[논문 리뷰] Detection and characterization of microseismic events from fiber-optic DAS data using deep learning

Fantine Huot, Ariel Lellouch외 6명|arXiv (Cornell University)|2022. 03. 14.

Seismic Waves and Analysis인용 수 6

한 줄 요약

이 연구는 6,786건의 마이크lseismic 사건과 섬유광선 DAS 데이터에서 추출한 6,786건의 노이즈 예제로 구성된 정제된 데이터셋을 기반으로 훈련된 2D 합성곱 신경망(CNN)을 제안하며, 98.6%의 정확도로 마이크lseismic 사건을 자동으로 감지한다. 이 방법은 베이지안 최적화를 활용해 모델 아키텍처와 하이퍼파라미터를 튜닝하여 수동 레이블링으로 인해 놓친 저세기 사건을 감지하고, 10개의 수압 촉진 단계를 거쳐 10만 건 이상의 사건으로 확장 가능하며, 높은 일반화 능력과 실시간 잠재력을 갖춘다.

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.

연구 동기 및 목표

• 수압 촉진 중에 설치된 웰에 배치된 섬유광선 케이블에서 발생하는 고용량, 노이즈가 많은 DAS 데이터에서 마이크lseismic 사건을 감지하는 과제를 해결한다.
• 신호 대 노이즈 비율의 변동성과 복잡한 파동 전파로 인해 실패하는 전통적인 임계치 설정 및 템플릿 기반 방법의 한계를 극복한다.
• 에너지 및 탄소 저장 응용 분야에서 지하 모니터링을 위한 실시간 작동이 가능한 자동화되고 확장 가능한 감지 워크플로우를 개발한다.
• 특히 산란되는 가이드 파동에 대해 합성 데이터에 의존하지 않고도 실질적인 현장 기록 사건과 노이즈를 포함한 대규모이고 현실적인 데이터셋을 구축하여 모델 훈련을 가능하게 한다.
• 베이지안 최적화를 통한 경량화된 효율적인 최적화된 CNN을 통해 다양한 수압 촉진 단계에서 높은 감지 정확도와 일반화 능력을 달성한다.

제안 방법

• 수압 촉진 중 수평 웰에서 연속적인 DAS 기록에서 수작업 레이블링된 6,786건의 마이크lseismic 사건과 6,786건의 무작위 노이즈 세그먼트로 구성된 벤치마크 데이터셋을 정제한다.
• DAS 데이터의 시공간적 구조를 처리할 수 있도록 설계된 2D 합성곱 신경망(CNN)을 개발하며, 트레이스와 시간을 공간 차원으로 간주한다.
• 감지 정확도를 극대화하고 과적합 및 계산 비용을 최소화하기 위해 베이지안 최적화를 사용해 CNN의 아키텍처와 하이퍼파라미터를 최적화한다.
• 최신 이미지 분류기에서 유래한 히우리스틱을 활용해 초기 아키텍처 탐색을 안내하고 수렴 속도를 향상시킨다.
• 복잡한 배경 노이즈 속에서 마이크lseismic 신호의 특징을 학습하기 위해 정제된 데이터셋을 기반으로 모델을 종단 간 훈련한다.
• 지속적인 DAS 데이터에서 추론을 위해 훈련된 모델을 배포하여 각 데이터셋당 몇 초 내로 실시간 감지를 가능하게 한다.

실험 결과

연구 질문

• RQ1 실제 현장 데이터로 훈련된 딥 러닝 모델은 수작업 레이블링이나 전통적인 신호 처리 방법보다 마이크lseismic 사건을 더 정확하고 효율적으로 감지할 수 있는가?
• RQ2 단일로 훈련된 모델이 훈련 데이터에 완전히 포함되지 않은 여러 수압 촉진 단계와 사건 위치에 대해 어느 정도 일반화할 수 있는가?
• RQ3 베이지안 하이퍼파라미터 튜닝을 통해 최적화된 경량 CNN 아키텍처는 제한된 레이블 데이터와 과적합 위험을 줄이며 높은 성능을 달성할 수 있는가?
• RQ4 모델은 수작업 레이블링 과정에서 놓친 저세기 마이크lseismic 사건을 감지할 수 있는가? 이를 통해 이벤트 카탈로그의 완전성이 향상되는가?
• RQ5 정확한 정방향 모델링으로 합성하기 어려운 복잡한 파형, 예를 들어 산란되는 가이드 파동에 대해 모델의 성능은 어떠한가?

주요 결과

• 딥 러닝 모델은 벤치마크 데이터셋에서 98.6%의 정확도를 달성하여 이전의 합성 데이터나 작은 데이터셋에 의존한 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 모델은 10개의 수압 촉진 단계에 걸쳐 10만 건 이상의 마이크lseismic 사건을 감지하여 균열 발달의 고해상도 시공간 맵핑을 가능하게 하였다.
• 모델은 수작업 레이블링 과정에서 놓친 저세기 사건을 식별하여 감도 향상과 카탈로그 완전성 향상을 입증하였다.
• 훈련된 모델은 훈련 데이터보다 더 먼 거리에 위치한 웰의 위치와 단계에 대해서도 잘 일반화되어 있어 강력한 내성과 이식 가능성(트랜스퍼러빌리티)을 보였다.
• 베이지안 최적화의 사용은 효율적인 아키텍처 및 하이퍼파라미터 튜닝을 가능하게 하여, 더 큰 비최적화된 네트워크에 비해 더 작고 빠르며 과적합 위험이 낮은 모델을 도출하였다.
• 균열 확장 방향은 항상 웰보어와 평행하고, 웰에 수직이 아니며, 지역적 응력장 방향과 일치하며, 파열 촬영 분석을 통해 검증되었다.