image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2024 , Vol. 39 >Issue 6: 2345 - 2356

DOI: https://doi.org/10.6038/pg2024HH0064

Research on automatic picking method of effective events of microseismic P-wave in NARX neural network

  • Hao LUO , 1 ,
  • DaiPing PENG 1 ,
  • Peng HUANG 1 ,
  • Chi ZHAO 2
Expand
  • 1 Sinopec Geophysical Research Institute Co., Ltd., Nanjing 211103, China
  • 2 Exploration and Development Research Institute, Northwest Oilfield Branch, Sinopec, Vrümqi 830011, China

Received date: 2023-06-25

  Online published: 2025-01-14

Copyright

Copyright ©2024 Progress in Geophysics. All rights reserved.
Fold

Abstract

Effective event picking is the basic and critical link in microseismic data processing, but the picking effect of traditional picking methods depends heavily on the selection of picking parameters, and it is easily affected by signal characteristics and signal-to-noise ratio, which is difficult to meet the requirements of real-time processing of massive monitoring data. Based on this, in order to effectively meet the current processing needs of large-area, wide-azimuth and high-density monitoring data, based on the structural characteristics of NARX neural network, a network model that meets the needs is constructed, and the preprocessed synthetic and measured microseismic signals are fed into its Series-Parallel feedback structure for training to fully learn the waveform characteristics of the signals. Then, the monitoring signal to be picked is simply processed and inputted into the NARX model with good performance to output the characteristic curve, and the effective event is picked by the threshold. The results of picking of synthetic and measured microseismic signals of the test database and the comparison with the STA/LTA method show that the NARX method can complete the picking of effective events of microseismic signals, and it shows strong noise resistance and adaptability, and it has certain advantages over STA/LTA method, so it has the potential to become one of the effective tools for picking the events of microseismic monitoring signals.

Key words： Microseismic monitoring; Effective event picking; NARX neural network

Cite this article

Hao LUO , DaiPing PENG , Peng HUANG , Chi ZHAO . Research on automatic picking method of effective events of microseismic P-wave in NARX neural network[J]. Progress in Geophysics, 2024 , 39(6) : 2345 -2356 . DOI: 10.6038/pg2024HH0064

