Microseismic source imaging using physics-informed neural networks with hard constraints

要約

タイトル：物理学に基づくニューラルネットワークを使用したマイクロ地震源イメージングにおけるハード制約の実装

要約：

– マイクロ地震源イメージングは、パッシブな地震監視において重要な役割を担っています。
– しかしながら、スパースな測定データを扱う場合にエイリアシング問題による失敗が生じることがあるため、物理学に基づくニューラルネットワーク（PINN）に基づく直接的なマイクロ地震イメージングフレームワークを提案します。
– PINNを使用して多周波数波場を代表し、逆フーリエ変換を適用して源画像を抽出します。特に、ハード制約を使用して周波数領域波場の表現を変更し、その制約が境界条件（表面の測定データ）を inherently に満足するようにします。
– さらに、深さに関する因果律損失の実装を提案し、PINNの収束性を向上させます。
– Overthrustモデルの数値実験により、この手法は単一または複数のソース、さらにはパッシブ監視設定でも信頼性の高い正確な源イメージングを可能にすることが示されました。
– 次に、私たちはこの手法を水圧破砕のフィールドデータに適用し、源を正確にイメージできることを示しました。

要約(オリジナル)

Microseismic source imaging plays a significant role in passive seismic monitoring. However, such a process is prone to failure due to the aliasing problem when dealing with sparse measured data. Thus, we propose a direct microseismic imaging framework based on physics-informed neural networks (PINNs), which can generate focused source images, even with very sparse recordings. We use the PINNs to represent a multi-frequency wavefield and then apply the inverse Fourier transform to extract the source image. Specially, we modify the representation of the frequency-domain wavefield to inherently satisfy the boundary conditions (the measured data on the surface) by means of the hard constraint, which helps to avoid the difficulty in balancing the data and PDE losses in PINNs. Furthermore, we propose the causality loss implementation with respect to depth to enhance the convergence of PINNs. The numerical experiments on the Overthrust model show that the method can admit reliable and accurate source imaging for single- or multiple- sources and even in passive monitoring settings. Then, we further apply our method on the hydraulic fracturing field data, and demonstrate that our method can correctly image the source.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI