Preview

Геофизические технологии

Расширенный поиск

Детекция записей слабых локальных землетрясений с использованием нейронных сетей

https://doi.org/10.18303/2619-1563-2021-2-13

Полный текст:

Аннотация

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.

Об авторах

Н. А. Ульянов
Новосибирский государственный университет
Россия

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

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



С. В. Яскевич
Институт земной коры СО РАН
Россия

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



П. А. Дергач
Новосибирский государственный университет, Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
Россия

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

630090, Новосибирск, просп. Акад. Коптюга, 3



А. В. Яблоков
Новосибирский государственный университет, Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН
Россия

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



Список литературы

1. Дергач 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.

2. 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.

3. 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.

4. 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.

5. Пузырев Н.Н. Методы и объекты сейсмических исследований. Введение в общую сейсмологию. – Новосибирск: СО РАН, 1997. – 301 c.

6. 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.

7. 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.

8. 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.

9. 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.


Рецензия

Для цитирования:


Ульянов Н.А., Яскевич С.В., Дергач П.А., Яблоков А.В. Детекция записей слабых локальных землетрясений с использованием нейронных сетей. Геофизические технологии. 2021;(2):13-23. https://doi.org/10.18303/2619-1563-2021-2-13

For citation:


Ulyanov N.A., Yaskevich S.V., A. D.P., YablokovAV A.V. Detection of records of weak local earthquakes using neural networks. Russian Journal of Geophysical Technologies. 2021;(2):13-23. (In Russ.) https://doi.org/10.18303/2619-1563-2021-2-13

Просмотров: 37


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2619-1563 (Online)