[논문]분포형 광섬유 센서 자료 적용을 위한 기계학습 기반 P, S파 위상 발췌 알고리즘 개발

최용규; 송영석; 설순지; 변중무

doi:10.7582/gge.2022.25.4.177

분포형 광섬유 센서 자료 적용을 위한 기계학습 기반 P, S파 위상 발췌 알고리즘 개발
Machine Learning-based Phase Picking Algorithm of P and S Waves for Distributed Acoustic Sensing Data 원문보기

지구물리와 물리탐사 = Geophysics and geophysical exploration, v.25 no.4, 2022년, pp.177 - 188

최용규 (한양대학교 자원환경공학과) , 송영석 (한양대학교 자원환경공학과) , 설순지 (한양대학교 자원환경공학과) , 변중무 (한양대학교 자원환경공학과)

초록
AI-Helper

최근 이산화탄소 지중저장 모니터링 기술 중 하나인 미소진동 모니터링 기술에 대한 관심이 증가하면서 과거에 주로 사용되었던 지오폰이나 지진계가 아닌 분포형 광섬유 센서(distributed acoustic sensing, DAS)의 적용도 증가하고 있다. 특히 DAS를 이용하여 모니터링을 수행하면 시×공간적으로 거의 연속된 자료가 기록되게 되어 자료의 양이 방대해지게 되고 빠르고 정확한 자료 처리가 중요하게 된다. 자료처리 중 이벤트 탐지 및 위상 발췌는 가장 기초적인 과정으로 모든 자료에 대해 필수적으로 수행되어야 한다. 이 논문에서는 기계학습 기반의 P, S파 위상 발췌 알고리즘을 개발하여 전통적인 위상 발췌 방법의 한계를 보완하고, 전이학습 방법을 이용하여 신호 대 잡음비가 낮은 단일 성분 자료만 존재하는 DAS 자료에도 적용이 가능하도록 하였다. 사용된 기계학습 모델은 위상 발췌에 뛰어난 성능을 보이는 합성곱 신경망 기반의 EQTransformer를 ResUNet의 특성을 포함하도록 수정하여 구성하였다. 훈련자료는 전세계적으로 기록된 지진파형 자료인 STEAD자료를 이용하였고 학습 자료에 포함되지 않은 특성들에 대해서도 좋은 성능을 보이도록 기본 자료를 다양하게 변형시킨 자료도 학습에 사용하였다. 개발된 알고리즘은 학습자료와 다른 특성을 갖는 K-net 및 KiK-net 자료에 의해 성능이 검증되었다. 또한, 전이 학습을 통해 DAS 자료의 특성에 맞게 변형시킨 후 포항 장기분지에서 측정된 DAS자료에 적용시켜 그 성능을 검증하였다.

Abstract ▼ AI-Helper

Recently, the application of distributed acoustic sensors (DAS), which can replace geophones and seismometers, has significantly increased along with interest in micro-seismic monitoring technique, which is one of the CO2 storage monitoring techniques. A significant amount of temporally and spatially continuous data is recorded in a DAS monitoring system, thereby necessitating fast and accurate data processing techniques. Because event detection and seismic phase picking are the most basic data processing techniques, they should be performed on all data. In this study, a machine learning-based P, S wave phase picking algorithm was developed to compensate for the limitations of conventional phase picking algorithms, and it was modified using a transfer learning technique for the application of DAS data consisting of a single component with a low signal-to-noise ratio. Our model was constructed by modifying the convolution-based EQTransformer, which performs well in phase picking, to the ResUNet structure. Not only the global earthquake dataset, STEAD but also the augmented dataset was used as training datasets to enhance the prediction performance on the unseen characteristics of the target dataset. The performance of the developed algorithm was verified using K-net and KiK-net data with characteristics different from the training data. Additionally, after modifying the trained model to suit DAS data using the transfer learning technique, the performance was verified by applying it to the DAS field data measured in the Pohang Janggi basin.

주제어

표/그림 (12)

그림 Fig. 1. Information about STEAD data. (Mousavi et al., 2019). It shows the location, size, and depth distributions of recorded earthquakes (up), the distribution of epicentral distances for earthquake data (down left), and the distribution of earthquake magnitudes (down right) (from Mousavi et al., 2019).
그림 Fig. 2. EQTransformer network architecture. Full details of each block are provided in the Method section. The convolutional layers read as (number of kernels) or (kernel size) (from Mousavi et al., 2020).
그림 Fig. 4. Residual blocks from the ResUNet network. Each unit within the residual block has the same number of filters as all other units. Here d1, …, dn designate different dilation rates (from Diakogiannis et al., 2020).
그림 Fig. 3. The architecture of EQTransformer-based P, S wave phase picking model. Each blue box represents a multichannel feature map. The size of traces and channels is denoted at the lower edge of the box. Green boxes represent the copied feature maps by skip connection. The different colors of the arrows represent the different operations. The decoder part consists of three directions that predict earthquake detection, P phase arrival, and S phase arrival.
그림 Fig. 5. Input-label pair for event detection and P, S phase picking. The upper three traces are three-component seismograms used as input data for east-west, north-south, and vertical directions. The lower trace represents the overlapping of three label data, namely, detection, P phase arrival, and S phase arrival data.
그림 Fig. 6. Application examples of the data augmentation method. From the top, the data was augmented by adding a secondary earthquake into the empty part of the trace, randomly shifting the event within the trace, and randomly adding gaps in noise waveforms.
표 Table 1. Model validation results with and without augmentation. The total number of validation sets is 20,000. MAE and STD are the mean absolute error and standard deviation of errors (ground truth-prediction) in seconds, respectively. The three percentages below represent the percentages of samples with errors less than 1, 0.1, and 0.05 s.
그림 Fig. 7. Verification of the trained P, S wave phase picking model. The input data (upper three traces) and prediction results (lower three traces) of the K-net and KiK-net datasets are shown. (a and b) Prediction results for seismic waveform data similar to STEAD data, (c and d) prediction results for seismic waveform data including continuous earthquakes different from STEAD data.
그림 Fig. 8. Schematic of the used transfer learning with layer freezing. Except for the first and last layer weights, the other layer weights are frozen during the transfer learning stage. The first and last layer weights are finetuned to the characteristics of the target domain data during the transfer learning stage.
그림 Fig. 9. (a-c) Prediction results of three different DAS earthquake data by the P, S wave phase picking model with and without transfer learning. In each result, the upper figure represents the input data, and the lower four figures represent the P, S phase prediction results superimposed on the input data by the P, S wave phase picking model with or without transfer learning. In the gray color map, white indicates a high probability.
그림 Fig. 9. Continued.
그림 Fig. 10. Three enlarged traces among the test results of Fig. 9a. Each example shows the input trace and the prediction results of detection, P wave phase picking, and S wave phase picking from the top for a detailed comparison of the prediction results by the P, S wave phase picking model with and without transfer learning.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증