李盼池, 石 彤, 李學(xué)貴

(東北石油大學(xué) 計算機與信息技術(shù)學(xué)院, 黑龍江 大慶 163318)

微地震是在開采井附近的巖體因應(yīng)力場變化導(dǎo)致巖石破裂引起的微小地震事件, 微地震事件監(jiān)測中檢波器收集的微地震信號因易受周圍環(huán)境的影響常含有大量噪聲, 而含噪微地震數(shù)據(jù)會導(dǎo)致微地震信號識別困難, 影響微地震后續(xù)研究的準確性及可靠性. 因此, 進行微地震監(jiān)測首先要對微地震數(shù)據(jù)進行降噪處理.

針對檢波器采集到的微地震信號存在噪聲的問題, 目前已有許多處理方法. 刁瑞等[1]采用負熵作為目標函數(shù), 通過引入粒子群優(yōu)化算法提高求解效率, 利用互相關(guān)系數(shù)處理盲源分離的不確定性問題, 有效實現(xiàn)了微地震數(shù)據(jù)降噪； 慕陽等[2]在實驗中采用提取最優(yōu)小波基, 確定分解層數(shù)及對分解信號設(shè)置合適閥值等步驟消除部分噪聲, 實現(xiàn)了提高微地震信號信噪比的目的； 王亞娟等[3]提出了將含噪數(shù)據(jù)進行集成經(jīng)驗?zāi)B(tài)分解, 計算不同頻率的本征模態(tài)函數(shù)(intrinsic modal function, IMF)樣本熵, 設(shè)置樣本熵閾值提取符合微震信號特征的IMF分量并對其進行信號重構(gòu), 從而抑制隨機噪聲; 弓震等[4]提出了通過學(xué)習(xí)訓(xùn)練大量微震資料, 構(gòu)建可最大化稀疏表示微地震數(shù)據(jù)的超完備字典, 利用微地震信號與噪聲在訓(xùn)練字典下的差異, 分離有效信號與噪聲, 最終達到降噪的目的; 王飛等[5]提出了將同步壓縮小波變換技術(shù)與自適應(yīng)閾值處理技術(shù)相結(jié)合的方法對微地震數(shù)據(jù)實施降噪處理, 大幅度提高了微地震事件的信噪比; 邵婕等[6]首先利用正交匹配追蹤算法計算多分量數(shù)據(jù)的稀疏表示, 然后在根據(jù)信號特征選擇稀疏變換矩陣的同時根據(jù)噪聲方差選擇恰當閾值, 最后通過迭代, 重構(gòu)誤差直至其小于設(shè)定閾值, 從而實現(xiàn)微地震數(shù)據(jù)降噪; 劉利強[7]提出了首先獲得極小、 極大值包絡(luò)線, 然后將原始信號分解為多個滿足條件的信號序列, 最后根據(jù)信號特征選取高信噪比的信號序列重構(gòu)信號的方法實現(xiàn)微地震數(shù)據(jù)降噪.

普通循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)訓(xùn)練過程中易出現(xiàn)梯度消失與梯度爆炸的問題, 為解決這類問題, Hochreiter等[8]提出了長短時記憶單元(long short-term memory, LSTM)方法. 近年來, 隨著深度學(xué)習(xí)研究的不斷發(fā)展, 其已廣泛應(yīng)用于信號降噪等問題中. 許滔滔等[9]提出了一種基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò), 將其用于對大地電磁工頻干擾壓制, 首先構(gòu)建基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型, 然后將含噪數(shù)據(jù)及工頻噪聲分別作為模型的輸入與輸出, 最后獲得輸入與輸出的差值作為降噪后的真實信號, 該方法取得了較好的降噪效果; Shen等[10]在引力波信號噪聲壓制中使用了基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)降噪模型, 利用該模型能有效去除隨機噪聲, 且降噪效果比傳統(tǒng)方法優(yōu)越. 此外, 還有利用LSTM的變體門控循環(huán)單元(gated recurrent unit, GRU)構(gòu)建網(wǎng)絡(luò)模型進行降噪的方法[11]. 周澤南[12]將卷積神經(jīng)網(wǎng)絡(luò)與GRU相結(jié)合, 并將其作為后續(xù)構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)的重要單元, 與基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)及傳統(tǒng)濾波方法相比, 該方法在去除InSAR圖像的相位噪聲方面效果明顯.

