我院教师田宵在《Seismological Research Letters》发表地学人工智能研究成果

发布者:地控学院发布时间:2020-05-03浏览次数:10

随着人工智能技术的发展,深度学习算法也被广泛地应用在地震学和地震勘探领域。近期,我院田宵老师将深度学习算法应用于微地震事件的极性分类,本研究以“Comparison of single-trace and multiple-trace polarity determination for surface microseismic data with deep learning”为题,于20203月在国际知名地震学期刊Seismological Research Letters上发表,是田宵老师与南方科技大学的张伟教授合作完成,利用中石化南京物探院提供的微地震监测数据,首次将人工智能技术应用于微地震极性识别,获得国际同行的认可。田宵老师为第一作者,张伟教授为通讯作者,东华理工大学为第一单位。

微地震监测技术是监测水力压裂过程以及评估压裂效果的重要手段。水力压裂过程中岩石破裂产生的地震波信号可以被放置在井中或地表的检波器接收,这些信号能够用来反演震源位置、震源机制解、震级等参数,从而监测裂缝的发育过程以及评估压裂效果。而P波极性信息的确定对地面微地震的震源定位和震源机制反演具有重要意义。深度学习算法可以直接从训练数据中挖掘出P波极性特征,不需要预先拾取P波到时。预测新的数据时,只需要将微震事件分割成相互独立的窗口,然后输入到训练好的模型中即可迅速预测出极性类型,节省了大量的计算时间,为微地震实时监测提供技术支撑。

考虑到地面微地震监测的检波器布置多采用规则观测系统,因此每条接收线上的极性变化具有一定的规律。针对这一特点。田宵老师提出基于多道记录的卷积神经网络结构(Multi-trace based CNN,简称MT-CNN)确定地面微地震事件的P波极性。该方法基于Ross等(2018)提出的基于单道记录的CNNSingle-trace based CNN,简称ST-CNN)方法,使用多条相邻检波器记录作为训练样本,使MT-CNN在学习P波的极性特征基础上,进一步学习相邻检波器的极性分布规律。将训练好的模型应用在实际数据中,研究结果表明MT-CNN对正极性和负极性的预测准确率高于ST-CNN,而且对振幅较小的记录也有着相对较好的预测结果,如图1所示。

1:(aST-CNN的极性预测结果;(bMT-CNN的极性预测结果;(c)当事件1中同时出现正、负极性时,比较ST-CNNMT-CNN的极性预测效果(Tian et al., 2020

 

本文中所使用的训练数据集和算法均可下载:https://github.com/XiaoTian09/MT-CNN

原文链接:https://doi.org/10.1785/0220190353

 

参考文献:

Tian, X., Zhang, W., Zhang, X., Zhang, J., Zhang, Q., Wang, X., & Guo, Q. (2020). Comparison of Single‐Trace and Multiple‐Trace Polarity Determination for Surface Microseismic Data Using Deep Learning. Seismological Research Letters. 91(3): 1794–1803

 

(图/田宵)