geophystechГеофизические технологииRussian Journal of Geophysical Technologies2619-1563IPGG SB RAS10.18303/2619-1563-2021-2-13geophystech-147Research ArticleСтатьиДетекция записей слабых локальных землетрясений с использованием нейронных сетейDetection of records of weak local earthquakes using neural networksУльяновН. А.UlyanovN. A.

Студент магистратуры ГГФ НГУ. Основные научные интересы: обработка и анализ сейсмических данных, локальная сейсмология.

630090, г. Новосибирск, ул. Пирогова, 1, Россия

Pirogov Str., 1, Novosibirsk, 630090

UlyanovNA@ipgg.sbras.ruЯскевичС. В.YaskevichS. V.

Кандидат физико-математических наук, старший научный сотрудник лаборатории комплексной геофизики ИЗК СО РАН. Основные научные интересы: обработка и анализ сейсмических данных.

664033, г. Иркутск, ул. Лермонтова, 128

Lermontova Str., 128, Irkutsk, 664033

YaskevichSV@ipgg.sbras.ruДергачП. А.A.Dergach P.

Научный сотрудник лаборатории динамических проблем сейсмики ИНГГ СО РАН. Основные научные интересы: локальная сейсмология и инженерная сейсморазведка.

630090, Новосибирск, просп. Акад. Коптюга, 3

Koptyug Ave., 3, Novosibirsk, 630090 

DergachPA@ipgg.sbras.ruЯблоковА. В.YablokovAVA. V.

Научный сотрудник лаборатории динамических проблем сейсмики ИНГГ СО РАН. Основные научные интересы: развитие алгоритмов спектрального анализа и решения обратной задачи сейсмики с использованием вейвлет-разложения и машинного обучения для обработки данных поверхностных волн.

630090, Новосибирск, просп. Акад. Коптюга, 3

Koptyug Ave., 3, Novosibirsk, 630090 

YablokovAV@ipgg.sbras.ruНовосибирский государственный университетРоссияNovosibirsk State UniversityRussian FederationИнститут земной коры СО РАНРоссияInstitute of the Earth’s Crust SB RASRussian FederationНовосибирский государственный университет, Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАНРоссияNovosibirsk State University, Trofimuk Institute of Petroleum Geology and Geophysics SB RASRussian Federation202113012022021323Copyright © Ульянов Н.А., Яскевич С.В., Дергач П.А., Яблоков А.В., 20222022Ульянов Н.А., Яскевич С.В., Дергач П.А., Яблоков А.В.Ulyanov N.A., Yaskevich S.V., A. D.P., YablokovAV A.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjgt.ru/jour/article/view/147

Ручная обработка больших объемов данных непрерывных наблюдений локальных сейсмических сетей занимает много времени, поэтому для решения данной задачи применяются автоматические алгоритмы детекции сейсмических событий. Детерминистические методы решения задачи детекции, которые отлично справляются с определением сильных землетрясений, при определении слабых сейсмических событий (землетрясений) сталкиваются с критическими проблемами. В их основе лежат принципы, основанные на вычислении энергии, что вызывает множественные ошибки в детекции: слабые сейсмические события могут быть не определены, а высокоамплитудный шум может быть принят за событие. В нашей работе мы предлагаем метод детектирования, способный превосходить детерминистические методы в детекции событий на сейсмограммах, успешно определяя аналогичное или большее количество событий с меньшим числом ложных детекций.

Manual processing of large volumes of continuous observations produced by local seismic networks takes a lot of time, therefore, to solve this problem, automatic algorithms for detecting seismic events are used. Deterministic methods for solving the problem of detection, which do an excellent job of detecting intensive earthquakes, face critical problems when detecting weak seismic events (earthquakes). They are based on principles based on the calculation of energy, which causes multiple errors in detection: weak seismic events may not be detected, and high-amplitude noise may be mistakenly detected as an event. In our work, we propose a detection method capable of surpassing deterministic methods in detecting events on seismograms, successfully detecting a similar or more events with fewer false detections.