在目前的微地震數(shù)據(jù)降噪方法中, 利用深度學(xué)習(xí)技術(shù)降噪的方法較少, 且傳統(tǒng)方法均存在一些缺點, 如小波降噪中若支集長度太大則不利于實時性, 需要精準調(diào)參的問題等. 針對微地震信號的時序特性以及傳統(tǒng)方法存在的不足, 本文構(gòu)建深度雙向門控循環(huán)單元循環(huán)神經(jīng)網(wǎng)絡(luò)(deep bidirectional gated recurrent unit recurrent neural network, DBGRU-RNN), 并將其應(yīng)用于微地震數(shù)據(jù)降噪. 實驗結(jié)果驗證了DBGRU-RNN在微地震信號降噪中應(yīng)用的可行性.

1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu), 表現(xiàn)為RNN會對之前時刻的信息進行記憶并應(yīng)用于當前輸出的計算中, 即隱藏層之間的節(jié)點有連接, 并且當前時刻隱藏層的輸入不僅包括當前時刻的輸入還包括上一時刻隱藏層的輸出[13]. 其網(wǎng)絡(luò)結(jié)構(gòu)[14]如圖1所示. 輸入輸出關(guān)系表示為

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Recurrent neural network structure

其中t-1,t,t+1為時間序列,x為當前輸入樣本,s0為初始記憶,st為輸入樣本在時間t處的記憶,W為前一時刻隱藏層輸出的權(quán)重,U為當前時刻輸入樣本的權(quán)重,V為輸出的樣本權(quán)重,f和g為激活函數(shù).

RNN在每步輸入、 輸出、 隱狀態(tài)的連接中均共享參數(shù), 這種共享機制可顯著降低模型復(fù)雜度, 縮短訓(xùn)練時長, 還能保持較高的精度. 因此, RNN在含有時序數(shù)據(jù)的任務(wù)中有較強優(yōu)勢.

1.2 門控循環(huán)單元

普通RNN訓(xùn)練時, 經(jīng)常會出現(xiàn)梯度消失和梯度爆炸的問題, 因此文獻[15]提出了LSTM解決該問題, 其在普通RNN單元的基礎(chǔ)上, 增加了3個可以使信息選擇式通過的門控制信息的量, 從而使梯度值保持穩(wěn)定, 便于訓(xùn)練, 但由于加入了門控機制而導(dǎo)致計算復(fù)雜度增高. GRU是LSTM的一種變體, 因此, 其使用門控機制學(xué)習(xí)長期依賴關(guān)系的基本思想與LSTM一致. 與LSTM相比, GRU的結(jié)構(gòu)簡單, 計算復(fù)雜度低, 且沒有LSTM網(wǎng)絡(luò)中內(nèi)部狀態(tài)和外部狀態(tài)的劃分, 而是通過直接在當前網(wǎng)絡(luò)的狀態(tài)ht和上一時刻網(wǎng)絡(luò)的狀態(tài)ht-1之間添加一個線性的依賴關(guān)系, 解決梯度消失和梯度爆炸的問題.其基本單元結(jié)構(gòu)[16]如圖2所示.

圖2 單個GRU單元基本結(jié)構(gòu)Fig.2 Basic structure of single GRU unit

在經(jīng)典的GRU模型中, 計算過程[17]分為如下四步：

步驟1) 更新門幫助模型決定前一時刻和當前時刻的信息傳遞量, 其計算公式為

z=σ(Wzxt+Uzht-1+bz);

(2)

步驟2) 重置門決定前一時刻的信息遺忘量, 其計算公式為

r=σ(Wrxt+Urht-1+br)；

(3)

步驟3) 新的記憶內(nèi)容使用重置門儲存過去相關(guān)的信息, 其計算公式為

(4)

步驟4) 最后保留當前單元的信息并傳遞到下一個單元中, 其計算公式為

(5)

與LSTM相比, GRU的計算公式簡單, 在具有同等水平數(shù)據(jù)計算上, 可大幅度提高計算效率. 理論上, 增加循環(huán)神經(jīng)網(wǎng)絡(luò)的深度及設(shè)置復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)可增強循環(huán)神經(jīng)網(wǎng)絡(luò)的能力. 因此, 本文在增加網(wǎng)絡(luò)層數(shù)的同時還結(jié)合了雙向網(wǎng)絡(luò)結(jié)構(gòu), 建立了DBGRU-RNN模型, 與單向GRU相比, 其某時刻的輸出不僅與前一時刻的隱狀態(tài)有關(guān), 同時還與后一時刻的隱狀態(tài)有關(guān), 因此該模型能利用時序數(shù)據(jù)的上下文信息進行建模, 獲得比單向GRU更準確的結(jié)果[18].