0 引言

近年来，随着石油、天然气等化石能源需求的剧增，致使常规油气转向非常规油气的勘探开发成为必然.非常规油气藏因孔隙度小、渗透率低，其开采强烈依赖水平井钻井与水力压裂技术.微地震监测技术因可以实时监控压裂缝在地下的展布形态以及连通性等，对多段水力压裂技术的有效实施进行施工指导而被广泛应用.微地震有效事件拾取为微地震监测数据处理的关键环节，直接影响后续震源定位和压裂缝网解释的准确性.因此，微震有效事件的快速、准确实时拾取意义重大.
微地震有效事件拾取主要包括人工与自动拾取两种.人工拾取法是处理人员通过肉眼观察微地震信号的波形特征，手动完成有效事件的拾取，其精度低、速度慢，无法满足海量微地震监测数据的拾取需求.传统自动拾取方法主要根据有效事件与噪声不同的统计特性构造特征函数，并对特征函数寻优来完成有效事件的自动拾取(李政超等，2022).Allen(1978)提出了长短时窗能量比法(STA/LTA)，利用长短时窗构造特征函数，并通过阈值完成微震有效事件的拾取.该方法实现简单，对高信噪比微震信号具有较好拾取效果，但信噪比较低时拾取效果不理想.Akaike信息准法(AIC)为另一常用有效事件拾取方法，其具有较高拾取精度，但不论该信号段是否存在有效信号，都会进行有效事件的拾取，容易造成错拾，降低了该方法的适用性(Sleeman and van Eck, 1999).偏度峰度法利用信号和噪声在地震波形偏度和峰度的差异，在时域对有效事件进行自动拾取(Saragiotis et al., 2004; Li et al., 2016).此外，匹配滤波法可以从强背景噪声环境下，拾取出与主事件有相似特征的弱事件.上述自动拾取方法的拾取效果与构造的特征函数、时窗与阈值的选取等紧密相关，且不同地区、不同采集方案、不同震源机制的微地震监测数据采用的拾取参数差异较大，加之实际微震监测数据的数据量大、能量弱、信噪比低，致使这类方法的可靠性和效率难以满足高精度实时压裂微地震监测的需求.
相比于传统自动拾取方法，人工神经网络(ANN)是一种“容错性”极强的自动拾取算法(Zhang et al., 2018).该方法以监测数据和期望输出作为网络模型的输入和反馈，不依赖参数的选择，具有很强的非线性拟合能力和自适应性，经训练之后无需人机交互，能够在强背景噪声中有效识别出不同类型的微地震信号(He et al., 2016).Aminzadeh等(2012)利用基于神经网络的自动拾取器对天然微地震事件进行自动拾取.Girshick等(2014)基于Hebb学习规则和多尺度处理优化了一个22层的卷积神经网络，并将其成功应用于微地震事件的自动拾取.He等(2016)建立了一个152层的深度残差网络，提高了基于神经网络模型的微地震有效事件自动拾取能力.Akram等(2017)将平均绝对振幅、方差、能量比与极化直线性等作为具有单个隐含层的前馈神经网络的输入，实现了低信噪比微地震波形中强事件的识别.Zheng等(2018)将声发射事件拾取抽象为序列标记问题，采用循环神经网络(RNN)和长短期记忆器(LSTM)实现了强噪声环境(SNR=-5 dB)中的声发射事件自动拾取.Bi等(2019)利用深度卷积神经网络(DCNN)对多道微地震波形进行特征提取，并使用支持向量机(SVM)对多道微地震波形进行识别，其识别精度较高.Jiang和Zheng(2020)通过特征提取的方法，利用少量模拟微地震数据对神经网络进行训练后，实现了模拟与实测微地震数据P与S波有效事件的拾取.张逸伦等(2021)基于井中微地震监测数据的特点，利用U-net网络进行微地震有效事件的自动拾取，其拾取效果与多道互相关法相当.邓飞等(2022)将微震初至前后当成图像的二分类，采用图像语义分割神经网络实现微震有效事件的自动拾取，相较于现有深度学习方法，有效事件拾取的准确率有所提高.尽管神经网络技术已被借鉴到微地震有效事件拾取领域，但神经网络拾取法的研究仍不充分，依然存在许多亟待解决的问题，有必要对神经网络微地震有效事件自动拾取理论进行深入研究，形成准确、高效、适应性强的有效事件自动拾取方法.
本文基于NARX神经网络的结构特点，提出利用NARX模型拾取微地震P波有效事件.该方法使用合成(不同信噪比)和实测(不同监测站点)微地震信号对构建的NARX模型进行训练，让其充分学习微地震信号中P波的波形特征及其前后的波形信息，而后将待拾取的微地震信号馈入已训练的模型，输出相应的特征曲线，并通过阈值拾取出有效事件.本文利用不同信噪比的合成信号和不同站点的实测信号分别检验模型的鲁棒性与泛化能力，结果表明所提方法可以有效拾取出微地震信号的有效事件，且具有较强的抗干扰能力与自适应性.

1 方法原理

非线性自回归神经网络(NARX)是递归神经网络的一种，常用于时间序列预测的非线性动态循环网络(邓聪，2017).NARX的输出信息在反馈下被作为输入信息再次进入模型，输出层的输出再次通过隐含层进入模型的运算流程，使模型对历史数据的敏感程度得到显著提升(陈雯吉，2016；吴桂忠，2017).NARX最显著的特性是它的输出包含在其输入之中，从而可以更好地学习地震信号中时间序列的动态特征(Menezes and Barreto, 2008).试验证明，NARX预测和识别动态时间序列特征的速度快(Çoruh et al., 2014).因此，本文采用NARX神经网络对微地震有效事件进行快速、准确自动拾取.

