摘要：为解决煤层水力压裂过程中煤体破裂诱发微震信号信噪比低、拾取难等问题，提出了一种基于掩码策略的深度神经网络模型(Mask Residual Attention Denoiser，简称MRAD)。该模型基于经典U-Net架构，通过引入掩码策略，引导神经网络分别学习有效微震信号与噪声的特征分布，输出相应的有效信号掩码与噪声掩码，将有效信号掩码与原始微震信号时频矩阵进行Hadamard运算，实现掩码加权滤波降噪。首先，采用人工标注的理想干净信号与随机噪声进行迭代叠加，构建了18670个用于训练的微震信号样本；随后，在模型结构上，用残差模块替代了U-Net网络中的普通卷积模块及下采样部分，以缓解梯度消失问题，避免模型陷入局部最优；同时，在跳跃连接处引入空间注意力机制，增强网络对有效微震信号区域的关注能力。研究结果表明：测试集信号经过MRAD方法降噪后，信号平均信噪比提升至18.22 dB，均方根误差降低至0.0424，归一化互相关系数达到0.9699，能量比为1.0286，尤其对信噪比处于0～10 dB区间的信号，降噪效果更为显著。此外，模型对单段微震信号降噪时间低于30 ms，计算资源需求较小，满足水力压裂现场实时微震监测与数据处理。为验证MRAD方法的有效性，分别使用该方法与传统降噪方法对合成的30个混合信号降噪处理，对比结果显示，MRAD方法在提升信号质量和降低失真度方面更具优势。将该方法应用于宁夏某煤矿的水力压裂微震监测中，三个钻孔压裂诱发的微震信号经降噪处理后，信噪比分布区间集中于10～25 dB，平均信噪比提升6.90 dB，充分抑制了噪声干扰，提高了P波到时拾取的准确性，微震事件数量由原始的487个增至653个，事件数增长约34%。利用降噪后微震数据进行震源定位分析发现，钻孔压裂段诱发破裂的单侧范围集中在12～37 m，其破裂定位结果与钻孔压裂段施工参数有良好的对应关系。该方法可以为煤层水力压裂工程中微震信号的实时监测与压裂效果评估提供有力的技术支撑。
文章目录
1 方法原理
1.1 时频域掩码策略
1.2 微震信号降噪神经网络模型设计
1.3 MRAD方法降噪流程
2 模型训练与性能分析
2.1 模型训练
2.1.1 数据来源与预处理
2.1.2 模型训练结果
2.2 模型性能评价指标
2.3 降噪性能分析
2.4 不同方法降噪性能对比
3 工程应用
3.1 降噪前后微震信号质量对比
3.2 水力压裂微震事件时空演化分析
4 结论
