Сверточные нейронные сети для классификации микросейсмических сигналов и определения времен вступления
Convolutional neural networks for microseismic waveform classification and arrival picking
2020-06-02
SCID: 54.1/n9x6t7dx
Discuss with AI
определение времен приходанепрерывное вейвлет-преобразованиесверточная нейронная сетьнизкое отношение сигнал/шумклассификация микросейсмических сигналов
Figures from the paper
Abstract (AI)
Микросейсмические данные характеризуются низким отношением сигнал/шум (S/N). Существующие методы классификации сигналов и определения времен вступления недостаточно эффективны для зашумленных микросейсмических данных с низким отношением сигнал/шум. Для классификации сигналов и определения времен вступления предложен новый помехоустойчивый классификатор, объединяющий непрерывное вейвлет-преобразование (CWT) и сверточную нейронную сеть (CNN). Предложенный классификатор CWT-CNN применен к синтетическим и полевым наборам микросейсмических данных. Результаты показывают, что классификатор CWT-CNN значительно превосходит базовую глубокую нейронную сеть прямого распространения (DNN), особенно при низком отношении сигнал/шум. Классификатор CWT-CNN имеет неглубокую архитектуру сети и небольшой обучающий набор данных, поэтому его можно быстро обучать для различных наборов данных. Установлено, почему CWT-CNN демонстрирует более высокую эффективность при обработке зашумленных микросейсмических данных. CWT позволяет разложить микросейсмические данные на частотно-временные спектры, в которых эффективные сигналы и мешающий шум легче различимы. С помощью CWT CNN может сосредоточиться на отдельных частотных компонентах, извлекать полезные признаки и строить более эффективный классификатор.
Key Findings
1
Разработан классификатор CWT-CNN для классификации микросейсмических волновых форм и определения времен прихода при низком отношении сигнал/шум.
2
CWT повышает устойчивость к шуму, разделяя сигнал и помехи во временно-частотном пространстве и позволяя CNN извлекать информативные признаки из конкретных частотных компонентов.
3
На синтетических и полевых данных CWT-CNN значительно превзошел базовую глубокую полносвязную нейронную сеть, особенно при низком отношении сигнал/шум.
4
Подход использует неглубокую архитектуру и небольшой обучающий набор, что обеспечивает быстрое переобучение для различных микросейсмических данных.
5
Метод объединяет непрерывное вейвлет-преобразование со сверточной нейронной сетью, представляя сигналы в виде спектров «время–частота».
Research Object
синтетические и полевые микросейсмические данные
Research Subject
устойчивая к шуму классификация микросейсмических сигналов и определение времен прихода, включая извлечение различительных временно-частотных признаков при низком отношении сигнал/шум
Publication Details
Publication Date
2020-06-02
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest