使用检测变换器进行联合微震事件检测和定位

Jul, 2023

使用检测变换器进行联合微震事件检测和定位

Joint Microseismic Event Detection and Location with a Detection Transformer

Yuanyuan Yang, Claire Birnie, Tariq Alkhalifah

TL;DR提出了一种将事件检测和源位置统一到单一框架的方法，通过适应具有基于卷积神经网络骨干结构和编码器 - 解码器变压器的集合匈牙利损失，直接应用于记录的波形，实现了实时微地震监测的潜力。

Abstract

microseismic event detection and location are two primary components in microseismic monitoring, which offers us invaluable insights into the subsurface during reservoir stimulation and evolution. Conventional approaches for event detection and location often suffer from manual interve

microseismic event detection source location convolutional neural network encoder-decoder transformer real-time monitoring

发现论文，激发创造

卷积神经网络用于地震检测

使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

Apr, 2023

多任务多站地震监测：一体化地震相位拾取、定位和关联网络 (PLAN)

我们提出了一种基于图神经网络的方法，可直接对多站地震数据进行处理，实现同时相位拾取、关联和定位，这在地震监测领域具有潜在的下一代自主地震监测能力。

Jun, 2023

地震图变换器：多种地震监测任务的通用深度学习骨干网络

该研究介绍了一种名为 Seismogram Transformer（SeisT）的新型骨干神经网络模型，用于各种地震监测任务，包括地震检测、相位拾取、正负首动分类、震级估计和方位估计。通过对输入地震图的多层级特征表示的理解，该模型能够从低级到高级复杂特征有效地提取频率、相位和时频关系等特征，展示了 SeisT 在推进地震信号处理和地震研究方面的能力和潜力。

Oct, 2023

边缘卷积神经网络的事件触发自然灾害监测

本文介绍了一种基于无线传感器网络、事件触发、信号处理和机器学习的灾害监测系统，可以实时、高效地识别出危险区域内的人类活动和异常信号。

Oct, 2018

利用物理信息的神经网络和硬性约束进行微震源成像

本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。

Apr, 2023

多声部声音事件定位和检测的序列匹配网络

提出一种模块化和分层的方法，将声音事件检测和到达方向估计的学习分离开来，在利用神经网络匹配这两个输出序列的基础上，实现了对整个声事件定位和检测系统性能的提升。

Feb, 2020

使用卷积循环神经网络进行声音事件定位和重叠源检测

本研究提出了一种卷积循环神经网络，用于在三维空间中联合定位和检测多个重叠声音事件。该方法能够有效地估计声音事件的位置和检测每个时间帧中所有声音事件类的活动，并且避免了特征提取方面的任何限制。

Jun, 2018

优化基于 Transformer 的网络用于深度学习地震处理工作流程

通过使用相对位置编码和低秩注意力矩阵，对 StorSeismic 模型的原有实现中的位置编码和自注意机制进行改进，取得了更快的预训练速度、竞争力强的微调结果以及更少的训练参数。

Aug, 2023

警报转换器：连接异步和同步机器学习以实时处理基于事件的时空数据

我们旨在实现对由密集机器学习模型生成的连续超稀疏时空数据的经典处理。我们提出了一种新颖的混合流水线，由异步感知和同步处理组成，结合了几个思想：（1）基于 PointNet 模型的嵌入 ——ALERT 模块，可以通过泄漏机制持续集成新事件并丢弃旧事件，（2）嵌入数据的灵活读取，可以以任何采样率为任何下游模型提供始终更新的特征，（3）利用基于 Vision Transformer 的面向补丁的方法来优化输入稀疏性的效率。然后，这些嵌入由经过对象和手势识别训练的 Transformer 模型进行处理。通过这种方法，我们以比竞争对手更低的延迟实现了最先进的性能，并证明了我们的异步模型可以以任何所需的采样率运行。

Feb, 2024

面向实时地震预警的泛化神经网络

利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。

Dec, 2023