Machine learning-assisted processing workflow for multi-fiber DAS microseismic data
Notice bibliographique
Résumé
In recent years, Distributed Acoustic Sensing (DAS) deployed in deviated wells has been increasingly used for microseismic monitoring. DAS can provide observations of microseismic wavefields with high spatial resolution and wide aperture, at the cost of unusually large data volumes compared with conventional downhole microseismic monitoring. To tackle this big-data challenge, we have developed key elements of a processing workflow that is assisted by machine learning techniques. We trained a convolutional neural network (CNN) for event detection and a U-Net model for both P- and S-wave arrival time picking. The workflow was applied to two multiwell DAS datasets acquired during hydraulic fracturing completions in western Canada. These datasets also include co-located 3C borehole geophone arrays that enable further comparison between catalogs from both sensor types. Compared with a traditional short-term average/long-term average (STA/LTA) method for event detection, our results indicate that the CNN method has a lower false-trigger rate and increases the event catalog size by a factor of 2.6–5.6. U-Net yields arrival-time picks with relatively small errors, high efficiency, and minimal user intervention, providing hypocenter location and focal depth that is arguably more accurate than the geophone catalog. While the proposed automated workflow requires substantial effort to build high-quality and large training datasets, it enables the use of DAS for real-time seismicity monitoring and risk management after the training stage. Although the DAS system detected fewer events than the geophone catalog and missed smaller magnitude events, our results indicate that fiber-optic sensors provide enough sensitivity to detect and locate sufficient events to characterize the treatment stages. DAS also captured induced events located at a hypocentral distance of >1 km, which are possibly indicative of reactivation of structural features.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».