基于对象检测的、利用低频地震数据自动识别水力压裂击中事件的方法

《Optical Fiber Technology》：Automatic hydraulic fracture hit events recognition with low-frequency DAS data based on object detection

　　• 使用低频DAS数据自动检测断裂冲击。
• 应变率信号被转换为二维图像。
• 使用标记的断裂冲击事件训练的对象检测框架。
• YOLOv8m实现了接近实时的高精度推理。
• 该方法增强了水力压裂的实时监控能力。

1. 引言
分布式声学传感（DAS）作为一种有效的监测技术，已被用于非常规储层开发，能够沿井筒和其他受限环境中的光纤电缆连续、高分辨率地测量应变和声学响应。通过使用光纤作为分布式传感元件，DAS系统可以提供密集的空间覆盖和实时监控能力。因此，DAS已广泛应用于地震学[1]、基础设施监测[2]、井下微地震和水力压裂监控[3]等领域。
低频DAS（LF-DAS）数据，通常低于0.5 Hz，对由热和机械扰动（如流体注入、应力重分布和水力压裂传播）引起的准静态应变变化特别敏感[4]。与高频DAS信号相比，LF-DAS能够捕捉到与断裂增长和井间相互作用相关的变形过程，并在更广阔的空间和时间尺度上进行测量。LF-DAS具有米级的空间分辨率，能够提供关于断裂几何形状、应力阴影和断裂驱动应变演变的宝贵信息，使其成为水力压裂特性分析和实时监控的强大工具[5]。
LF-DAS提供了对相邻井中水力压裂传播引起的应变率响应的分布式动态测量。模拟和现场观测表明，LF-DAS记录能够捕捉到围绕传播断裂的应变场，表现为特征性的“心形”图案，这些图案是断裂尖端的前兆事件[6]。图1展示了一个典型的断裂冲击信号，突出了这些前兆特征。准确检测这些事件对于优化井间距和减少井间干扰至关重要。我们专注于检测此类事件，作为即将发生断裂冲击的指示器。

下载：下载高分辨率图片（530KB）
下载：下载全尺寸图片
图1. 典型的水力压裂冲击，突出显示了类似心形的现象作为断裂尖端的前兆事件。

尽管LF-DAS非常有效，但断裂冲击的识别通常依赖于手动解释或基于阈值的检测，而物理驱动的建模和反演通常用于后续的断裂几何形状、应力重分布及相关变形场的分析。这些方法往往耗时、计算成本高昂，并且对噪声和重叠信号敏感，特别是在多阶段和多断裂刺激场景中。随着水力压裂操作的复杂性不断增加，对于能够可靠处理大规模LF-DAS数据集的自动化、稳健且实时的断裂冲击检测技术的需求也在不断增长[7]。
机器学习和深度学习的最新进展使得基于数据的地震和DAS事件检测成为可能。卷积神经网络（CNN）和对象检测框架在识别微地震事件、断裂干扰以及来自地震和DAS数据的变形模式方面表现出色[8]。在这些方法中，You Only Look Once（YOLO）系列对象检测模型通过将对象定位和分类统一到一个端到端的框架中，实现了快速推理和实时部署[9]。然而，所有提到的数据驱动方法都是为高频DAS应用开发的；对于这里讨论的低频DAS，很少有机器学习或深度学习方法被研究用于自动识别水力诱导的事件。
在这项研究中，我们提出了一个基于YOLOv8对象检测模型[10]的自动水力压裂冲击识别框架，应用于LF-DAS数据。通过将二维LF-DAS应变率数据转换为图像表示，可以在图像中检测到特征性的心形断裂冲击签名。所提出的方法使用二叠纪特拉华盆地的水力压裂试验场2（HFTS-2）的现场数据进行了验证[11]。这项工作的主要贡献有三个方面：（1）开发了基于图像的LF-DAS数据断裂冲击检测工作流程；（2）应用和优化YOLOv8模型以在复杂的多断裂条件下识别断裂冲击事件；（3）使用真实现场数据集全面评估检测精度、效率和鲁棒性。这种方法为使用LF-DAS监测方法在水力压裂操作期间进行实时断裂冲击监控和优化提供了实用的、可扩展的解决方案。

2. 材料与方法
2.1. DAS原理
DAS的基本原理依赖于背散射激光光的相位偏移来量化沿光纤的应变变化。图2展示了一个典型的光纤传感系统，包括一个询问单元和作为传感器的光纤。在DAS测量中，背散射信号的相位变化率（Δ???）与应变率（??）呈线性关系，如下所述[12],[13]：
(1) Δ??? = 4π????????????
其中????是无量纲折射率，??是无量纲有效光弹系数，??是标距长度，??是探针光的波长。DAS通过固定长度的光纤（称为标距长度）来测量应变变化，通常范围从1米到40米[14]。标距长度通常限制了数据的空间分辨率；以1米通道间距和5米标距长度记录的DAS数据将具有大约5米的空间分辨率。

下载：下载高分辨率图片（106KB）
下载：下载全尺寸图片
图2. 分布式声学传感系统的工作原理。

2.1.1. 数据采集与数据处理
数据采集：本研究使用的数据来自二叠纪特拉华盆地的水力压裂试验场2（HFTS-2）压裂项目。该场包括一口垂直监测井（B5PH）和八口水平井（T13H、T14H、T15H、T16H、B1H、B2H、B3H和B4H）。在这项研究中，选择了B2H–B3H井对进行分析。光纤沿着套管安装并固定到位，以确保光纤与周围地层的强机械耦合。这种安装配置使得由水力压裂传播产生的应变扰动能够有效地从岩石传递到光纤。DAS系统记录光纤中瑞利背散射光的光学相位变化。随着水力压裂的传播，产生的变形场会引起可测量的光学相位变化，这些变化被DAS询问器捕获。LF-DAS数据集包含6,100个空间通道，通道间距约为1.02米，标距长度约为7.15米。通道间距表示沿光纤的相邻测量通道之间的距离，而标距长度表示每个DAS应变率测量的空间平均区间。询问器内部随时间区分光学相位，产生的测量结果与应变率成线性比例。本研究使用的数据由美国能源部（DOE）提供，并经过了初步的现场预处理。具体来说，原始的高频DAS数据被大幅度降低到0.1 Hz的采样率，以突出与水力压裂增长、断裂干扰和应力阴影效应相关的低频变形。这个LF-DAS数据集为断裂冲击检测和分析提供了合适的基础。

数据处理：为了获得具有物理意义的应变率测量值，记录的光学相位率数据使用方程（1）得出的校准系数和已知的DAS系统标距长度转换为应变率值。在进一步分析之前，沿空间方向应用了五点移动中值滤波器，以抑制孤立的通道级尖峰和异常样本，同时保留与水力压裂传播相关的较宽的低频应变率模式。当输入数据包含未分化的光学相位测量时，在进行应变率转换之前，为每个DAS通道独立计算了一个样本时间差。具体来说，让φ(m, n)表示时间样本m和DAS通道n处的光学相位值。样本时间差计算如下：
(2) Δ??2(??,??) = ??2(??,??) ? ??2(???1,??)
其中m表示时间样本索引，n表示DAS通道索引。此操作从当前时间样本的光学相位值中减去之前时间样本的值，同时保持相同的DAS通道。在LF-DAS数据集中，输出数据率为0.1 Hz，对应于10秒的采样间隔。因此，一个样本时间差表示一个10秒间隔内的相位变化。然后使用输出数据率和标距长度（如方程（1）中所述）将差异的相位数据转换为应变率。对于本研究中使用的DOE “Diff”数据集，数据已经以差异形式提供，因此没有重复这个额外的时间差分步骤[15]。

处理后的应变率数据随后以时间-距离瀑布图的形式可视化，其中水平轴表示时间，垂直轴表示沿传感光纤的距离，像素颜色表示校准后的应变率值，这使得可以清晰地识别监测井筒中的断裂诱导的应变扰动。在图像转换过程中，直接使用了实际的应变率值，没有应用独立的分阶段或分段最小-最大归一化。所有生成的图像都使用了固定的颜色轴范围[?1.0 × 10??, +1.0 × 10??] s?1。因此，尽管实际应变率幅度分布可能在水力压裂阶段之间有所不同，但物理应变率值与图像颜色之间的映射在整个数据集中保持一致。所有图像都均匀应用了MATLAB的jet色彩图，蓝色和红色调分别代表负和正的应变率极性。这种固定的颜色刻度和一致的色彩图有助于保持阶段间的可比性，并为用于对象检测的双极心形断裂冲击签名提供强烈的视觉对比度。这些二维应变率图是后续基于图像的断裂冲击检测的主要输入[16]。

水力压裂在周围地层中产生应变扰动，可以使用简化的地质力学模型来描述。对于平面断裂，垂直于断裂平面的应力分量通常表现出两个明显的区域：断裂尖端前方的拉伸区和断裂两侧的压缩应力阴影区。这些应力和应变模式构成了在LF-DAS数据中观察到的断裂冲击签名的物理基础[17]。

记录的应变率数据被提取并转换为二维（2D）应变率图像。图3展示了一个从B2H–B3H水平井对收集的代表性2D应变率图像。B2H–B3H水平井包括30个水力压裂阶段，每个阶段包含大约一个到四个断裂冲击签名，这些特征性心形应变异常作为断裂尖端传播的前兆事件。构建了总共30个代表性的图像，用于使用基于图像的YOLO对象检测架构识别断裂冲击事件。

下载：下载高分辨率图片（579KB）
下载：下载全尺寸图片
图3. 从B2H-B3H水平井收集的应变率。

2.2. YOLOv8的基本原理
为了识别水力压裂冲击，采用了基于图像的识别方法。在各种深度学习模型中，You Only Look Once（YOLO）框架是一种广泛使用的对象检测方法，因为它能够在单次前向传递中同时定位对象并识别它们的类别。自2016年首次发布以来，YOLO经历了多次迭代，每次迭代都显著提高了检测精度和计算效率。
YOLOv8使用PyTorch框架在Python中开发，是一个开源的对象检测模型，得到了活跃的研究社区的支持。凭借轻量级架构和优化的训练策略，YOLOv8实现了高效率、高精度和易于部署的特点。这些特性使得YOLOv8适用于需要快速对象检测的各种实际应用，包括实时监控、安全系统、智能交通、环境感知、医学图像分析和基于无人机的视觉系统[18],[19],[20],[21]。
在YOLOv8的变体中，YOLOv8s、YOLOv8n和YOLOv8m是不同大小和复杂性的版本，影响速度、精度和推理时间。

2.2.1. 网络架构
YOLOv8架构：YOLOv8是YOLOv5对象检测模型的继任者[22]。与它的前辈相比，其在对象检测速度和精度方面有了显著改进。YOLOv8的架构由四个部分组成，如图4所示。

下载：下载高分辨率图片（428KB）
下载：下载全尺寸图片
图4. YOLOv8的结构。
主干网络：主干网络负责从输入的LF-DAS图像中提取层次特征。它主要由交替的CBS和C2f模块组成，后面是一个SPPF模块。这里的CBS表示一个由Conv2d、批量归一化（BN）和SiLU激活函数组成的卷积块。C2f模块是一种受CSP启发的结构，提高了梯度流和特征重用，同时减少了计算开销。与早期的YOLO变体相比，YOLOv8采用了更高效的特征提取设计，使得从LF-DAS图像中有效地学习特征成为可能。最终的SPPF模块扩大了接收域，并提高了高级上下文信息的提取能力。颈部结构采用了PAN–FPN风格的多尺度特征聚合结构。主干网络提取的特征图通过上采样、连接和额外的C2f模块进行融合。这种设计将深层的语义信息与浅层的空间信息结合起来，从而改善了不同尺度之间的特征传播。这种多尺度融合对于LF-DAS裂缝检测尤为重要，因为目标特征在空间范围和信号强度上可能会有所不同。头部结构在三个不同的特征尺度上生成检测输出。在当前的实现中，三个输出特征图的尺寸分别为80 × 80 × 256、40 × 40 × 512和20 × 20 × 512，分别对应精细、中度和粗略的检测层次。YOLOv8采用了无锚点和解耦的预测策略，其中分类和定位任务分别进行优化。这种设计提高了在LF-DAS图像中识别裂缝特征的检测灵活性和泛化性能。损失函数部分包括边界框回归和分类组件。边界框回归使用CIoU损失和分布焦点损失（DFL）进行优化，而分类则使用二元交叉熵（BCE）损失进行优化。符号（nc）表示对象类别的数量；在本研究中，（nc = 1），因为只检测裂缝事件。

