Event detection using a fast matched filter algorithm – An efficient way to deal with big microseismic data sets
Notice bibliographique
Résumé
Event detection is one of the time-consuming parts in microseismic processing. Different automated event detection algorithms have been proposed, such as the short-time average over the long-time average (STA/LTA), power spectral density (PSD), and subspace detection (SD). However, these approaches are not convenient for big data sets. In this study, we introduce a fast matched filter (MF) algorithm, which can solve the efficiency challenge for these detectors. The proposed fast MF is built based on a fast normalized cross-correlation (NCC) technique. This method detects events in the data based on their similarity with template events by comparing the NCC coefficients between the template events and the data with a specific user-defined threshold. The detection workflow consists of six steps, namely data preconditioning, selecting template waveforms, multiplexing, fast NCC computation, extracting potential events, and quality control of the detection results. We have implemented the MF algorithm on a microseismic data set with over 19,000 events detected on two monitoring wells. The MF detection results are compared with the results from STA/LTA. The MF algorithm is more efficient in event detection with fewer false alarms, higher detection probability, and shorter processing time than STA/LTA, especially when dealing with big, noisy data sets. Presentation Date: Monday, October 12, 2020 Session Start Time: 1:50 PM Presentation Time: 4:20 PM Location: 360A Presentation Type: Oral
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 | 0,001 | 0,001 |
| 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 ».