An algorithm for locating microseismic events
Notice bibliographique
Résumé
Monitoring seismic activity in mines, produced by high stress faults in the vicinity of the mining operations, is an important issue for mine safety. A seismic event produces a short-time duration acoustic pressure wave that travels through the rock. This low-energy seismic activity in mines is typically referred to as microseismic events. The location of a microseismic event can be estimated using the pressure wave signals recorded at a set of sensors distributed throughout the mine. The classical process for locating a radiating source involves two steps: an estimation of the time difference of arrival between all sensor pairs followed by the localization, requiring the solution of a set of non-linear equations. This traditional localization process has limited success when applied to microseismic events, since they have a short-time duration, and thus generating accurate arrival time estimates is a challenging task in a noisy environment. An alternate approach to traditional localization, that avoids time-delay estimation, is to search over a grid of hypothesized source locations to find the one that best explains the observed measurements. Here, this approach is used with a performance function that is the greatest energy calculated from the sum of the sensor signals, each of which is time-shifted by an amount consistent with the hypothesized location of the event. The result is a very robust algorithm that works well with short-time duration signals and given the recent advances in low-cost computational power can be implemented in real time. The paper describes the location algorithm. Results are presented for computer generated signals as well as actual signals produced by a microseismic event that occurred one kilometer below the surface in a potash mine near Saskatoon, Saskatchewan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».