2 基于DBGRU-RNN的微地震降噪方法

本文構(gòu)建網(wǎng)絡(luò)模型時首先考慮到循環(huán)神經(jīng)網(wǎng)絡(luò)具有強大的處理序列數(shù)據(jù)的能力, 且微地震數(shù)據(jù)為一維序列數(shù)據(jù), 提出將循環(huán)神經(jīng)網(wǎng)絡(luò)用于微地震數(shù)據(jù)降噪處理中； 其次考慮到普通循環(huán)神經(jīng)網(wǎng)絡(luò)易出現(xiàn)梯度消失等問題, 本文將傳統(tǒng)循環(huán)單元替換為門控循環(huán)單元； 再次考慮到與單向循環(huán)神經(jīng)網(wǎng)絡(luò)相比, 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)某時刻的輸出不僅與前一時刻的隱層狀態(tài)有關(guān), 同時還與后一時刻的隱層狀態(tài)有關(guān), 因此雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型能充分利用時序數(shù)據(jù)的上下文信息進行建模, 獲得比單向循環(huán)神經(jīng)網(wǎng)絡(luò)更準確的結(jié)果； 最后考慮到增加神經(jīng)網(wǎng)絡(luò)的深度可增加網(wǎng)絡(luò)模型的容錯能力, 提高網(wǎng)絡(luò)模型的魯棒性. 因此, 本文選擇深度雙向門控循環(huán)單元循環(huán)神經(jīng)網(wǎng)絡(luò)用于微地震數(shù)據(jù)降噪.

2.1 DBGRU-RNN模型

本文構(gòu)建的DBGRU-RNN模型如圖3所示, 包括3個GRU隱藏層, 由下至上分別為輸入層、 GRU隱藏層和輸出層. 隱藏層中實線表示前向?qū)? 虛線表示反向?qū)? 其中, 3個GRU隱藏層為整個網(wǎng)絡(luò)模型的核心部分.

圖3 深度雙向GRU循環(huán)神經(jīng)網(wǎng)絡(luò)模型Fig.3 Deep bi-directional GRU-RNN model

誤差函數(shù)定義為

(9)

輸出層權(quán)值梯度為

(10)

其中g(shù)′為激活函數(shù)的導(dǎo)數(shù).令

則

(11)

根據(jù)鏈式法則可推出

(12)

令

則第三GRU隱層參數(shù)梯度可計算為

(13)

依次類推, 可得其余各層權(quán)值及閾值梯度計算公式為

(15)

在DBGRU-RNN網(wǎng)絡(luò)模型中, 正向?qū)又懈鲄?shù)調(diào)整的公式不相同, 本文按照統(tǒng)一的規(guī)則進行調(diào)整, 該規(guī)則用公式可表達為

β(t+1)=β(t)+αΔβ(t+1),

2.2 微地震降噪方法

構(gòu)建基于DBGRU-RNN的微地震數(shù)據(jù)降噪方法, 旨在利用該網(wǎng)絡(luò)模型訓(xùn)練到含噪微地震數(shù)據(jù)與純凈微地震數(shù)據(jù)間的映射關(guān)系. 設(shè)X,Y表示純凈微地震數(shù)據(jù)信號, 則有

Y=F(X+ξ),

(16)

其中F表示構(gòu)建的網(wǎng)絡(luò)模型,ξ表示高斯噪聲.

模型的目標是構(gòu)建加入噪聲后的微地震數(shù)據(jù)與純凈微地震數(shù)據(jù)之間的映射關(guān)系, 則輸入實際微地震數(shù)據(jù)至網(wǎng)絡(luò)模型后對應(yīng)的輸出即為降噪后的信號S, 則S與Y之間的關(guān)系可表示為

S=Y.