1.1 NARX网络结构

NARX神经网络主要由输入层、多个隐含层、输出层和反馈层组成(毛湘云，2019)，如图 1所示.
图1 NARX动态神经网络模型结构

Fig 1 NARX dynamic neural network model structure

具有多个隐含层的NARX神经网络的结构可用表示为：
$x_1(k)=f\left[\boldsymbol{w}^1 u(k)+\boldsymbol{w}^c x_{\mathrm{c}}(k)\right], $
$x_i(k)=f\left[\boldsymbol{w}^i x_{i-1}(k)\right], (i=2, \cdots, s), $
$x_{\mathrm{c}}(k)=y(k-\lambda), $
$y(k)=g\left[\boldsymbol{w}^{s+1} x_s(k)\right], $
式中，s为隐含层层数，u(k)为k时刻输入层的输入，xi(k)为隐含层的输出，xc(k)为反馈层的输出，y(k)为输出层的输出，wi为隐含层间的连接权重(当i=1与i=s+1时，分别为输入层、输出层与隐含层之间的连接权重)，wc为反馈层与隐含层间的连接权重，λ为时延系数(此处，设置为2)，f和g为激活函数，一般为双曲正切函数.
则NARX模型可以表示为：
$y(t)=h\left(x_{t-2}, x_{t-1}, x_t, y_{t-2}, y_{t-1}\right), $
式中，xt为当前时刻输入序列，xt－2, xt－1为输入延时序列，y(t)为当前时刻输出序列，yt－2, yt－1为输出延时序列，h为NARX构造的非线性模糊函数：
$h(\tau)=\frac{\mathrm{e}^\tau-\mathrm{e}^{-\tau}}{\mathrm{e}^\tau+\mathrm{e}^{-\tau}}, $
式中，e为自然常数，τ为函数自变量.
由NARX神经网络的结构特性可以看出，NARX神经网络的实质是采用加入延时与反馈来实现对大脑的短暂记忆能力进行模拟，使得训练过程中的收敛速度快，学习效率高.基于此，本文利用NARX神经网络实现微地震有效事件的自动拾取，如图 2所示.该方法的具体实施步骤如下：
图2 NARX微地震有效事件拾取流程

Fig 2 Picking flow of microseismic effective event by NARX

(1) 整合合成与实测微地震数据构建原始数据库并且随机划分为训练与测试数据库，并对数据进行预处理.
(2)搭建NARX模型并且初始化模型参数，并通过试探法确定最优网络模型设置方案.
(3) 基于训练数据库训练NARX模型，使模型学习微地震信号中P波串的波形特征及其前后的波形信息.
(4) 将测试数据库的微地震信号输入已训练NARX模型，输出其特征曲线.
(5) 基于特征曲线，利用阈值实现P波有效事件拾取.

1.2 数据整合与预处理

本文使用的试验数据包括合成与实测微地震数据.合成数据为利用有限差分法模拟的一组不含背景噪声的两分量数据(Vx、Vz)，对其添加不同强度的高斯白噪声，获得具有不同信噪比(SNR=10 dB、SNR=5 dB、SNR=0 dB、SNR=-5 dB)的四组合成数据；实测数据为52个站点的水力压裂三分量地面微地震监测数据(Vx、Vy、Vz).因而，数据库由不同信噪比的五组合成数据与52个站点的实测数据组成.因硬件资源与实测数据有限，本试验采用小样本对NARX模型进行训练与测试.因两分量合成数据的Vz分量中P波与S波波形特征差异较明显，而Vx分量则相反(图 3)，为了能够进行准确打标签并较好的测试NARX模型的适应性，将Vz分量用于模型训练，Vx分量用于模型测试.此外，为使NARX模型能够充分学习实测微地震信号的波形特征，以增强模型的健壮性与适应性，随机选取49个站点的实测数据用于模型训练，余下3个站点的实测数据用于模型测试.因此，训练数据库由五项不同信噪比的合成数据与49个站点的实测数据构成，测试数据库由五项不同信噪比的合成数据与3个站点的实测数据构成.
图3 合成数据不同分量波形信号

Vx：X分量；Vz：Z分量.

Fig 3 Waveform signals of different components of synthetic data

Vx: X component; Vz: Z component.

由于数据库的原始微地震波形信号的幅度变化较大，为使信号特征的度量尺度一致，以提高网络模型的性能，本试验中对数据库的每一道微地震波形信号进行归一化处理，如公式(7)所示.同时，对训练数据库的每一道波形信号进行序列标记，本研究尝试了将波形信号标记为不同形状、不同窗长的窗函数，经不断测试，认识到窗函数的形状会影响模型的最终训练误差，且窗函数的窗长会影响模型的分辨率(即窗长越短分辨率越高，窗长越长分辨率越低).考虑到本研究的实际需要，将训练数据库的每一道波形信号的有效事件所在整个P波串标记为汉宁窗，其余标记为0，以获取相应的标签信号，如图 4所示.式(7)为：
$s_j^{\prime}=s_j /\left(\left|s_j\right|\right)_{\max }, $
图4 微地震信号序列标记

(a)合成信号(SNR=5 dB)；(b)实测信号.

Fig 4 Sequence labelling of microseismic signal

(a)Synthetic signal (SNR=5 dB); (b)Measured signal.

式中，sj为归一化之前的值，s′j为归一化之后的值.

