集成多个地震属性用于故障检测,使用新的混合机器学习.
Hadi Esmaeili1, Majid Bagheri2, Shamseddin Esmaeili3
1Seismology, Institute of Geophysics, University of Tehran, Tehran, Iran. hadi.esmaeili@ut.ac.ir.
Scientific reports
|November 29, 2025
概括
本研究介绍了用于地震故障检测的混合机器学习方法,它结合了多层感知器 (MLP) 神经网络和支持矢量机器 (SVM). 综合方法显著提高了地震数据分析中故障检测的准确性.
科学领域:
- 地质物理学 地质物理学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 地震数据分析对于地下勘探至关重要.
- 由于复杂的模式和噪音,地震数据中的准确故障检测存在挑战.
- 现有方法在识别准确性和减少错误方面可能存在局限性.
研究的目的:
- 开发一种新的混合机器学习方法,用于增强地震数据中的故障检测.
- 改善故障模式的识别,减少检测错误.
- 结合多层感知器 (MLP) 神经网络和支持矢量机器 (SVM) 的优势,实现卓越的性能.
主要方法:
- 多层感知器 (MLP) 神经网络与支持矢量机器 (SVM) 集成,用于混合故障检测模型.
- 提取和规范化各种地震特征,包括GLCM,跟踪,混乱,变异,甜度,相关性,斜率方向和能量.
- 培训和评估独立的MLP和SVM模型,然后将其预测结合起来.
主要成果:
- 与单个MLP和SVM模型相比,混合方法显示故障检测准确度显著提高.
- 来自MLP和SVM模型的综合预测导致了整体准确度的提高.
- 该研究成功地提高了合成和真实地震数据中的断层模式的分析和识别.
结论:
- 拟议的混合机器学习方法为准确的地震故障检测提供了强大的解决方案.
- 整合MLP和SVM模型有效地利用它们各自的优势来改进模式识别.
- 这种方法为地质科学勘探提供了有价值的工具,减少了检测错误并增强了数据解释.


