Strain-based forward modeling and inversion of seismic moment tensors using distributed acoustic sensing (DAS) observations
Notice bibliographique
Résumé
This study used a waveform inversion of distributed acoustic sensing (DAS) data, acquired in two horizontal monitoring wells, to estimate the moment tensor (MT) of two induced microearthquakes. An analytical forward model was developed to simulate far-field tangential strain generated by an MT source in a homogeneous and anisotropic medium, averaged over the gauge length along a fiber of arbitrary orientation. To prepare the data for inversion, secondary scattered waves were removed from the field observations, using f - k filtering and time-windowing. The modeled and observed primary arrivals were aligned using a cut-and-paste approach. The MT parameters were inverted via a least-squares approach, and their uncertainties were determined through bootstrap analysis. Using simulated data with additive noise derived from the field data and the same fiber configuration as the monitoring wells, the inversion method adequately resolved the MT. Despite the assumption of Gaussian noise, which underlies the least-squares inversion approach, the method was robust in the presence of heavy-tailed noise observed in field data. When the inversion was applied to field data, independent inversion results using P-waves, S-waves, and both waves together yielded results that were consistent between the two events and for different wave types. The agreement of the inversion results for two events resulting from the same stress field illustrated the reliability of the method. The uncertainties of the MT parameters were small enough to make the inversion method useful for geophysical interpretation. The variance reduction obtained from the data predicted for the most probable MT was satisfying, even though the polarity of the P-waves was not always correctly reproduced.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».