DAS-N2N: Machine learning Distributed Acoustic Sensing (DAS) signal denoising without clean data

要約

タイトル：クリーンデーターが不要な機械学習分散型音響センシング（DAS）ノイズ除去システム　DAS-N2N

要約：

– DAS-N2Nは、強力なランダムノイズを抑制するための弱監督機械学習手法である。
– DAS-N2Nは、トレーニングのために人工的にクリーンな信号やノイズの例を用意する必要がない。
– DAS-N2Nは、ランダムノイズプロセスを選択された要約統計量（平均、中央値、モードなど）にマッピングすることを目的としている。
– DAS-N2Nは、2つのファイバーを合わせて、同じ基礎信号を異なる独立したランダム観測ノイズの実現によって破損させた2つのノイズのあるコピーを記録することによって、真の基礎信号を保持しながら、ほぼ完全に除去されたコピーを生成するために深層学習モデルをトレーニングすることができる。
– DAS-N2Nは、南極のRutford Ice StreamのDASアレイからのデータセットを使用して、不一致なノイズを大幅に抑制し、自然なマイクロ地震氷山地震の信号対ノイズ比を高めることができることを示した。
– DAS-N2Nは、通常のストップ/パスバンドフィルタリングルーチンや、個々のDASチャンネルをマスキングすることに基づく同等の自己監督学習手法よりも効率的かつ効果的であることを示した。
– DAS-N2Nは、1回以下で、1 kmのファイバー内に記録された1000 Hzのサンプリング周波数で30秒のデータを処理することができる軽量なモデルである。
– DAS録音で高いノイズレベルがあるため、DAS-N2Nのような効率的なデータ駆動型ノイズ除去手法は、特にマイクロ地震の監視の場合に、時間内に重要であるため、DAS地震検出に必要不可欠であると結論づけた。

要約(オリジナル)

This article presents a weakly supervised machine learning method, which we call DAS-N2N, for suppressing strong random noise in distributed acoustic sensing (DAS) recordings. DAS-N2N requires no manually produced labels (i.e., pre-determined examples of clean event signals or sections of noise) for training and aims to map random noise processes to a chosen summary statistic, such as the distribution mean, median or mode, whilst retaining the true underlying signal. This is achieved by splicing (joining together) two fibres hosted within a single optical cable, recording two noisy copies of the same underlying signal corrupted by different independent realizations of random observational noise. A deep learning model can then be trained using only these two noisy copies of the data to produce a near fully-denoised copy. Once the model is trained, only noisy data from a single fibre is required. Using a dataset from a DAS array deployed on the surface of the Rutford Ice Stream in Antarctica, we demonstrate that DAS-N2N greatly suppresses incoherent noise and enhances the signal-to-noise ratios (SNR) of natural microseismic icequake events. We further show that this approach is inherently more efficient and effective than standard stop/pass band filtering routines and a comparable self-supervised learning method based on masking individual DAS channels. Our preferred model for this task is lightweight, processing 30 seconds of data recorded at a sampling frequency of 1000 Hz over 985 channels (approx. 1 km of fiber) in $<$1 s. Due to the high noise levels in DAS recordings, efficient data-driven denoising methods, such as DAS-N2N, will prove essential to time-critical DAS earthquake detection, particularly in the case of microseismic monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI