Massive High-Fidelity Focal Mechanisms Reveal Detailed Structure of Re-Activated Faults During Hydraulic Fracturing in Western Canada
Notice bibliographique
Résumé
Microseismic focal mechanism solutions (FMSs) are essential for understanding reservoir stress changes and rock fracturing during hydraulic fracturing. While machine learning has shown strong performance in seismic data processing tasks, including phase picking and magnitude estimation, as well as identifying P-wave first-motion polarity for moderate to large earthquakes to invert FMSs, its application to microseismic events remains limited. This limitation arises from the distinct characteristics of microseismicity, such as lower signal-to-noise ratios (SNR) and different rupture mechanisms, which challenge the effectiveness of existing polarity pickers. At the same time, the increasing deployment of dense seismic arrays has generated vast amounts of data, creating both the need and opportunity to develop AI models specifically tailored to microseismic events. In response to the challenges of determining the P-wave first-motion polarity for microseismic events, we propose Micro-EQpolarity, a fine-tuned model based on the EQpolarity framework. The model combines convolutional blocks for feature extraction, transformer blocks for feature enhancement, and an MLP network for classification. Utilizing transfer learning, the model is pre-trained on the Southern California Seismic Network (SCSN) dataset and fine-tuned with 19,724 manually selected waveforms from the Tony Creek Dual Microseismic Experiment (ToC2ME) dataset, achieving an accuracy of 99.20%. Applied to seismic data from Western Canada, Micro-EQpolarity successfully inverted 2,519 high-quality focal mechanism solutions, creating a comprehensive catalog that extends analysis to events with magnitudes as low as -1.4. The model identified four distinct FMS types, revealing fine-scale fault structures and detailed patterns of fault reactivation. These findings provide new insights into fault reactivation mechanisms in the NS-Fault cluster and fluid diffusion processes in the NE-Fault cluster. In the NS-Fault cluster, our analysis reveals two possible reactivation mechanisms: higher friction coefficients and enhanced cohesion, with fault reactivation driven by the combined effects of Coulomb static stress and pore-fluid pressure. In the NE-Fault cluster, two-stage hydraulic fracturing facilitated fluid propagation, initially reaching the southwestern part of Fault 1 before spreading to Faults 2-6, with Fault 3 acting as a "transfer station" directing fluid diffusion both eastward and westward through low-dip fault conduits.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».