[论文解读] Seismic-Net: A Deep Densely Connected Neural Network to Detect Seismic Events

Yue Wu, Youzuo Lin+2 more|arXiv (Cornell University)|Jan 17, 2018

Seismology and Earthquake Studies参考文献 11被引用 10

一句话总结

Seismic-Net 是一种深度全连接卷积神经网络，专为在时间序列数据中检测由 CO₂ 泄漏引起的地震事件而设计。通过在地震信号上滑动固定长度的窗口并对每个片段进行分类，该模型实现了 88.9% 的精确率和 92.3% 的召回率，优于 SVM、VGG 和 ResNet 基线模型，展现出在地质碳封存中早期检测 CO₂ 泄漏的强大潜力。

ABSTRACT

One of the risks of large-scale geologic carbon sequestration is the potential migration of fluids out of the storage formations. Accurate and fast detection of this fluids migration is not only important but also challenging, due to the large subsurface uncertainty and complex governing physics. Traditional leakage detection and monitoring techniques rely on geophysical observations including seismic. However, the resulting accuracy of these methods is limited because of indirect information they provide requiring expert interpretation, therefore yielding in-accurate estimates of leakage rates and locations. In this work, we develop a novel machine-learning detection package, named "Seismic-Net", which is based on the deep densely connected neural network. To validate the performance of our proposed leakage detection method, we employ our method to a natural analog site at Chimayó, New Mexico. The seismic events in the data sets are generated because of the eruptions of geysers, which is due to the leakage of $\mathrm{CO}_\mathrm{2}$. In particular, we demonstrate the efficacy of our Seismic-Net by formulating our detection problem as an event detection problem with time series data. A fixed-length window is slid throughout the time series data and we build a deep densely connected network to classify each window to determine if a geyser event is included. Through our numerical tests, we show that our model achieves precision/recall as high as 0.889/0.923. Therefore, our Seismic-Net has a great potential for detection of $\mathrm{CO}_\mathrm{2}$ leakage.

研究动机与目标

• 开发一种高精度、高效的机器学习方法，用于检测地质碳封存中与 CO₂ 泄漏相关的地震事件。
• 解决传统地震监测方法的局限性，这些方法依赖专家解读，存在准确率低和计算成本高的问题。
• 利用深度学习自动化并加速大规模地震时间序列数据中的事件检测。
• 评估全连接神经网络架构（DenseNet）在真实世界地震数据（来自一个天然 CO₂ 泄漏类比场地）上的性能。
• 证明 Seismic-Net 可在无需手动特征工程或复杂预处理的情况下检测具有可变模式的喷发事件（代表 CO₂ 泄漏）。

提出的方法

• 在原始地震时间序列数据上应用固定长度的滑动窗口，以生成用于分类的输入片段。
• 该模型采用深度全连接卷积神经网络（DenseNet）架构，其中每一层通过特征拼接直接连接到所有前面的层。
• 全连接结构减少了梯度消失问题，并增强了特征重用，从而提高了训练稳定性和模型泛化能力。
• 该网络被训练为二分类器，以区分包含喷发事件（正样本）和不包含喷发事件（负样本）的片段。
• 训练数据集包含多种负样本，如火车经过和人类活动，以提高鲁棒性并减少误报。
• 在新墨西哥州奇马约（Chimayó）站点的保留测试集地震信号上，使用精确率和召回率指标进行评估。

实验结果

研究问题

• RQ1 深度全连接神经网络是否能在从时间序列数据中检测地震事件方面优于传统的基于相似性的方法和浅层机器学习方法？
• RQ2 DenseNet 架构在捕捉可变模式地震事件（如具有任意数量峰值的喷发）方面的有效性如何？
• RQ3 与 SVM、VGG 和 ResNet 基线相比，Seismic-Net 模型在多大程度上减少了误报和漏报？
• RQ4 该模型是否能在无需大量数据预处理的情况下，在真实世界数据中以高精确率和高召回率检测到与 CO₂ 相关的地震事件？
• RQ5 在时间序列分类任务中，使用密集跳跃连接是否能提升模型性能和参数效率？

主要发现

• Seismic-Net 实现了 0.889 的精确率和 0.923 的召回率，显著优于核 SVM（失败）、基于 VGG 的网络（0.609/0.538）和基于 ResNet 的网络（0.581/0.960）。
• 该模型检测到了总共 27 个正样本事件中的 24 个（真阳性），仅有 3 个误报，表明其精确率高且泛化能力强。
• 尽管喷发事件波形存在高度可变性——尤其是在第二阶段的振幅峰值数量方面——该模型仍准确检测到了图 5 中显示的四个示例事件。
• Seismic-Net 模型仅使用了 800,000 个参数，相比基于 VGG（3700 万）和基于 ResNet（1500 万）的模型更具参数效率。
• 密集连接机制促进了更好的优化和特征重用，从而提升了模型的卓越性能和鲁棒性。
• 结果证实，Seismic-Net 能够在真实世界数据中检测到复杂且非重复的地震模式，支持其在早期 CO₂ 泄漏检测中的应用。