(17)

2.3 數(shù)據(jù)預(yù)處理及評價指標設(shè)置

由于實際中無法獲取到完全純凈的微地震信號以及含噪微地震信號中的噪聲信號, 因此為構(gòu)建DBGRU-RNN模型訓(xùn)練時所需的微地震數(shù)據(jù)集和噪聲數(shù)據(jù)集, 本文采用Ricker子波正演的方式, 合成微地震信號作為仿真實驗中的純凈數(shù)據(jù). 采用高斯噪聲作為噪聲信號, 在純凈微地震信號中加入高斯噪聲作為含噪微地震信號, 含噪微地震信號及純凈數(shù)據(jù)分別作為輸入輸出樣本數(shù)據(jù)集. 其中樣本數(shù)據(jù)集分為兩部分: 一部分為訓(xùn)練集, 另一部分為驗證集.

在評價基于DBGRU-RNN的微地震降噪方法的性能時, 本文采用4個評估指標進行評估分析, 分別為用于衡量信號是否失真的峰值信噪比PSNR(peak signal-to-noise ratio)[19], 反映一個數(shù)據(jù)集離散程度的均方差MSE(mean square error), 反映變量之間線性相關(guān)程度的相關(guān)系數(shù)CORC(correlation coefficient)[12]以及反映變量之間相近程度的能量比ER(energy ratio)[20]. 設(shè)純凈微地震信號為X, 降噪后微地震信號為Y, 則4個指標的計算公式分別為

其中X與Y越接近, 峰值信噪比越大, 均方差越小, 相關(guān)系數(shù)及能量比越接近于1.

2.4 仿真測試

本文使用MATLAB2014進行仿真實驗, 通過在由Ricker子波正演得到的微地震數(shù)據(jù)信號中加入高斯噪聲模擬含噪信號. 本文共生成48 000道數(shù)據(jù), 每道數(shù)據(jù)采樣點為400, 其中40 000道為訓(xùn)練集, 8 000道為測試集. 為便于觀察降噪效果, 設(shè)置生成微地震數(shù)據(jù)圖的道數(shù)為80. 圖4(A)為純凈微地震數(shù)據(jù), 圖4(B)為加入高斯噪聲后的微地震數(shù)據(jù).

圖4 純凈及含噪微地震數(shù)據(jù)集Fig.4 Pure and noisy microseismic data sets

本文輸入數(shù)據(jù)為三維數(shù)據(jù), 具體格式為(批量大小,序列長度,輸入層節(jié)點), 其中序列長度為每道微地震數(shù)據(jù)的采樣點數(shù), 即400. 輸入層節(jié)點數(shù)為每個樣本中的微地震道數(shù), 本文取80. 經(jīng)過實驗, 批量大小設(shè)置為20, 此時樣本共有600/20=30批, 其中訓(xùn)練樣本25批, 測試樣本5批. 單條樣本的數(shù)值列于表1.

表1 輸入數(shù)據(jù)示例

網(wǎng)絡(luò)參數(shù)設(shè)置如下： 根據(jù)仿真數(shù)據(jù)并經(jīng)多次實驗, 網(wǎng)絡(luò)的輸入層節(jié)點設(shè)為80, 3個GRU隱藏層節(jié)點設(shè)為256,512,512, 輸出層節(jié)點設(shè)為400, 所有激活函數(shù)均采用Sigmod函數(shù). 網(wǎng)絡(luò)訓(xùn)練采用期望輸出與實際輸出之間的均方誤差作為損失函數(shù), 使用Adam優(yōu)化器在每次迭代過程執(zhí)行參數(shù)調(diào)優(yōu). 學(xué)習(xí)率初值設(shè)為0.01, 且隨迭代步數(shù)按α=0.8α遞減, 學(xué)習(xí)率最小值限定為10-6. 迭代步數(shù)設(shè)置為50.

本文采用基于DBGRU-RNN的微地震數(shù)據(jù)降噪算法, 將其與普通循環(huán)神經(jīng)網(wǎng)絡(luò)、 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的降噪算法[21]、 高斯降噪[22]、 BP神經(jīng)網(wǎng)絡(luò)降噪[23]等4種方法同時獨立對含噪微地震信號進行降噪處理, 并對所得結(jié)果在降噪波形及評價指標兩方面進行對比分析.

用本文降噪方法與其他4種降噪方法對同一含噪微地震信號進行降噪處理, 其降噪波形結(jié)果如圖5所示, 其中： (A)為加入噪聲后的微地震信號； (B)～(F)分別為利用不同方法降噪后的微地震信號.