Триггированиетриггер файлмагнитудадетекциядетектирующая функцияземлетрясениесеть станцийсейсмическое событиенейросетьмашинное обучениеразметкасверточный слойTriggeringtrigger filemagnitudedetectiondetection functionearthquakenetwork of stationsseismic eventneural networkmachine learningmarkupconvolutional layerИсследование выполнено при финансовой поддержке РФФИ и Правительства Новосибирской области в рамках проекта № 19-45-540007.ReferencesДергач П.А., Логинов Г.Н. Алгоритм детектирования сигналов от слабых локальных землетрясений на основе сверточной нейронной сети: пример обработки реальных данных и сравнение с классическим методом // Современные методы оценки сейсмической опасности и прогноза землетрясений: Всероссийская научная конференция с международным участием (г. Москва, 27–28 ноября 2019 г.): Тезисы докладов и программа конференции. – М.: ИТПЗ РАН, 2019. – С. 40–41.Akram J., Ovcharenko O., Peter D. A robust neural network-based approach for microseismic event detection // SEG Technical Program Expanded Abstracts. – 2017. – P. 2929–2933, doi: 10.1190/segam2017-17761195.1.Еманов А.Ф., Еманов А.А., Лескова Е.В., Фатеев А.В., Семин А.Ю. Сейсмические активизации при разработке угля в Кузбассе // Физическая мезомеханика. – 2009. – Т. 12, № 1. – С. 37–43.Coppens F. First arrivals picking on common-offset trace collections for automatic estimation of static corrections // Geophysical Prospecting. – 1985. – Vol. 33 (8). – P. 1212–1231, doi: 10.1111/j.1365-2478.1985.tb01360.x.Землетрясения и микросейсмичность в задачах современной геодинамики Восточно-Европейской платформы // Под ред. Шарова Н.В., Маловичко А.А., Щукина Ю.К. Кн. 2: Микросейсмичность. – Петрозаводск: Карельский научный центр РАН, 2007. – 96 с.Dergach P.A., Loginov G.N. An algorithm for detecting signals from weak local earthquakes based on a convolutional neural network: an example of real data processing and comparison with the classical method // Modern methods of seismic hazard assessment and earthquake prediction: Russian scientific conference with international participation (Moscow, November 27–28, 2019): Abstracts and conference program. – Moscow, 2019. – P. 40–41.Логинов Г.Н., Дучков А.А., Литвиченко Д.А., Алямкин С.А. Пример применения сверточных нейронных сетей в обработке реальных данных 3D сейсморазведки // Интерэкспо ГЕО-Сибирь: XV Междунар. науч. конгр. (г. Новосибирск, 24–26 апреля 2019 г.): Междунар. науч. конф. «Недропользование. Горное дело. Направления и технологии поиска, разведки и разработки месторождений полезных ископаемых. Экономика. Геоэкология»: Сборник материалов в 9 т. – Новосибирск, 2019. – Т. 2, № 3. – С. 147–153.Earthquakes and microseismicity in problems of contemporary geodynamics of the East European Platform, in: Sharova N.V., Malovichko A.A., Shchukina Yu.K. (Eds.). Book. 2: Microseismicity. – Petrozavodsk, Karelian Scientific Center of the Russian Academy of Sciences, 2007. – 96 p.Пузырев Н.Н. Методы и объекты сейсмических исследований. Введение в общую сейсмологию. – Новосибирск: СО РАН, 1997. – 301 c.Emanov A.F., Emanov A.A., Leskova E.V., Fateev A.V., Semin A.Yu. Seismic activations during coal mining in Kuzbass // Physical Mesomechanics. – 2009. – Vol. 12 (1). – P. 37–43.Akram J., Ovcharenko O., Peter D. A robust neural network-based approach for microseismic event detection // SEG Technical Program Expanded Abstracts. – 2017. – P. 2929–2933, doi: 10.1190/segam2017-17761195.1.Guo C., Zhu T., Gao Y., Wu S., Sun J. AEnet: Automatic Picking of P-Wave First Arrivals Using Deep Learning // IEEE Transactions on Geosciences and Remote Sensing. – 2020. – Vol. 59 (6). – P. 5293–5303, doi: 10.1109/TGRS.2020.3010541.Coppens F. First arrivals picking on common-offset trace collections for automatic estimation of static corrections // Geophysical Prospecting. – 1985. – Vol. 33 (8). – P. 1212–1231, doi: 10.1111/j.1365-2478.1985.tb01360.x.Loginov G.N., Duchkov A.A., Litvichenko D.A., Alyamkin S.A. An example of using convolutional neural networks in real 3D seismic data processing // Interexpo GEO-Siberia: XV Intern. Scientific. Congr. (Novosibirsk, April 24–26, 2019): Intern. Scientific. conf. "Subsoil use. Mining. Directions and technologies of prospecting, exploration and development of mineral deposits. Economy. Geoecology": Collection of materials in 9 volumes. – Novosibirsk, 2019. – Vol. 2, No. 3. – P. 147–153.Guo C., Zhu T., Gao Y., Wu S., Sun J. AEnet: Automatic Picking of P-Wave First Arrivals Using Deep Learning // IEEE Transactions on Geosciences and Remote Sensing. – 2020. – Vol. 59 (6). – P. 5293–5303, doi: 10.1109/TGRS.2020.3010541.Puzyrev N.N. Methods and objects of seismic investigation. Introduction to general seismology [in Russian]. – Novosibirsk: SB RAS, 1997. – 301 p.Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research. – 2014. – Vol. 15 (1). – P. 1929–1958.Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research. – 2014. – Vol. 15 (1). – P. 1929–1958.

The authors declare that there are no conflicts of interest present.