Rapid retrieval and classification of passive-source body wave events using a convolutional self-attention encoder: Application to gas storage monitoring
Notice bibliographique
Résumé
ABSTRACT Passive-source seismic interferometry (SI) demonstrates significant potential in geophysical monitoring owing to its low cost and nondestructive attributes. However, uneven noise source distributions, pervasive surface waves, and other sources of noise often obscure body wave reflections, leading to very low signal-to-noise ratios in reconstructed signals. Additionally, long-term data acquisition generates large, high-noise data sets, increasing processing costs. Thus, rapidly retrieving body wave-dominated segments is essential for preprocessing. In this study, a convolutional self-attention encoder (CSE) was introduced to address these challenges. This method adopted multimodal inputs consisting of noise segments and their corresponding frequency attributes, enhancing overall performance. An attention mechanism was integrated to construct a binary classifier based on the CSE, enhancing contextual understanding. These steps helped the CSE to better learn features from the data sets, thereby improving generalization ability and prediction accuracy. Accordingly, the network was updated through incremental learning on small data sets, enabling continuous prediction and gradual adaptation to new data. This enabled us to rapidly generate large, high-quality training data sets and to train models with high performance. To further improve prediction data quality, the intermediate features extracted from the deep convolutional layers corresponding to the retrieved body wave events were extracted, and these features were clustered to perform quality classification of the retrieved data. Synthetic simulation data and field data from Northwest China validated that the proposed method retrieves and classifies body wave reflections with high accuracy and efficiency, providing robust data for subsequent monitoring and enhancing imaging results. The proposed method provides efficient and reliable data preprocessing for the application of passive-source SI in energy transition scenarios, such as subsurface fluid migration monitoring and carbon dioxide geological sequestration, and facilitates the development of low-carbon exploration and green transformation in the energy industry.
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 | 0,000 | 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 ».