石炭鉱山の地震データにおける断層予測のためのウェーブレット畳み込みニューラルネットワーク
Guangui Zou1, Chengyang Han2, Hen-Geul Yeh3
1State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources, China University of Mining and Technology-Beijing, Beijing, 100083, China.
Scientific reports
|December 26, 2025
まとめ
新しいWavelet-CNN（W-CNN）は、離散ウェーブレット変換とCNNを統合することにより、地震断層の識別を改善します。このアプローチは、地質災害防止と資源探査の精度と効率を高めます。
科学分野:
- 地球物理学
- 人工知能
- 信号処理
背景:
- 地震断層の識別は、資源探査と地質災害防止にとって重要です。
- 従来のメソッドは、主観的な解釈と非効率性によって制限されます。
- 既存の畳み込みニューラルネットワーク（CNN）は、マルチスケール周波数を見落としており、精度に影響を与えています。
研究 の 目的:
- 地震断層の識別を強化するための新しいWavelet-CNN（W-CNN）を導入すること。
- 従来のメソッドおよび標準CNNの空間周波数情報のキャプチャにおける限界に対処すること。
- 正確かつ効率的な自動地震断層検出システムを開発すること。
主な方法:
- 離散ウェーブレット変換（DWT）とCNNのアーキテクチャ的融合により、空間周波数学習パラダイムを作成しました。
- W-CNNアーキテクチャ内に、クロススケール残差接続を持つHaarウェーブレットフィルタバンクを埋め込みました。
- パフォーマンス評価のためにW-CNNのバリアント（W-CNN R1、R2、R3）を開発しました。
主要な成果:
- W-CNN R3は、石炭鉱山のデータセットで90.0%の精度と90.3%のF1スコアを達成し、主流のCNNを最大12.3%上回りました。
- このモデルは、複雑な微小断層に対して93.8%の検出率と優れた再現率（95.5%）を示しました。
- W-CNNは、パラメータの21%削減、より速い収束、ノイズ抑制、および3D処理の高速化を示しました。
結論:
- 提案されたW-CNNフレームワークは、地震断層の識別のための効果的な空間周波数学習パラダイムを提供します。
- このアプローチは、特に小規模な地質学的不連続性に対する精度、効率、および予測能力を大幅に向上させます。
- W-CNNは、インテリジェントな地質解釈と鉱山安全監視のための拡張可能なソリューションを提供します。
