监督深度学习用于检测和定位DAS记录的被动地震事件:一个案例研究
Emad Al-Hemyari1, Olivia Collet1, Konstantin Tertyshnikov1
1Centre for Exploration Geophysics, Curtin University, GPO Box U1987, Perth, WA 6845, Australia.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
使用合成地震数据的深度学习有助于检测和定位用于采矿的地震源. 这种方法对地下表征和连续监测应用具有前景.
科学领域:
- 地质物理学 地质物理学
- 机器学习 机器学习
- 地震学 地震学
背景情况:
- 获得密集的地震数据对于探索浅层矿产资源和监测采矿操作至关重要.
- 分布式声学传感 (DAS) 是用于增强地震数据采集的有效技术.
- 使用被动地震方法对地表进行表征产生了大量数据集,挑战了当前的计算系统和算法,特别是在持续监测方面.
研究的目的:
- 研究一种监督的深度学习神经网络方法,用于检测和定位诱导的地震源.
- 探索这种方法在重建地下物质方面的潜力.
- 解决挑战,并证明在诱导地震性和采矿相关的地震监测中的适用性.
主要方法:
- 使用合成地震数据与真实噪声记录相结合.
- 实施了监督深度学习神经网络方法.
- 在合成数据上演示了方法,并在Otway CO2注入场地的现场数据上进行了验证.
主要成果:
- 深度学习方法成功检测和定位诱导的地震源.
- 性能是根据时间转移,信号噪声比率和几何不匹配等因素进行评估的.
- 现场地震监测数据证实了该方法的适用性.
结论:
- 开发的深度学习方法是分析在连续监测场景中的大型地震数据集的可行方法.
- 该方法显示了地下财产重建的潜力,可以应用于各种现场数据,包括在钻井时的地震数据.
- 这项工作为采矿和地热能源勘探中先进的地震数据分析铺平了道路.