1.3 模型搭建

NARX网络模型包括Series-Parallel与Parallel反馈结构两种，因NARX模型训练时，目标输出已知，且为了提高训练效率，采用Series-Parallel反馈结构训练模型，同时利用Parallel反馈结构测试模型.此外，为获得最优NARX网络模型设置方案，本研究基于训练与测试数据库，采用试探法，对隐含层层数(1~4)、神经元个数(6~15)及时延系数(2~8)的NARX模型进行分析对比，优选出训练效率高、拾取率高且错拾率低的NARX模型设置方案(隐含层层数为2、神经元个数为10、时延系数为2)进行试验，如图 5和图 6所示.
图5 NARX模型(Series-Parallel反馈结构)

Fig 5 NARX model (Series-Parallel feedback structure)

图6 NARX模型(Parallel反馈结构)

Fig 6 NARX model (Parallel feedback structure)

1.4 模型训练

本试验配备于Intel Core i5-1035G1 1.00GHz处理器、16GB内存的PC上，基于MATLAB平台，采用matlab语言编程实现具体的算法.训练时，利用NARX模型的Series-Parallel反馈结构(图 5)，将训练数据库的原始信号与标签信号，以70%、15%、15%的比例随机划分为训练、验证及测试数据集分别馈入NARX模型进行训练，并以Levenberg-Marquardt(L-M)算法为训练算法、Mean Squared Error(MSE)为误差算法(损失函数).同时，在网络中引入模型泛化能力检查标准(Validation Checks)(此处，将其设置为3，即模型训练过程中，若验证数据集的均方误差连续三次不再降低，模型训练停止.)，以抑制模型在训练过程中出现过拟合.本次训练过程中，NARX模型经248次迭代(见图 7，本研究中迭代周期(Epoch)=迭代次数(Iteration))后，验证数据集的最终训练误差为6.3713×10-5，训练数据库总的最终训练误差为6.39×10-5时，训练停止.模型训练的损失函数值变化如图 7所示.
图7 损失函数变化曲线

(a)原始曲线；(b)局部放大.

Fig 7 Change curve of loss function

(a)Raw curve; (b)Local amplification.

2 网络模型应用

对已训练且性能良好的NARX模型，采用其Parallel反馈结构(图 6)提取测试数据库中每一道波形信号的特征曲线，并利用阈值从特征曲线实现有效事件的自动拾取.同时，计算拾取结果的拾取率、错拾率、拾取初至与理论初至的误差并与长短时窗能量比法(STA/LTA)对比，以定量评价NARX法的效果.需指明，本文规定拾取初至与理论初至相差30个时间采样点内为拾取正确，拾取率(rh)、错拾率(rf)计算公式为：
$r_{\mathrm{h}}=N / M, $
$r_{\mathrm{f}}=(K-N) / M, $
其中，N为正确拾取事件数，M为事件总数，K为拾取事件总数.

2.1 合成微地震信号有效事件拾取及对比

地面监测时，检波器阵列置于地表接收来自地下的事件信号的同时，也会记录大量的噪声信号，会严重影响有效事件信号的拾取，因而利用NARX法拾取不同信噪比的合成微地震信号的有效事件并与STA/LTA法对比，以检验其抗噪性与优越性显得很有必要.图 8至图 12展示了NARX法对含不同强度背景噪声的合成微地震信号有效事件的拾取情况以及两种方法(NARX法和STA/LTA法)对单道微地震信号提取特征曲线的对比.从NARX法拾取结果可以看出，NARX法拾取有效事件与理论有效事件偏差不大，但随着合成微地震信号信噪比的降低，其拾取效果变差，说明NARX法可以有效拾取出含不同强度背景噪声的合成微地震信号的有效事件，但拾取效果会受背景噪声强度的干扰.同时，由NARX法与STA/LTA法提取特征曲线可以看出，NARX法提取特征曲线的不期望特征峰明显比STA/LTA法少，且随微地震信号信噪比降低，STA/LTA法提取特征曲线的效果随之变差的更明显，说明NARX法相较于STA/LTA法的分辨能力和抗干扰能力更强.
图8 合成微地震信号有效事件拾取(不含背景噪声)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.左：单道信号，右：阵列信号，下同.红色线段：理论有效事件，蓝色线段：NARX拾取有效事件，下同.

Fig 8 Effective event picking of synthetic microseismic signal (without background noise)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.Left: Single channel signal, Right: Array signals, Same below.Red line segment: Theoretical valid events, Blue line segment: Picked valid events of NARX, Same below.

