摘要：在油气田开发阶段，通过分析微地震资料来确定裂缝的位置，对油藏动态进行监测和油田采收率的提高有重大意义。微地震有效事件识别是对微地震有效信号的拾取，很大程度上影响随后的震源定位工作。卷积神经网络已被广泛应用于图像分类与目标检测。本文采用卷积神经网络中的DenseNet模型，在网络结构中使用Transition模块连接两个相邻的密集块，每个密集块都采用BN-ReLU-Conv（1×1）-BN-ReLU-Conv（3×3）的结构，应用于四川南部某页岩气开发区水力压裂资料拾取中。

关键词：微地震;卷积神经网络;DenseNet模型

1 引言

微地震监测作为一种快速发展的油藏工程管理工具，在油气藏勘探开采过程中可进行储层压裂监测、油藏动态监测，可以优化油气注采方案，降低开发成本，提高油气产量，能够大大缩短和降低储层监测的周期与费用。目前微地震有效事件的自动拾取技术研究还处于初始阶段，大多数适用于中等和大地震。因此往往会错过许多低强度的地震。卷积神经网络作为一种高效的前馈型神经网络，但鲜有文献将其应用到微地震识别方面，卷积神经网络有很好的识别有效微地震事件的能力，它对波形“外貌特征”的高效提取应用在微地震方面可以做到快速识别微地震有效事件。

2 卷积神经网络

2.1 卷积神经网络定义

CNN是包含卷积计算且具有深度结构的前馈神经网络，深度学习的代表算法之一。在典型卷积网络中，一层完整的卷积网络包含三个阶段：第一阶段称为卷积层，该层执行类积操作生成组特征图;第二阶段称为探测层，每个特征值被送入一个非线性激活单元中进行激活;第三阶段称为池化层，将下层提取到的特征进行采样，缩小网络规模。……