MétaCan
Menu
Retour à la cohorte
Enregistrement W1852146098 · doi:10.1109/ccece.2004.1347708

An algorithm for locating microseismic events

2004· article· en· W1852146098 sur OpenAlexaffabout
Brian L. F. Daku, J.E. Salt, Sha Li

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpeech and Audio Processing
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésMicroseismEnergy (signal processing)Event (particle physics)Computer scienceProcess (computing)Real-time computingAlgorithmSet (abstract data type)Duration (music)SeismologyData miningGeologyAcousticsMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,005

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,274
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSpeech and Audio ProcessingTravaux en français237 207