来自永久网络的诱导地震事件的循环神经网络的到达时间

科学领域:

• 地质物理学 地质物理学
• 地震学 地震学
• 机器学习 机器学习

背景情况:

• 诱导性地震性监测需要精确的地震事件检测.
• 对于复杂的数据集,传统的地震阶段采集方法可能耗时且不太准确.
• 循环神经网络 (RNN) 为自动化和准确的地震数据分析提供了潜力.

研究的目的:

• 开发和评估基于循环神经网络 (RNN) 的阶段选择器,用于诱导地震性分析.
• 评估RNN阶段选择器在到达时间和事件位置的准确性.
• 为了确定算法在自动处理的地震事件的大小评估中的有效性.

主要方法:

• 开发用于地震阶段挑选的反复神经网络 (RNN) 算法.
• 从当地地震监测阵列中对基础数据集进行RNN的培训.
• 严格测试使用来自九个三组件地震站的真实数据.
• 自动挑选和定位与手动技术的比较.

主要成果:

• 与手动方法相比,基于RNN的阶段选择器在到达时间选择中取得了超过80%的准确性.
• 活动地点需要进一步改进,以减少错误的到达选择.
• 与手动处理相比,自动化大小处理显示了高达0.3的差异.
• 算法性能在网络内部的不同训练数据集中保持一致.

结论:

• 开发的RNN阶段选择器对诱导地震性分析是有效的,在到达时间识别中提供高精度.
• 精细的到达时间对于准确地评估地震事件的位置和大小至关重要.
• 当对特定网络数据进行训练时,该算法表现出稳健性和一致性.