图9 合成微地震信号有效事件拾取(SNR=10 dB)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 9 Effective event picking of synthetic microseismic signal (SNR=10 dB)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

图10 合成微地震信号有效事件拾取(SNR=5 dB)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 10 Effective event picking of synthetic microseismic signal (SNR=5 dB)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

图11 合成微地震信号有效事件拾取(SNR=0 dB)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 11 Effective event picking of synthetic microseismic signal (SNR=0 dB)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

图12 合成微地震信号有效事件拾取(SNR=-5 dB)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 12 Effective event picking of synthetic microseismic signal (SNR=-5 dB)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

表 1和表 2分别展示了STA/LTA法与NARX法对不同信噪比的五项合成微地震数据拾取结果的评价，并将评价结果绘制成折线图(图 13).由折线图可知，随着信噪比的降低，两种方法的拾取率减小，错拾率增大，但STA/LTA法变化幅度较大，而NARX法变化幅度较小，说明NARX法相较于STA/LTA法，受信噪比影响更小，抗干扰能力更强.同时，两种方法拾取初至与理论初至的误差受信噪比影响较小.另外，从折线图还可以看到，NARX法对含噪数据的拾取率均比STA/LTA法高，错拾率均比STA/LTA法低.但是，对不含背景噪声的数据，则相反，这可能是由于训练数据库中大部分数据均含有噪声，NARX模型主要学习了含噪信号的波形特征，对测试数据库中含噪信号更加敏感，因而对不含噪声的数据拾取结果不是特别理想.但是，实际生产中，所有实测数据均含有不同强度的背景噪声，因而这并不影响NARX法较STA/LTA法的优越性.
表1 STA/LTA法不同信噪比合成数据拾取结果评价

Table 1 Evaluation of picked results of synthetic data with different signal-to-noise ratios by STA/LTA method

指标 不含噪声 SNR=10 dB SNR=5 dB SNR=0 dB SNR=-5 dB
拾取率 1 0.6965 0.4925 0.3881 0.3433
错拾率 0 0.3035 0.5075 0.6119 0.6567
平均相对误差 0.0125 0.0144 0.0135 0.0162 0.0133
表2 NARX法不同信噪比合成数据拾取结果评价

Table 2 Evaluation of picked results of synthetic data with different signal-to-noise ratios by NARX method

指标 不含噪声 SNR=10 dB SNR=5 dB SNR=0 dB SNR=-5 dB
拾取率 0.9055 0.9104 0.8408 0.7214 0.7065
错拾率 0.0945 0.0896 0.1592 0.2786 0.2935
平均相对误差 0.0119 0.0156 0.0134 0.0146 0.0155
图13 STA/LTA法与NARX法评价结果对比

Fig 13 Comparison of evaluation results between STA/LTA method and NARX method

2.2 实测微地震信号有效事件拾取及对比

为进一步检验NARX模型的泛化能力，将训练好的模型应用于测试数据库中三个监测站点(No=01、02、03)实测数据有效事件的自动拾取，并对拾取结果进行评价及与STA/LTA法对比.图 14至图 16展示了NARX法对不同监测站点实测微地震信号有效事件的拾取情况及两种方法提取特征曲线的对比.由NARX法的拾取结果可以看出，NARX法能够有效拾取出不同监测站点实测微地震信号的有效事件，其适应性较强.此外，由两种方法提取特征曲线的分析对比可知，NARX法的分辨率比STA/LTA法高.
图14 实测微地震信号有效事件拾取(No=01)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.左：单道信号，右：阵列信号，下同.红色线段：理论有效事件，蓝色线段：NARX拾取有效事件，下同.

Fig 14 Effective event picking of measured microseismic signal (No=01)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.Left: Single channel signal, Right: Array signals, Same below.Red line segment: Theoretical valid events, Blue line segment: Picked valid events of NARX, Same below.

图15 实测微地震信号有效事件拾取(No=02)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 15 Effective event picking of measured microseismic signal (No=02)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

图16 实测微地震信号有效事件拾取(No=03)

(a)NARX法与STA/LTA法提取特征曲线；(b)(c)NARX法拾取结果.

Fig 16 Effective event picking of measured microseismic signal (No=03)

(a)Extracted characteristic curves of NARX method and STA/LTA method; (b)(c)Picked result of NARX method.