与早期依赖预定义锚点和基于网格的偏移量预测的YOLO版本不同，YOLOv8将对象检测问题构建为一个基于中心的、无锚点的回归问题。在不同空间分辨率下提取的特征图直接用于预测对象位置、类别概率和边界框参数。在这个框架中，特征图上的每个空间位置代表一个潜在的对象中心。对于每个位置，网络预测对象置信度分数、类别概率和边界框回归值。通过多尺度特征表示，可以鲁棒地检测到具有不同空间范围的对象。YOLOv8直接回归边界框几何形状，而不使用预定义的锚点。模型估计从特征图位置的中心点到边界框四边的距离，而不是预测相对于锚点的偏移量。

YOLOv8的整体训练目标定义为边界框回归损失、基于分布的定位损失和分类损失的加权组合，如公式（4）所示：\[L = \lambda_{\text{border-box regression}} \cdot L_{\text{placement}} + \lambda_{\text{classification}} \cdot L_{\text{classification}}\]，其中 \(L_{\text{placement}}\) 表示边界框回归损失，\(L_{\text{classification}}\) 表示用于提高定位精度的分布焦点损失，\(L_{\text{classification}}\) 表示对象分类的二元交叉熵损失。系数 \(\lambda_{\text{border-box regression}}\)、\(\lambda_{\text{placement}}\) 和 \(\lambda_{\text{classification}}\) 平衡了每个损失项的贡献[23]、[24]。

YOLOv8从多个对应于不同空间分辨率的输出特征图生成预测结果。在推理过程中，来自所有尺度的预测结果被聚合，并应用非最大值抑制（NMS）来消除重叠较多的冗余边界框。这种多尺度检测策略使YOLOv8能够准确识别不同大小的对象，并在复杂的信号表示（如LF-DAS数据）中提高鲁棒性。在测试了所有三个模型后，本研究选择了YOLOv8m，因为它在效率和准确性之间取得了最佳平衡。

2.2.2 YOLOv8m的训练
所提出的模型使用了YOLOv8m的初始权重进行了二次训练，这些权重是通过在大型数据集上进行预训练获得的。具体来说，YOLOv8m的权重是在COCO（Common Objects in Context）数据集上预训练的，这是一个在计算机视觉中广泛使用的基准数据集，包含数十万张标注图像，涵盖80个对象类别。使用预训练的权重可以加快收敛速度并提高泛化性能。从HFTS-2 LF-DAS数据集的B2H–B3H井对中构建了一个完全监督的对象检测数据集。在预处理阶段共处理了3,497个HDF5文件。这些HDF5文件代表原始的LF-DAS数据记录，不应视为独立的训练图像。这些文件首先被转换为校准的应变率数据，然后根据水力压裂计划进行组织。基于B2H–B3H井对的30个水力压裂阶段，构建了30个阶段的二维应变率图像，每个阶段对应一张图像。这些阶段图像被用作监督YOLO训练和测试的独立图像样本。

手动标注使用Roboflow平台进行[25]，其中在阶段级别的LF-DAS应变率图像中围绕红色心形高应变率异常区域绘制边界框，并将其分配给一个对象类别，标记为裂缝事件。在30个阶段图像中，共识别并标记了54个裂缝事件。标注的图像以YOLO格式导出，用于模型训练和验证。图5a和图5b分别展示了标注的真实图像示例和相应的预测结果。

