[论文解读] Near-surface Characterization Using a Roadside Distributed Acoustic Sensing Array

Siyuan Yuan, Ariel Lellouch+2 more|arXiv (Cornell University)|Jun 2, 2020

Seismic Waves and Analysis参考文献 2被引用 6

一句话总结

本研究利用路边分布式声学传感（DAS）阵列，通过利用过往车辆和地震产生的地震波，实现了近地表剪切波速度（Vs）剖面的探测。通过叠加33辆汽车的频散数据，并结合低频地震信号，研究者在光纤上实现了高分辨率、自动化的1D Vs反演，结果与传统检波器调查在50米深度内一致，为环境场干涉测量提供了一种低成本、可重复的替代方案。

ABSTRACT

Thanks to the broadband nature of the Distributed Acoustic Sensing (DAS) measurement, a roadside section of the Stanford DAS-2 array can record seismic signals from various sources. For example, it measures the earth's quasi-static distortion caused by the weight of cars (<0.8 Hz), and Rayleigh waves induced by earthquakes (<3 Hz) and by dynamic car-road interactions (3-20 Hz). We directly utilize the excited surface waves for shallow shear-wave velocity inversion. Rayleigh waves induced by passing cars have a consistent fundamental mode and a noisier first mode. By stacking dispersion images of 33 passing cars, we obtain stable dispersion images. The frequency range of the fundamental mode can be extended by adding the low-frequency earthquake-induced Rayleigh waves. Thanks to the extended frequency range, we can achieve better depth coverage and resolution for shear-wave velocity inversion. In order to assure clear separation from Love waves and aligning apparent velocity with phase velocity, we choose an earthquake that is approximately in line with the array. The inverted models match those obtained by a conventional geophone survey performed by a geotechnical service company contracted by Stanford University using active sources from the surface until about 50 meters. In order to automate the Vs inversion process, we introduce a new objective function that avoids manual dispersion curve picking. We construct a 2-D Vs profile by performing independent 1-D inversions at multiple locations along the fiber. From the low-frequency quasi-static distortion recordings, we invert for a single Poisson's ratio at each location along the fiber. We observe spatial heterogeneity of both Vs and Poisson's ratio profiles. Our approach is dramatically cheaper than ambient field interferometry and reliable estimates can be obtained more frequently as no lengthy cross-correlations are required.

研究动机与目标

• 开发一种利用现有路边DAS基础设施的低成本、可重复的近地表岩土工程表征方法。
• 通过避免长时间互相关运算，克服环境场干涉测量的局限性，实现频繁监测。
• 利用交通和地震事件自然激发的表面波，实现高分辨率剪切波速度（Vs）反演。
• 通过引入一种新型目标函数，实现反演过程的自动化，消除人工频散曲线拾取的需求。
• 通过与传统检波器调查对比，验证DAS-derived Vs模型的准确性与深度覆盖范围。

提出的方法

• 利用路边DAS-2阵列记录来自多种震源的宽带地震信号，包括车辆激发的瑞利波（3–20 Hz）和低频地震激发的波（<3 Hz）。
• 对33辆经过车辆的频散图像进行叠加，以提高信噪比并稳定基阶模态的频散数据。
• 将低频地震激发的瑞利波与高频车辆激发的波相结合，扩展可用于更深、更清晰的Vs反演的频率范围。
• 在光纤上多个位置独立执行1D Vs反演，采用一种新型目标函数，避免人工频散曲线拾取。
• 通过反演车辆荷载引起的准静态地表形变，估算光纤上各位置的泊松比。
• 通过选择与DAS阵列大致共线的地震事件，使群速度与相速度对齐，以最小化洛夫波干扰。

实验结果

研究问题

• RQ1 路边DAS阵列能否可靠地利用自然地震源（如过往车辆和地震）提取近地表剪切波速度（Vs）剖面？
• RQ2 将低频地震信号与高频车辆激发波结合，如何提升Vs反演中的深度分辨率与覆盖范围？
• RQ3 基于新型目标函数的自动化反演工作流程能否消除DAS地质探测中人工频散曲线拾取的需求？
• RQ4 DAS-derived Vs剖面在准确性和深度分辨率方面与传统检波器调查相比，其匹配程度如何？
• RQ5 沿路边DAS阵列，Vs和泊松比的空间非均质性如何表现？能否被可靠量化？

主要发现

• 对33辆经过车辆的频散数据进行叠加，可获得稳定、高质量的频散图像，基阶模态清晰，一阶模态较嘈杂。
• 扩展的频率范围——从<0.8 Hz（准静态形变）到20 Hz（车辆激发波）——显著提升了Vs反演的深度覆盖范围与分辨率。
• DAS反演得到的Vs剖面与岩土工程公司开展的传统检波器调查结果在约50米深度内高度一致。
• 采用新型目标函数的自动化反演流程成功消除了人工频散曲线拾取的需要，实现了可扩展、可重复的分析。
• 在光纤上观测到Vs和泊松比的空间非均质性，表明近地表地质力学性质存在变化。
• 该方法以远低于传统主动源调查的成本和时间，实现了可靠、高分辨率的近地表表征。