基于物理的深度学习,在液压压裂过程中预测[公式:参见文本]

科学领域:

• 地质物理学 地质物理学
• 人工智能的人工智能
• 地震科学 地震科学 地震科学

背景情况:

• 短期预测最大地震事件的大小对于管理流体注射期间诱导的地震风险至关重要.
• 现有的方法通常依赖于实时注射数据,这些数据可能并不总是可访问的.
• 因此,开发独立于实时注入数据的数据驱动方法是一个关键的研究需求.

研究的目的:

• 提出和评估两种深度学习 (DL) 模型,用于仅使用历史地震性模式预测地震事件的大小.
• 将直接的DL预测方法与预测地震率的基于物理的DL方法进行比较.
• 评估这些DL方法的实际实用性和局限性,以减轻诱导性地震风险.

主要方法:

• 开发了两个DL模型:一个用于直接大小预测,另一个用于与物理约束集成的地震率预测.
• 利用两个不同的数据分区策略来训练和测试DL模型.
• 将模型应用于加拿大西部的水力压裂监测数据集.

主要成果:

• 直接DL方法准确地根据过去的地震性预测幅度,但表现出时间滞后,限制了其实时应用.
• 基于物理学的DL方法有效地预测了地震率的变化,但在估计最大幅度时显示了变化.
• 预测幅度的显著超出可能表明即将发生的失控断层断裂事件.

结论:

• 深度学习模型可以使用历史地震模式预测诱导的地震强度,为实时数据依赖的方法提供替代方案.
• 基于物理学的方法可以提高地震率的预测,为动态变化提供有价值的见解.
• 拟议的方法有助于改善流体诱导的地震风险评估和减缓策略,并有可能提前警告断层破裂的发生.