3. 结果
图7展示了使用YOLOv8s、YOLOv8n和YOLOv8m在同一LF-DAS时间-距离应变率图像上检测裂缝结果的定性比较。横轴代表时间（以小时为单位），纵轴代表沿监测纤维的距离（以米为单位）。在所有三种情况下，模型都识别出了两个主要的裂缝特征。对于第一个裂缝事件，YOLOv8s、YOLOv8n和YOLOv8m的置信度分数分别为0.94、0.88和0.95。对于第二个事件，相应的置信度分数分别为0.82、0.92和0.98。这些结果表明，所有三种YOLOv8变体都能检测到主要的裂缝响应，但YOLOv8m为两个事件提供了最高的置信度分数，并且展示了可靠的裂缝区域定位。这种定性比较与定量结果一致，YOLOv8m在精度、F1分数和检测可靠性之间取得了最佳的整体平衡。

图8展示了基于阶段级别LF-DAS应变率图像的测试数据集中的代表性裂缝检测结果。YOLOv8m模型有效地识别了心形裂缝特征，置信度较高的边界框对应于更明显的应变干扰模式。检测到的裂缝位置与LF-DAS应变率图像在空间上高度一致，证明了所提出的基于YOLOv8的裂缝检测框架在复杂裂缝干扰条件下的鲁棒性和可靠性。

4. 讨论
我们比较了YOLOv8变体（即YOLOv8n、YOLOv8s和YOLOv8m）的训练和测试性能。如表1所示，这些模型在精度、召回率、F1分数、mAP、推理时间和模型复杂性之间表现出明显的权衡。YOLOv8m并没有在每个单独的指标上都达到最高值。例如，YOLOv8s获得了更高的召回率，一些较小的变体在特定的IoU标准下显示出更高的mAP值。然而，YOLOv8m在YOLOv8变体中获得了最高的精度和F1分数，表明它在减少误检的同时保持了可靠的裂缝识别能力。

表1. YOLOv8模型变体在裂缝检测方面的性能比较
| 指标 | YOLOv8n | YOLOv8s | YOLOv8m |
|------------|---------|---------|-----------|
| 精度 | 0.827 | 0.814 | 0.983 |
| 召回率 | 0.800 | 0.900 | 0.861 |
| F1分数 | 0.813 | 0.855 | 0.861 |
| 训练时间（秒） | 60.0 | 14.3 | 14.2 |
| 推理时间（毫秒） | 60.8 | 18.2 | 14.2 |
| 参数（MB） | - | - | - |
| Flop@640（B） | 827 | 804 | 828 |

对于这个应用，模型选择是基于整体检测可靠性，而不仅仅是单一指标。精度和F1分数被特别考虑，因为误检的裂缝检测可能会降低水力压裂监测期间自动解释的可信度。尽管YOLOv8m的模型规模较大，推理时间较长（每640×640图像18.22毫秒），但其推理时间仍然足够低，可以用于近乎实时的模型推理。因此，选择YOLOv8m作为最终模型，因为它在精度、召回率、F1分数和模型复杂性之间提供了最佳的整体平衡，而不是因为它在每个情况下都获得了最高的mAP。

