Classification of triggers from local network using Convolutional neural network

Abstract

Mikroseismický monitoring je trvale aktuálním tématem při hydraulickém štěpení. Jedním z jeho klíčových kroků je klasifikace detekovaných signálů. To představuje komplexní úlohu, protože detekce velmi slabých jevů nutně znamená, že část detekcí je pouze šum. Odlišení šumu od reálných jevů nutí experty ztrácet velké množství času prohlížením falešných triggerů, které v našem katalogu tvoří více než 88 % všech triggerů. Tento problém jsme zkusili vyřešit pomocí Fourierových neuronových operátorů (FNO), tedy typu neuronové sítě pracující částečně ve frekvenční oblasti. Použili jsme data z mikroseismického monitoringu hydraulického štěpení při těžbě plynu v souvrství Marcellus, zaznamenaná sítí 37 blízkopovrchových stanic. Naším cílem bylo natrénovat algoritmus FNO tak, aby klasifikoval detekce vytvořené algoritmem STA/LTA. Velký problém pro nás tvořil datový soubor: měli jsme k dispozici velmi malý a velmi nevyvážený vzorek, ve kterém byly triggery s reálnými jevy oproti triggerům obsahujícím pouze šum v poměru 1 ku 125. Tento problém jsme vyřešili zavedením nového přístupu dvoukrokového modelu, v němž první krok rozděluje každý trigger na jev nebo falešnou detekci (pouze šum) a druhý krok dále dělí triggery označené jako jevy na lokální a blízké. Naše výsledky ukazují, že tento přístup dokáže...

Microseismic monitoring is a persistent topic during hydraulic fracturing. One of the crucial steps in it is the classification of detected signals. This can be a complex task, since detecting very weak events inevitably means that some of the detections are only noise. Distinguishing noise from real events forces experts to spend a lot of time reviewing false triggers, which in our catalogue make up more than 88 % of all triggers. We tackled this problem using new approaches like Fourier Neural Operators (FNO), a type of neural network that operates partly in the frequency domain. We used a dataset from microseismic monitoring of gas hydraulic fracturing in the Marcellus Shale, recorded by a network of 37 near-surface stations. Our goal was to train the FNO algorithm to classify detections produced by the STA/LTA algorithm. The challenge was to do so with a very difficult dataset: our sample was small and highly unbalanced, with triggers containing real events outnumbered by triggers containing only noise at a ratio of 1 to 125. We tackled this by introducing a novel approach a two-step model, in which the first step separates every trigger into an event or a false trigger (noise only), and the second step further classifies the triggers labelled as events into local and near. Our results show...