圖5 不同降噪方法對微地震數(shù)據(jù)的降噪結(jié)果Fig.5 Denoising results of different denoising methods on microseismic data

由圖5可見： 圖5(B)為高斯方法降噪后的微地震信號, 與圖4(A)的純凈微地震信號相比, 高斯方法降噪后的微地震信號存在大量噪聲, 有效信號部分被噪聲腐蝕以至于無法識別； 圖5(C)為BP神經(jīng)網(wǎng)絡(luò)降噪后微地震信號, 與圖4(A)的純凈微地震信號相比, BP神經(jīng)網(wǎng)絡(luò)降噪后的微地震信號存在明顯噪聲, 僅有非常少的微地震信號被恢復(fù)； 圖5(D)和圖5(E)為普通循環(huán)神經(jīng)網(wǎng)絡(luò)及LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)降噪后的微地震信號, 可以明顯觀察到噪聲, 與圖4(A)的純凈微地震信號相比, 部分有效信號被恢復(fù)； 圖5(F)為本文提出的DBGRU-RNN網(wǎng)絡(luò)降噪后的微地震信號, 可見噪聲基本去除, 僅殘留少量噪聲, 有效信號部分可清晰分辨, 與圖4(A)的純凈微地震信號相比波形基本相近. 仿真測試結(jié)果表明, 本文提出的DBGRU-RNN降噪方法相比于其他4種降噪方法降噪效果較好.

為明確對比效果, 本文對加入噪聲后的數(shù)據(jù)分別計算其PSNR,MSE,CORC和ER, 計算結(jié)果為: PSNR=1.828 3, MSE=0.656 4, CORC=0.088 6, ER=5.320 9. 5種降噪方法降噪后各評價指標的結(jié)果列于表2.

表2 5種降噪方法降噪后各評價指標的結(jié)果

由表2可見: 首先, 高斯降噪方法取得的峰值信噪比小于20 dB, 說明該方法的降噪結(jié)果失真過大, 得到的結(jié)果不可接受; BP神經(jīng)網(wǎng)絡(luò)及普通循環(huán)神經(jīng)網(wǎng)絡(luò)降噪方法取得的峰值信噪比大于20 dB, 小于30 dB, 說明得到的降噪效果較差; LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)與本文網(wǎng)絡(luò)降噪前后相比, 雖然信噪比均大于30 dB, 但結(jié)合圖5(E)與圖5(F)所示的微地震信號表明本文網(wǎng)絡(luò)得到的降噪效果更好； 其次, 經(jīng)本文降噪方法處理, 降噪前后信號之間的相關(guān)系數(shù)值為0.933 5, 說明本文方法處理后的數(shù)據(jù)與純凈數(shù)據(jù)基本一致, 而其他方法的相關(guān)系數(shù)值均低于0.8, 因此與其他4種方法相比, 本文方法的降噪效果最好； 最后, 本文方法降噪前后能量比最接近1, 其他4種方法的能量比均大于本文方法, 進一步說明本文方法降噪后的結(jié)果更接近于純凈微地震數(shù)據(jù). 利用本文提出的DBGRU-RNN模型降噪后與降噪前微地震信號的峰值信噪比相比約提高36 dB, 且信號之間的相關(guān)系數(shù)值由0.088 6上升至0.933 5, 能量比最接近于1. 因此, 本文的降噪方法優(yōu)于其他4種降噪方法.

3 實際應(yīng)用效果及分析

3.1 礦場資料數(shù)據(jù)

本文選取大慶油田某井進行水力壓裂時監(jiān)測的微地震信號作為實測數(shù)據(jù), 圖6是截取其中700個采樣點和全部地震道的結(jié)果. 由圖6可見, 微地震數(shù)據(jù)中存在大量的噪聲干擾, 其中第5道和第27道噪聲干擾較大, 無法直接確定微地震信號的位置. 因此, 為更清晰地觀察到微地震信號, 本文隨機選取幾條可明顯觀察到有效微地震信號的地震道進行波形顯示, 如圖7所示.

圖6 截取部分微地震信號結(jié)果Fig.6 Interception of partial microseismic signal results

圖7 單道微地震信號Fig.7 Single microseismic signals

3.2 降噪效果及分析

實際微地震數(shù)據(jù)中存在著大量的噪聲干擾, 其噪聲相比于本文添加的高斯噪聲更復(fù)雜, 湮沒了有效的微地震信號. 本文使用DBGRU-RNN網(wǎng)絡(luò)模型對實際的微地震數(shù)據(jù)進行處理, 在對實測數(shù)據(jù)進行降噪處理過程中, 網(wǎng)絡(luò)模型參數(shù)仍采用仿真測試中的網(wǎng)絡(luò)模型參數(shù)進行設(shè)置. 為清晰觀察DBGRU-RNN模型的效果, 使用單道微地震數(shù)據(jù)進行波形分析, 如圖8所示. 由圖8可見， 經(jīng)本文模型處理后, 消除了部分噪聲信號, 有效微地震信號顯現(xiàn)更清晰.

