[论文解读] 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 6

一句话总结

本研究提出一种在精选数据集上训练的2D卷积神经网络（CNN），该数据集包含6,786个微地震事件和6,786个来自光纤光缆DAS数据的噪声样本，实现了98.6%的检测准确率，可自动识别微地震事件。该方法利用贝叶斯优化对模型架构和超参数进行调优，能够检测出人工标注遗漏的低振幅事件，并在十个压裂施工阶段中实现超过100,000个事件的检测，具备优异的泛化能力与实时处理潜力。

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.

研究动机与目标

• 解决在井下光纤光缆部署的高容量、高噪声DAS数据中检测微地震事件的挑战。
• 克服传统阈值法和模板匹配法因信噪比波动和复杂波传播而失效的局限性。
• 开发一种自动化、可扩展的检测工作流程，实现实时地下监测，适用于能源与碳储存应用。
• 构建一个大规模、真实的现场记录事件与噪声数据集，用于模型训练，避免依赖合成数据，尤其适用于频散导波。
• 通过轻量化、高效优化的CNN，在有限标注数据下实现高检测准确率与跨多个压裂施工阶段的强泛化能力。

提出的方法

• 从水平井压裂过程中连续DAS记录中，人工标注6,786个微地震事件和6,786个随机噪声段，构建基准数据集。
• 设计一种2D卷积神经网络（CNN），利用DAS数据的时空结构，将道数与时间视为二维空间维度进行处理。
• 采用贝叶斯优化对CNN的架构与超参数进行调优，以最大化检测准确率，同时最小化过拟合与计算成本。
• 借鉴最先进图像分类器的启发式方法，指导初始架构搜索，加速收敛。
• 在精选数据集上端到端训练模型，学习在复杂背景噪声中区分微地震信号的判别性特征。
• 将训练好的模型部署于连续DAS数据的推理任务中，实现实时检测，每批次处理时间在秒级。

实验结果

研究问题

• RQ1 基于真实现场数据训练的深度学习模型，是否在检测DAS数据中微地震事件方面，比人工标注或传统信号处理方法更准确、更高效？
• RQ2 单一训练模型在未完全包含于训练数据中的多个压裂施工阶段及事件位置上，其泛化能力达到何种程度？
• RQ3 通过贝叶斯超参数调优优化的轻量化CNN架构，是否能在标注数据有限的情况下实现高性能，并降低过拟合风险？
• RQ4 该模型是否能检测出人工标注过程中遗漏的低振幅微地震事件，从而提升事件目录的完整性？
• RQ5 对于难以通过正向建模准确合成的复杂波形（如频散导波），该模型表现如何？

主要发现

• 该深度学习模型在基准数据集上达到98.6%的准确率，显著优于依赖合成数据或小规模数据集的先前方法。
• 模型在十个压裂施工阶段中检测到超过100,000个微地震事件，实现了裂缝发展的高分辨率时空映射。
• 模型识别出人工标注中遗漏的低振幅事件，证明其具备更高的灵敏度与更完整的事件目录。
• 训练后的模型在不同阶段与位置间表现出良好的泛化能力，包括在训练数据覆盖范围之外的井段更远区域的事件，表明其具备强鲁棒性与可迁移性。
• 采用贝叶斯优化实现了高效的架构与超参数调优，相比更大规模但未经优化的网络，模型更小、更快，且过拟合风险更低。
• 裂缝扩展方向始终与井筒平行，且不垂直于井筒，与区域应力场方向一致，经射孔射源分析验证。