表 3与表 4为两种方法对三个不同站点微地震监测信号有效事件拾取结果的评价.通过两表的分析对比可以看出，NARX法的拾取效果较STA/LTA法理想.
表3 STA/LTA法实测数据拾取结果评价

Table 3 Evaluation of picked results of measured data by STA/LTA method

指标 No=01 No=02 No=03 Mean
拾取率 0.55 0.6471 0.6667 0.6213
错拾率 0.45 0.3529 0.1429 0.3153
平均相对误差 0.0772 0.0326 0.0305 0.0468
表4 NARX法实测数据拾取结果评价

Table 4 Evaluation of picked results of measured data by NARX method

指标 No=01 No=02 No=03 Mean
拾取率 0.8 0.7059 0.8095 0.7718
错拾率 0.1 0.2353 0.1429 0.1594
平均相对误差 0.0649 0.0277 0.0286 0.0404

3 结论

本文基于NARX模型的结构特性，提出一种微地震有效事件自动拾取方法.该方法采用NARX的Series-Parallel反馈结构对其训练后，利用其Parallel反馈结构来实现微地震信号有效事件的拾取.NARX法对测试数据库中合成与实测微地震信号有效事件的拾取情况表明，NARX法可对微震信号有效事件进行有效拾取并且表现出较强的抗噪性与适应性，且相较于传统STA/LTA法，不仅无需人为过多干预，而且具有更强的分辨能力.经理论分析，合成微地震信号试算，实测微地震信号测试，以及与STA/LTA法对比，验证了NARX法的正确性、可行性以及优越性，表明该方法可以用于实际生产中微地震信号有效事件的自动拾取.但是，本次试验中NARX法对测试数据库中实测微震信号的拾取效果不是特别理想，表明训练数据库不是足够大，模型可能出现了过拟合，进一步增大训练数据库，拾取效果应该会得到进一步提升.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within
Allen R V. Automatic earthquake recognition and timing from single traces Bulletin of the Seismological Society of America 1978 68 5 1521 1532

DOI

Bi L Xie W Zhao J J. Automatic recognition and classification of multi-channel microseismic waveform based on DCNN and SVM Computers & Geosciences 2019 123 111 120

Çoruh S Geyikçi F Kılıç E . The use of NARX neural network for modeling of adsorption of zinc ions using activated almond shell as a potential biosorbent Bioresource Technology 2014 151 406 410

Deng F Jiang P F Jiang X Y . Microseismic event recognition and first break picking method based on image semantic segmentation network Oil Geophysical Prospecting 2022 57 5 1011 1019

Jiang T Q Zheng J. Automatic phase picking from microseismic recordings using feature extraction and neural network IEEE Access 2020 8 58271 58278

DOI

Li X B Shang X Y Wang Z W . Identifying P-phase arrivals with noise: An improved Kurtosis method based on DWT and STA/LTA Journal of Applied Geophysics 2016 133 50 61

DOI

Li Z C Wang W B Gao M . Microseismic first arrival picking based on convolutional neural network Progress in Geophysics 2022 37 3 1060 1069

DOI

Menezes J M P Jr Barreto G A. Long-term time series prediction with the NARX network: An empirical evaluation Neurocomputing 2008 71 16-18 3335 3343

DOI

Sleeman R van Eck T. Robust automatic P-phase picking: an on-line implementation in the analysis of broadband seismogram recordings Physics of the Earth & Planetary Interiors 1999 113 1-4 265 275

Zhang D X Chen Y T Meng J. Synthetic well logs generation via Recurrent Neural Networks Petroleum Exploration and Development 2018 45 4 629 639

DOI

Zhang Y L Yu Z C Hu T Y . Multi-trace joint downhole microseismic phase detection and arrival picking method based on U-Net Chinese Journal of Geophysics 2021 64 6 2073 2085

DOI

Zheng J Lu J R Peng S P . An automatic microseismic or acoustic emission arrival identification scheme with deep recurrent neural networks Geophys. J. Int. 2018 212 2 1389 1397

DOI

邓 飞 蒋 沛凡 蒋 先艺 . 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 石油地球物理勘探 2022 57 5 1011 1019

李 政超 王 维波 高 明 . 基于卷积神经网络的微地震初至拾取 地球物理学进展 2022 37 3 1060 1069

DOI

张 逸伦 喻 志超 胡 天跃 . 基于U-Net的井中多道联合微地震震相识别和初至拾取方法 地球物理学报 2021 64 6 2073 2085

DOI

Options
Outlines

/

〈 〉