圖8 實測數(shù)據(jù)降噪結(jié)果Fig.8 Denoising results of measured data

為進一步驗證本文網(wǎng)絡(luò)模型的有效性, 采用Walsh平均功率法對降噪前后的數(shù)據(jù)進行功率譜估計, 結(jié)果如圖9所示. 為清晰觀察本文網(wǎng)絡(luò)模型的降噪效果, 實驗將仿真數(shù)據(jù)降噪后的功率譜與實測數(shù)據(jù)降噪后的功率譜進行對比. 圖9中, (A)為仿真含噪微地震數(shù)據(jù)降噪前功率譜, (B)為仿真含噪微地震數(shù)據(jù)降噪后功率譜, (C),(E),(G),(I)和(D),(F),(H),(J)分別對應(yīng)圖7所示4道單道微地震信號降噪前與降噪后功率譜. 由圖9(C),(E),(G),(I)可見, 有效微地震信號均被復(fù)雜的噪聲所腐蝕, 無法觀察到有效信號的特征及曲線分布. 由圖9(D),(F),(H),(J)可見, 經(jīng)本文網(wǎng)絡(luò)模型處理后, 有效去除了部分噪聲, 可分辨出有效微地震信號, 并且將圖9(D),(F),(H),(J)所示的功率譜曲線與圖9(B)所示的仿真微地震數(shù)據(jù)降噪后功率譜曲線進行了對比, 結(jié)果表明, 二者的功率譜曲線在總體趨勢上保持一致, 進一步說明本文方法能有效消除微地震數(shù)據(jù)中的部分噪聲.

圖9 實測數(shù)據(jù)降噪前后功率譜對比Fig.9 Power spectrum comparison of measured data before and after denoising

由圖8和圖9可見, 本文方法雖然能有效消除微地震數(shù)據(jù)中的部分噪聲, 但仍有部分噪聲存在影響微地震信號的識別, 與仿真實驗中得到的結(jié)果相比降噪效果較差. 這可能是因為實測數(shù)據(jù)中噪聲信號極復(fù)雜, 而在仿真實驗加入的高斯噪聲無法完全模擬實際噪聲數(shù)據(jù)所致. 但在計算效率上, DBGRU-RNN比普通循環(huán)神經(jīng)網(wǎng)絡(luò)低. 這是因為DBGRU-RNN采用了比普通循環(huán)神經(jīng)網(wǎng)絡(luò)更復(fù)雜的隱層循環(huán)單元以及網(wǎng)絡(luò)結(jié)構(gòu), 這些復(fù)雜操作使得DBGRU-RNN模型的性能得以提升.

綜上所述, 本文針對微地震信號中存在大量噪聲干擾, 導(dǎo)致其識別困難的問題, 提出了一種深度雙向門控循環(huán)單元循環(huán)神經(jīng)網(wǎng)絡(luò)的方法, 并將其應(yīng)用于微地震數(shù)據(jù)降噪中. 首先利用Ricker子波正演生成模擬微地震數(shù)據(jù)集, 采用高斯噪聲作為噪聲數(shù)據(jù)集, 然后利用構(gòu)建的數(shù)據(jù)集驗證本文構(gòu)建的網(wǎng)絡(luò)模型的有效性及準確性, 最后選取4種降噪方法與本文方法進行對比. 仿真實驗結(jié)果表明, 本文方法與其他4種方法相比, 降噪效果更好. 進一步, 本文選取大慶油田某井進行水力壓裂時監(jiān)測的微地震信號作為實測數(shù)據(jù), 再次驗證了本文網(wǎng)絡(luò)模型的有效性. 由于實測數(shù)據(jù)中的噪聲極復(fù)雜, 而本文仿真實驗中添加的高斯噪聲無法完全模擬實際噪聲, 因此在實際應(yīng)用中, 雖然本文提出的模型能在噪聲較大的情況下獲得良好的降噪效果, 但仍存在少量噪聲.