Joint denoising and classification network: Application to microseismic event detection in hydraulic fracturing distributed acoustic sensing monitoring
Notice bibliographique
Résumé
ABSTRACT Deep learning has been applied to microseismic event detection over the past few years. However, it is still challenging to detect microseismic events from records with low signal-to-noise ratios (S/Ns). To achieve high accuracy of event detection in a low-S/N scenario, we have developed an end-to-end network that jointly performs denoising and classification tasks (JointNet) and applied it to fiber-optic distributed acoustic sensing (DAS) microseismic data. JointNet consists of 2D convolution layers that are suitable for extracting features (such as moveout and amplitude) of the dense DAS data. Moreover, JointNet uses a joint loss, rather than any intermediate loss, to simultaneously update the coupled denoising and classification modules. With the preceding advantages, JointNet is capable of simultaneously attenuating noise and preserving fine details of events and therefore improving the accuracy of event detection. We generate synthetic events and collect real background noise from a real hydraulic fracturing project and then expand them using data augmentation methods to yield sufficient training data sets. We train and validate the JointNet using training data sets of different S/Ns and compare it with the conventional classification networks visual geometry group (VGG) and deep VGG (DVGG). The results demonstrate the effectiveness of JointNet: it consistently outperforms the VGG and DVGG in all S/N scenarios and it has a superior capability to detect events, especially in a low-S/N scenario. Finally, we apply JointNet to detect microseismic events from the real DAS data acquired during hydraulic fracturing. JointNet successfully detects all manually detected events and has a better performance than VGG and DVGG.
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 | 0,000 |
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 ».