下面提供了常用评估指标的简要概述：
- 精度（Precision）：这是一个重要的指标，用于衡量模型预测阳性结果时的准确性。数学上，精度可以计算为：\[P = \frac{T_{\text{true positives}}{T_{\text{true positives} + T_{\text{false positives}}}\]，其中 \(T_{\text{true positives}}\) 表示正确检测到的裂缝事件，\(T_{\text{false positives}}\) 表示错误的裂缝检测。
- 召回率（Recall）：它通常用于通过测量模型正确识别的实际阳性案例来评估分类模型的性能。召回率可以计算为：\[R = \frac{T_{\text{true positives}}{T_{\text{true positives} + T_{\text{false negatives}}}\]，其中 \(T_{\text{false negatives}}\) 表示模型遗漏的裂缝事件。
- F1分数（F1-score）：它衡量了模型的整体性能，特别是当模型不平衡时。F1分数较高的模型表明模型能够很好地识别阳性案例并最小化误检。F1分数的计算公式为：\[F1 = 2 \cdot \frac{T_{\text{true positives} \cdot T_{\text{intersection}}}{T_{\text{true positives} + T_{\text{false positives} \cdot T_{\text{false negatives}}}\]。
- mAP（Mean Average Precision）：它是在0.5到0.95的IoU阈值范围内计算的平均精度，步长为0.05。这个指标比mAP@0.50更好，因为它考虑了更广泛的IoU范围，并提供了模型整体性能的准确描述。
在图5(b)中可以看到一个典型的误负例。在第二行的左侧示例中，真实注释包含两个裂缝区域，而YOLOv8m只检测到了较大且更显眼的事件。遗漏的裂缝特征较弱，不那么明显，空间-时间范围较小，图像对比度较低，双极心形形态也不完整。它还靠近背景应变变化和水平应变特征，这降低了其与周围LF-DAS响应的区分度。本研究中遗漏的裂缝事件有几个共同特征：它们通常幅度较弱，空间-时间范围较小，形态不完整或不对称，有时会与背景应变带或其他与裂缝相关的响应重叠。这些特性可能导致预测的置信度分数低于选定的检测阈值。这种行为与YOLOv8m的召回率0.8000一致，表明一些实际的骨折事件仍未被检测到。未来的改进措施可以包括添加更多弱骨折和部分发育骨折的标记示例、应用硬示例挖掘技术、使用多尺度增强技术，以及优化置信度阈值，以提高召回率同时控制误报检测。所提出工作流的计算成本可以分为离线训练、模型推理和数据预处理三个部分。模型训练是离线进行的，不会影响现场部署的延迟。在本研究中，YOLOv8m在用于模型开发的工作台上完成100个训练周期需要23,314.6秒。训练完成后，YOLOv8m模型处理一张640×640的LF-DAS图像大约需要18.22毫秒。这一推理时间表明，对象检测阶段本身在计算上是高效的，适合接近实时的骨折事件识别。

需要注意的是，报告的推理时间不包括完整的预处理工作流程，例如HDF5数据加载、相位到应变率转换、空间中值过滤、图像缩放以及检测结果的后处理。在本研究中，这些预处理步骤是离线进行的，并未作为完整的流式采集到警报系统进行独立基准测试。因此，目前的结果展示了接近实时的模型推理能力以及实时监控的潜力，而不是完全验证的实时现场部署。未来的工作将把预处理和检测模块集成到一个连续的滑动窗口工作流中，以便能够在短时间间隔内更新LF-DAS数据并生成骨折事件预测。此外，还将重点估计每个检测区域的确切发生时间、峰值响应时间和骨折到达时间，从而提高实时监控中骨折事件的时间定位精度。

还进行了YOLOv8和YOLOv5模型之间的比较分析，结果总结在表2和图9中。总体而言，YOLOv8模型在检测准确性和鲁棒性方面表现出更优的性能，突显了更新后的架构和训练策略的有效性。

表2. YOLOv8和YOLOv5模型变体在骨折事件检测方面的性能比较。

| 模型 | 精确度 | 召回率 | F1分数 | mAP@50 | mAP@50:95 | 训练时间（秒） | 推理时间（毫秒） | 参数（MB） | Flop@640（B） |
|----------------|---------------|-------------|--------------|------------|-------------|------------|------------|-------------|
| yolov8n | 0.827 | 0.800 | 0.813 | 0.915 | 23,314.6 | 18.22 | 4 | |
| yolov8s | 0.814 | 0.900 | 0.855 | 0.861 | 8 | 10.26 | 11.13 | 14.3 |
| yolov8m | 0.983 | 0.800 | 0.883 | 0.836 | 28 | 18.22 | 25.85 | 39.5 |
| yolov5nu | 0.976 | 0.700 | 0.815 | 0.815 | 7 | 8.03 | 2.50 | 38 |
| yolov5su | 0.815 | 0.884 | 0.848 | 0.904 | 14 | 12.45 | 9.1 | 12.0 |
| yolov5mu | 0.796 | 0.800 | 0.798 | 0.862 | 20 | 20.36 | 25.0 | 22.1 |

