结果.前人利用互相关函数与微地震记录相似波形特征原理,对具有相似震源位置或破裂机理的微地震事件采用波形互相关的方法进行初至拾取,但微地震事件的信号,在经过不同的传播路径,被不同检波器接收到的波形是存在差异的,若这种差异大到无法通过互相关来求取微地震信号的到时差,就会出现明显误差.本文提出基于检波器间距约束的互相关初至拾取方法,该方法在互相关函数中引入检波器间距约束条件.首先对全局有效道进行互相关运算及时差校正,其次对时差校正后的记录进行基于检波器间距约束的局部互相关运算并进行时差校正,再利用叠加道计算对经过二次时差校正后的多道记录进行叠加,并运用STA/LTA方法对新生成的叠加道进行初至拾取,最后结合叠加道初至信息以及时差相对校正量,既可得到微地震事件的初至到时.实际资料处理结果表明,相比于常规多道互相关方法,该方法合理地避免了震检距对初至到时的影响,有效地提升了微地震事件初至拾取的精度.