基于GBDT的微地震事件定位方法、装置、设备及介质

本发明涉及机器学习，特别涉及一种基于gbdt的微地震事件定位方法、装置、设备及介质。

背景技术：

1、随着微地震检测技术的发展，在水力压裂、煤矿水害预警、隧道检测等工程中微地震定位技术的应用也越发广泛。传统的定位方法包括盖格定位方法、纵横波定位方法、网格搜索法、双差定位法等。前两种方法适用于于均匀介质，能够较快的定位出震源结果，但是定位精度，受初至拾取结果的影响较大。后两种方法则是采用迭代的方式，多次射线追踪或求解线性方程组，当微地震事件数据量较大时后两种方法需要花费大量的时间去计算，无法实时反应微地震事件发生的位置。目前，随机森林定位方法应用较多，但是其定位精度相对于传统方法相差较大。

2、由上可见，如何提高微地震事件定位精度和效率，降低微地震事件定位过程的复杂性是本领域有待解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于gbdt的微地震事件定位方法、装置、设备及介质，能够提高微地震事件定位精度和效率，降低微地震事件定位过程的复杂性。其具体方案如下：

2、第一方面，本技术公开了一种基于gbdt的微地震事件定位方法，包括：

3、获取微地震数据，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间；

4、基于所述模型检测波位置、所述纵波到达时间以及所述横波到达时间构建每个震源对应的模型特征矩阵，对所述微地震数据进行处理以及通道筛选，以得到筛选后的通道数目，判断所述通道数目是否超过预设通道数目，若所述通道数目超过预设通道数目，则生成目标微地震数据；

5、基于所述实际检波器位置、所述纵波到达时间以及所述横波到达时间构建所述目标微地震数据中每个震源对应的实际特征矩阵，利用所述模型特征矩阵对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型；

6、从所述实际特征矩阵的所有通道中筛选出目标通道，利用所述目标通道生成目标实际特征矩阵，将所述模型特征矩阵输入至参数设置后的所述梯度提升决策树模型中进行训练，以得到目标梯度提升决策树模型，将所述目标实际特征矩阵输入至所述目标梯度提升决策树模型中，以输出目标震源位置，基于所述目标震源位置对微地震事件进行定位。

7、可选的，所述获取微地震数据，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间，包括：

8、获取微地震数据，构建工区底下的密度模型和纵横波速度模型；

9、利用所述密度模型和所述纵横波速度模型，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间。

10、可选的，所述利用所述密度模型和所述纵横波速度模型，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间，包括：

11、利用所述密度模型和所述纵横波速度模型，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个随机的震源位置，并进行弹性波波动方程正演模拟，然后采用长短时窗初至拾取方法进行初至拾取，以得到纵波到达时间和横波到达时间。

12、可选的，所述对所述微地震数据进行处理以及通道筛选，以得到筛选后的通道数目，包括：

13、读取所述微地震数据的sgy文件，并对所述sgy文件进行去噪，以得到去噪后的所述微地震数据；

14、按照预设的通道筛选规则对去噪后的所述微地震数据进行通道筛选，以得到筛选后的通道，确定与所述筛选后的通道对应的通道数目。

15、可选的，所述利用所述模型特征矩阵对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型，包括：

16、按照预设划分比例将所述模型特征矩阵划分为训练集和测试集；

17、利用所述训练集和所述测试集对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型。

18、可选的，所述利用所述训练集和所述测试集对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型，包括：

19、利用所述训练集和所述测试集对所述梯度提升决策树模型进行决策树深度设置、特征数目设置以及损失函数设置，以得到参数设置后的所述梯度提升决策树模型。

20、可选的，所述从所述实际特征矩阵的所有通道中筛选出目标通道，利用所述目标通道生成目标实际特征矩阵，包括：

21、从实际特征矩阵的所有通道中筛选出信噪比数值高的各通道作为目标通道，并确实各所述目标通道的通道编号；

22、将所述实际特征矩阵中除所述通道编号对应的所述目标通道之外的其他通道进行剔除，以生成目标实际特征矩阵。

23、第二方面，本技术公开了一种基于gbdt的微地震事件定位装置，包括：

24、模拟及拾取模块，用于获取微地震数据，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间；

25、处理及筛选模块，用于基于所述模型检测波位置、所述纵波到达时间以及所述横波到达时间构建每个震源对应的模型特征矩阵，对所述微地震数据进行处理以及通道筛选，以得到筛选后的通道数目，判断所述通道数目是否超过预设通道数目，若所述通道数目超过预设通道数目，则生成目标微地震数据；

26、参数设置模块，用于基于所述实际检波器位置、所述纵波到达时间以及所述横波到达时间构建所述目标微地震数据中每个震源对应的实际特征矩阵，利用所述模型特征矩阵对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型；

27、地震事件定位模块，用于从所述实际特征矩阵的所有通道中筛选出目标通道，利用所述目标通道生成目标实际特征矩阵，将所述模型特征矩阵输入至参数设置后的所述梯度提升决策树模型中进行训练，以得到目标梯度提升决策树模型，将所述目标实际特征矩阵输入至所述目标梯度提升决策树模型中，以输出目标震源位置，基于所述目标震源位置对微地震事件进行定位。

28、第三方面，本技术公开了一种电子设备，包括：

29、存储器，用于保存计算机程序；

30、处理器，用于执行所述计算机程序，以实现前述的基于gbdt的微地震事件定位方法。

31、第四方面，本技术公开了一种计算机存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于gbdt的微地震事件定位方法的步骤。

32、可见，本技术提供了一种基于gbdt的微地震事件定位方法，包括获取微地震数据，根据所述微地震数据的实际检波器位置设置模型检测波位置和多个震源位置，并进行正演模拟以及初至拾取，以得到纵波到达时间和横波到达时间；基于所述模型检测波位置、所述纵波到达时间以及所述横波到达时间构建每个震源对应的模型特征矩阵，对所述微地震数据进行处理以及通道筛选，以得到筛选后的通道数目，判断所述通道数目是否超过预设通道数目，若所述通道数目超过预设通道数目，则生成目标微地震数据；基于所述实际检波器位置、所述纵波到达时间以及所述横波到达时间构建所述目标微地震数据中每个震源对应的实际特征矩阵，利用所述模型特征矩阵对梯度提升决策树模型进行参数设置，以得到参数设置后的所述梯度提升决策树模型；从所述实际特征矩阵的所有通道中筛选出目标通道，利用所述目标通道生成目标实际特征矩阵，将所述模型特征矩阵输入至参数设置后的所述梯度提升决策树模型中进行训练，以得到目标梯度提升决策树模型，将所述目标实际特征矩阵输入至所述目标梯度提升决策树模型中，以输出目标震源位置，基于所述目标震源位置对微地震事件进行定位。本技术设置模型检测波位置和多个震源位置并进行正演模拟以及初至拾取，得到纵波到达时间和横波到达时间，将模拟检波器位置、纵波到时、横波到时、纵横波到时差作为事件特征，构建模拟特征矩阵，通过进行通道筛选生成目标微地震数据，从而构建实际特征矩阵，避免出现微地震数据中存在部分通道损坏或噪声过大初至拾取误差较大的情况，提高微地震事件定位的准确性，对梯度提升决策树模型进行参数设置和训练，得到目标梯度提升决策树模型，从而实现对微地震事件的定位，本技术将梯度提升决策树模型与微地震事件定位结合，从而降低微地震事件定位过程的复杂性，并且能够实现对微地震事件的精准预测，提高微地震事件定位的精度和效率。