图9. YOLOv8和YOLOv5模型变体在精确度、召回率、F1分数、mAP@50和mAP@50:95方面的性能比较。

从表2可以看出，YOLOv8模型在精确度、召回率、F1分数和整体检测鲁棒性方面始终优于YOLOv5模型。特别是YOLOv8m在所有评估模型中实现了最高的精确度和F1分数，表明其具有更强的真实阳性检测能力，并且误报率较低。虽然YOLOv5模型在某些指标上表现出竞争力，但其整体检测准确性和稳定性不如YOLOv8，尤其是在复杂的骨折干扰条件下。YOLOv8性能的提升归功于其增强的网络架构、无锚点检测策略和分离的检测头，这些机制使得特征提取和定位更加有效。此外，YOLOv8采用了更优化的训练流程，有助于改善收敛行为和泛化性能。尽管YOLOv8m的计算成本较高，但其更高的检测准确性和鲁棒性使其更适合用于LF-DAS应用中的可靠水力骨折事件检测。因此，YOLOv8m被选为本研究的最佳模型。

YOLOv8模型在精确度和F1分数方面表现出一致较高的检测性能，突显了更新后架构在骨折事件检测方面的优势。然而，对于所提出方法的泛化能力也应谨慎解读。该模型是使用HFTS-2的B2H–B3H井对的LF-DAS数据进行训练和评估的。水平井在非常规油气生产中广泛使用，因为它们可以增加储层接触面积并提高生产效率[26]。将其应用于其他井、储层或DAS采集系统时，可能会受到地质条件、井间距、光纤耦合、测井长度和骨折事件形态等因素的影响。此外，一致的应变率校准、固定颜色缩放和图像转换程序对于减少训练数据和部署数据之间的领域差异非常重要。对于新的现场数据集，可以使用较少数量的特定场地标记的骨折事件示例对预训练的YOLOv8m模型进行微调。这样的迁移学习预计比从头开始训练新检测器更有效，尽管其性能仍需通过独立的井和现场数据集进行验证。

5. 结论

在本研究中，开发了一个基于对象检测的自动水力骨折事件识别框架，该框架使用了低频分布式声学传感（LF-DAS）数据。通过将LF-DAS应变率测量值转换为二维图像表示，成功地使用YOLOv8检测架构识别出了特征性的心形骨折事件特征。所提出的方法在HFTS-2现场的实地数据上表现出强大的检测性能，YOLOv8m模型实现了高精确度（约98%）和可靠的召回率（约80%），同时保持了接近实时的模型推理能力，尽管端到端的采集、预处理和警报生成延迟还有待在未来的现场部署中评估。这些结果表明，基于图像的对象检测是一种有效且计算效率高的方法，适用于在复杂的多阶段水力压裂条件下识别骨折事件。

与依赖人工分析或启发式标准的传统LF-DAS解释工作流程相比，所提出的方法通过自动化的、数据驱动的对象检测来识别骨折事件，减少了主观解释，并实现了对大型LF-DAS数据集的一致分析。检测输出包括骨折事件位置和相关置信度分数，可以支持数据驱动的解释和骨折监测应用。尽管本研究仅关注单一水平井对的数据，但垂直井、其他井配置和不同储层条件下的应变率模式和骨折事件形态可能有所不同。然而，所提出的工作流程仍然适用于现场应用，因为它可以通过一致的预处理、特定场地的标记骨折事件示例以及额外的微调或迁移学习进行适应。这项工作为自动化骨折事件检测提供了一种实用且可扩展的解决方案，代表了向智能、数据驱动的水力压裂监测领域迈出的有意义的一步。

credits

作者贡献声明：
Mahmud Kawser Shuvo：撰写 – 原始草稿、可视化、验证、方法论。
Xin Huang：资源提供。
Fei Liu：监督、项目管理。
Guo Zhu：撰写 – 审查与编辑。
Ruiqing Tang：软件开发。
Kunpeng Zhang：验证。
Xian Zhou：资源提供。