Б.В. Емельянов1, О.Н. Шерстюков2, В.А. Рыжов3

1,2 Казанский федеральный университет (г. Казань, Россия)

3 ООО «Призмагео» (г. Казань, Россия)

1 emelyanov.bulat.91@mail.ru; 2 Oleg.Sherstyukov@kpfu.ru; 3 v.ryzhov@prisma-geo.com

Постановка проблемы. Автоматическое детектирование микросейсмических событий в данных распределенного акустического зондирования (DAS) в скважинных условиях сопряжено с рядом принципиальных трудностей. Реальные записи характеризуются низким отношением сигнал/шум, выраженной нестационарностью фоновых колебаний и наличием интенсивных когерентных помех, в том числе и трубных волн. В таких условиях эффективность традиционных пороговых методов, основанных на анализе амплитудных характеристик во временно́й области, ограничена, так как слабые события маскируются более мощными сигналами, а выбор порога приводит или к пропуску событий, или к увеличению числа ложных срабатываний. Кроме того, в классических алгоритмах не учитывается возможность одновременного возникновения нескольких событий на разных глубинах и удалениях от скважины.

Цель. Представить автоматизированный метод детектирования микросейсмических событий в данных DAS на основе применения метода максимального правдоподобия (MLE) к результатам предварительной обработки, характеризующийся высокой помехоустойчивостью и способностью выделять одновременные события в окрестностях разных участков скважинного кабеля.

Результаты. Предложен комплексный подход к обработке данных DAS, включающий в себя формирование гибридного набора данных с внедрением синтетических микросейсмических откликов в реальные шумовые записи, каскадную предобработку сигналов (амплитудно-фазовую стабилизацию, полосовую фильтрацию в частотном диапазоне 10…300 Гц и подавление квазигармонических помех), а также построение трехмерного поля вероятности методом MLE в координатах «глубина – радиус – время». Рассмотрено применение процедуры нормализации решающей функции с использованием трехмерного медианного фильтра для компенсации нестационарности фона. Показано, что ключевым элементом алгоритма является отказ от амплитудного порогового детектирования в пользу кластеризации вероятностного пространства методом DBSCAN, что позволяет выделять события по плотности распределения вероятности. В ходе сравнительного анализа установлено, что предложенный метод обеспечивает повышение качества детектирования: значение модифицированного коэффициента корреляции Мэттьюса увеличилось с 0,125 для стандартного порогового детектора до 0,37 для разработанного подхода.

Практическая значимость. Представленный метод может быть использован в системах автоматической обработки данных DAS для микросейсмического мониторинга скважин и околоскважинного пространства. Его применение позволяет улучшить надежность регистрации слабых и одновременных микросейсмических событий в условиях сложной волновой обстановки и нестационарного шума, уменьшая зависимость результатов от выбора пороговых параметров и повышая информативность интерпретации полевых данных.

Емельянов Б.В., Шерстюков О.Н., Рыжов В.А. Повышение помехоустойчивости детектирования микросейсмических событий
в данных DAS комплексированием метода правдоподобия и кластеризации DBSCAN // Радиотехника. 2026. Т. 90. № 6.
С. 90−101. DOI: https://doi.org/10.18127/j00338486-202606-09

1. Mestayer J., Cox B., Wills P., Kiyashchenko D., Lopez J., Costello M., Bourne S., Ugueto G., Lupton R., Solano G., et al. Field trials of distributed acoustic sensing for geophysical monitoring // In SEG Technical Program Expanded Abstracts 2011. Society of Exploration Geophysicists. Tulsa. OK. USA. 2011. Р. 4253–4257.
2. Mateeva A., Lopez J., Potters H., Mestayer J., Cox B., Kiyashchenko D., Wills P., Grandi S., Hornman K., Kuvshinov B., et al. Distributed acoustic sensing for reservoir monitoring with vertical seismic profiling. Geophys. Prospect. 2014. № 62. Р. 679–692.
3. Pendão C., Silva I. Optical fiber sensors and sensing networks: overview of the main principles and applications // Sensors. 2022.
   № 22. Р. 7554.
4. Parker T., Shatalin S., Farhadiroushan M. Distributed acoustic sensing – a new tool for seismic applications // First Break. 2014.
   V. 32. P. 61–69.
5. Bakku S.K., Fehler M., Wills P., Mestayer J., Mateeva A., Lopez J. Vertical seismic profiling using distributed acoustic sensing in a hydrofrac treatment well // SEG Technical Program Expanded Abstracts 2014. Society of Exploration Geophysicists. Tulsa. OK. USA. 2014. Р. 5024–5028.
6. Hartog A.H. Distributed sensors in the oil and gas industry // Optical Fibre Sensors. The Institute of Electrical and Electronics Engineers, Inc. New York. NY. USA. 2020.
7. Chen M., Masoudi A., Parmigiani F., Brambilla G. Distributed acoustic sensor based on a two-mode fiber // Opt. Express. 2018.
   № 26. P. 25399.
8. Алексеев А.Э., Вдовенко В.С., Горшков Б.Г., Потапов В.Т., Сергачев И.А., Симикин Д.Е. Когерентный фазочувствительный рефлектометр с дифференциальной фазовой модуляцией зондирующих импульсов // Квантовая электроника. 2014. Т. 44.
   № 10. С. 965–969.
9. Fernández-Ruiz M.R., Soto M.A., Williams E.F., Martin-Lopez S., Zhan Z., Gonzalez-Herraez M., Martins H.F. Distributed acoustic sensing for seismic activity monitoring // APL Photonics. 2020. № 5. P. 030901.
10. Fernandez-Ruiz M.R., Martins H.F., Williams E.F., Becerril C., Magalhaes R., Costa L., Martin-Lopez S., Jia Z., Zhan Z., Gonzalez-Herraez M. Seismic monitoring with distributed acoustic sensing from the near-surface to the deep oceans // J. Light. Technol. 2022. № 40. P. 1453–1463.
11. Жураковский В.Н., Матюнин Д.В., Силин С.И. Определение направлений на отражающие объекты методом максимального правдоподобия при ограниченном числе лучей, формируемых антенной решёткой // Антенны. 2016. № 7. С. 35–39.
12. Birialtsev E., Demidov D., Mokshin E. Determination of moment tensor and location of microseismic events under conditions of highly correlated noise based on the maximum likelihood method // Geophysical Prospecting. 2017. № 1. Р. 1-17.
13. Li Z., Yuan S. DBSCAN-based clustering of microseismic events // Journal of Applied Geophysics. 2018. V. 151. P. 57–66.
14. Кузнецов Д.А., Плотникова Н.П., Федосин С.А. Агломеративная кластеризация алгоритмом DBSCAN с применением итеративного подхода // Нелинейный мир. 2021. Т. 19. № 3. С. 29–36. DOI: https://doi.org/10.18127/j20700970-202103-03.