[論文レビュー] Detection and characterization of microseismic events from fiber-optic DAS data using deep learning

Fantine Huot, Ariel Lellouch+6 more|arXiv (Cornell University)|Mar 14, 2022

Seismic Waves and Analysis被引用数 6

ひとこと要約

本研究では、6,786件のマイクロセismic発生と6,786件のノイズ例から構成される洗練されたデータセットを用いてトレーニングされた2次元畳み込みニューラルネットワーク（CNN）を提案し、98.6％の正確性でマイクロセismic発生を自動検出する。この手法はベイズ最適化を活用してモデルアーキテクチャとハイパーパrameterを最適化し、手動ラベリングで見逃された低振幅発生を検出可能にするとともに、10の水力圧力注入ステージにわたる100,000件を超える発生にスケーリング可能であり、高い汎化性能とリアルタイム検出の可能性を有する。

ABSTRACT

Microseismic analysis is a valuable tool for fracture characterization in the earth's subsurface. As distributed acoustic sensing (DAS) fibers are deployed at depth inside wells, they hold vast potential for high-resolution microseismic analysis. However, the accurate detection of microseismic signals in continuous DAS data is challenging and time-consuming. We design, train, and deploy a deep learning model to detect microseismic events in DAS data automatically. We create a curated dataset of nearly 7,000 manually-selected events and an equal number of background noise examples. We optimize the deep learning model's network architecture together with its training hyperparameters by Bayesian optimization. The trained model achieves an accuracy of 98.6% on our benchmark dataset and even detects low-amplitude events missed during manual labeling. Our methodology detects more than 100,000 events allowing the reconstruction of spatio-temporal fracture development far more accurately and efficiently than would have been feasible by traditional methods.

研究の動機と目的

• ファイバー光ケーブルを井戸に設置した高容量でノイズの多いDASデータにおけるマイクロセismic発生の検出という課題に取り組む。
• 信号対ノイズ比の変動や複雑な波動伝播のため、従来のしきい値処理やテンプレートベース手法が失敗するという限界を克服する。
• エネルギーおよび炭素貯蔵応用分野におけるリアルタイムの地下モニタリングを可能にする、自動的かつスケーラブルな検出ワークフローを開発する。
• 分散モードのガイド波に特に依存する合成データに頼らない、実際の現場記録データから構成される大規模で現実的な発生とノイズのデータセットを構築する。
• ベイズ最適化による軽量かつ高効率に最適化されたCNNを用いて、限られたラベル付きデータで高い検出正確性と汎化性能を達成する。

提案手法

• 水平井戸における水力圧力注入中における連続DAS記録から、手動でラベル付けされた6,786件のマイクロセismic発生と6,786件のランダムノイズセグメントを含むベンチマークデータセットを構築する。
• DASデータの空間的・時間的構造を処理する2次元畳み込みニューラルネットワーク（CNN）を設計し、トレースと時間を空間次元として扱う。
• 検出正確性を最大化するとともに過学習と計算コストを最小限に抑えるために、CNNのアーキテクチャとハイパーパrameterをベイズ最適化で最適化する。
• 最先端の画像分類器からのヒューリスティクスを活用して初期アーキテクチャ探索を支援し、収束を加速する。
• 複雑な背景ノイズの中でのマイクロセismic信号の判別特徴を学習できるよう、洗練されたデータセット上でエンドツーエンドにモデルをトレーニングする。
• 連続DASデータに対してトレーニング済みモデルをインフェレンスに適用し、1データセットあたり数秒のリアルタイム検出を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実際の現場データでトレーニングされた深層学習モデルは、手動ラベリングや従来の信号処理手法と比較して、マイクロセismic発生の検出においてより正確かつ効率的に行えるか？
• RQ2 訓練データに完全に含まれない複数の水力圧力注入ステージおよび発生位置に対しても、1つのトレーニング済みモデルがどの程度汎化可能か？
• RQ3 ベイズハイパーパramータチューニングで最適化された軽量CNNアーキテクチャは、限られたラベル付きデータと過学習のリスクを低減しつつ、高い性能を達成できるか？
• RQ4 手動ラベリングで見逃された低振幅マイクロセismic発生をモデルが検出可能であり、発生カタログの完成度が向上するか？
• RQ5 合成モデリングで正確に再現が難しい分散モードのガイド波のような複雑な波形に対しても、モデルの性能はどの程度高いか？

主な発見

• 深層学習モデルはベンチマークデータセットで98.6％の正確性を達成し、合成データや小規模データセットに依存する従来手法を著しく上回った。
• モデルは10の水力圧力注入ステージにわたって100,000件を超えるマイクロセismic発生を検出でき、亀裂発展の高分解能な時空間マッピングを可能にした。
• 手動ラベリングで見逃された低振幅発生をモデルが特定したため、感度とカタログ完成度の向上が示された。
• 訓練済みモデルはステージや位置にわたり良好に汎化され、訓練データに含まれない井戸のより遠方の発生に対しても、強力な耐障害性と転送可能性を示した。
• ベイズ最適化の活用により、アーキテクチャとハイパーパrameterの効率的チューニングが可能となり、より小型で高速かつ過学習のリスクが低いモデルが得られた。
• 亀裂の発展は一貫して井戸軸に平行であり、井戸に対して垂直ではないことが確認され、地域の応力場の方向と整合的であり、パフォレーションショット解析によって裏付けられた。