Passive seismic tomography using recorded microseismicity: Application to mining-induced seismicity
Notice bibliographique
Résumé
ABSTRACT Microseismicity is recorded during an underground mine development by a network of seven boreholes. After an initial preprocessing, 488 events are identified with a minimum of 12 P-wave arrival-time picks per event. We have developed a three-step approach for P-wave passive seismic tomography: (1) a probabilistic grid search algorithm for locating the events, (2) joint inversion for a 1D velocity model and event locations using absolute arrival times, and (3) double-difference tomography using reliable differential arrival times obtained from waveform crosscorrelation. The originally diffusive microseismic-event cloud tightens after tomography between depths of 0.45 and 0.5 km toward the center of the tunnel network. The geometry of the event clusters suggests occurrence on a planar geologic fault. The best-fitting plane has a strike of 164.7° north and dip angle of 55.0° toward the west. The study region has known faults striking in the north-northwest–south-southeast direction with a dip angle of 60°, but the relocated event clusters do not fall along any mapped fault. Based on the cluster geometry and the waveform similarity, we hypothesize that the microseismic events occur due to slips along an unmapped fault facilitated by the mining activity. The 3D velocity model we obtained from double-difference tomography indicates lateral velocity contrasts between depths of 0.4 and 0.5 km. We interpret the lateral velocity contrasts in terms of the altered rock types due to ore deposition. The known geotechnical zones in the mine indicate a good correlation with the inverted velocities. Thus, we conclude that passive seismic tomography using microseismic data could provide information beyond the excavation damaged zones and can act as an effective tool to complement geotechnical evaluations.
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 | 0,001 |
| 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 | 0,001 |
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 ».