PASSIVE SEISMIC EVENT DETECTION IN THE GRONINGEN AREA USING DEEP LEARNING

PASSIVE SEISMIC EVENT DETECTION IN THE GRONINGEN AREA USING DEEP LEARNING. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF (Master's Thesis)
Final_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 16 January 2022.

Download (112MB)

Arabic Abstract

أصبح الاكتشاف التلقائي للزلازل منخفضة القوة ذا أهمية متزايدة في السنوات الأخيرة، حيث يعد اكتشاف هذه الزلازل أمرًا بالغ الأهمية لفهم الآليات الكامنة وراء الزلازل الأكبر، علاوة على ذلك، فإن الكشف عن الأحداث الزلزالية منخفضة الحجم له تطبيقات صناعية متزايدة في التكسير الهيدروليكي، واحتجاز الكربون وتخزينه (CCS)، وشبكات المراقبة السيزمية المستخدمة في آبار توليد الطاقة الحرارية، تم اقتراح خوارزميات مختلفة على مر السنين -بما في ذلك خوارزميات التعلم العميق- لمعالجة هذه المشكلة، في هذه الدراسة، أقترح شبكة عصبية تلافيفية (Convolutional Neural Network) لاكتشاف الزلازل من محطات الآبار الضحلة لرصد الزلازل في جرونينجن، بهولندا، تعاني منطقة جرونينجن من الزلازل الناتجة عن إنتاج الغاز من حقل غاز جرونينجن القريب، تصاعدت هذه الزلازل من حيث القوة والوتيرة منذ بداية القرن، وجود خوارزمية قوية تكشف عن الزلازل منخفضة القوة أمر مهم لفهم المخاطر الزلزالية بشكل أفضل في جرونينجن وفي المناطق الأخرى حول العالم التي تواجه نفس المشكلة. أقوم بتدريب شبكة عصبية تلافيفية (Convolutional Neural Network) لاكتشاف الزلازل منخفضة القوة من المحطات الزلزالية الضحلة الخاصة بشبكة G-network ، تحتوي هذه الآبار الضحلة على 4 جيوفونات على أعماق 50 و 100 و 150 و 200 متر، تستخدم الشبكة المقترحَة سجلات البئر بأكمله (الأربعة جيوفونات) كمثال تدريبي واحد للكشف عن الزلازل، على خلاف الشبكات التلافيفية السابقة التي تستخدم السجلات الزلزالية لكل جيوفون كمثال منفصل، يؤدي استخدام سجلات البئر بأكملها كمثال تدريبي واحد إلى تحسين قوة الكشف بشكل كبير ، لأنه يسمح للشبكة بالتعرف على الفرق بين نمط التحرك الصاعد لحدث زلزالي حقيقي والتحرك النازل للضوضاء القادمة من أعلى، عند الاختبار على شهرين من البيانات الزلزالية المستمرة لخمس محطات تفوقت الشبكة المقترحَة على أداء تقنيتي STA/LTA و Template Matching، حيث رصدت الشبكة 40 حدثًا زلزاليا و 5 إنذارات كاذبة فقط، بينما رصدت STA/LTA تسعة وثلاثين حدثا زلزالياً و917 إنذارًا كاذبًا، مقارنةً بطريقة Template Matching، رصدت الشبكة المقترحة في هذه الدراسة ضعف الأحداث الغير مفهرسة التي التقتطها ال Template Matching، توضح هذه النتائج أن الشبكة التلافيفية المقترحة يمكن أن تعزز بشكل كبير اكتشاف الأحداث الزلزالية من محطات الآبار الضحلة.

English Abstract

Automatic detection of low-magnitude earthquakes has become increasingly important in the recent years. Detection of these earthquakes is crucial to understand the underlying mechanisms of greater earthquakes. Furthermore, detection of low-magnitude seismic events has growing industrial applications in hydraulic fracturing, carbon capture and storage (CCS), and geothermal monitoring. Various algorithms, including deep learning algorithms, were proposed throughout the years to tackle this problem. In this study, I propose a convolutional neural network (CNN) to detect seismic events from shallow borehole stations in Groningen, the Netherlands. The Groningen area has been suffering from induced earthquakes caused by gas production from the nearby Groningen gas field. These earthquakes has been escalating in magnitude and frequency since the start of the century. Having a robust algorithm that detects low-magnitude earthquakes is important to better understand the seismic risks in Groningen, and in other areas around the globe facing the same problem. I train a convolutional neural network (CNN) to detect low-magnitude earthquakes from shallow borehole seismic stations of the G-network. These shallow boreholes contain 4 geophones at depths of 50, 100, 150, and 200 meters. Unlike previous CNN approaches that use 3-component seismic records to detect earthquakes, this CNN uses the records of the entire borehole as one training example. Using the entire borehole records as one training example improves detection robustness greatly, since it allows the network to recognize the difference between the up-going moveout pattern of a genuine seismic event and the down-going moveout of noise coming from the above. On testing on two months of continuous data, the CNN surpasses the performance of two long-standing detection techniques, STA/LTA and template matching. The CNN picks 40 events and only 5 false alarms, while STA/LTA picks 39 events and 917 false alarms. Compared to template matching, the CNN picks 100\% more uncataloged events. These results demonstrate that the deployed CNN is a robust method that can enhance the event detection from shallow borehole stations greatly.

Item Type: Thesis (Masters)
Subjects: Computer
Environmental
Earth Sciences
Petroleum
Department: College Of Sciences > Earth Sciences Dept
Committee Advisor: Waheed, U.
Committee Members: Mahmoud, S. and Fehler, M.
Depositing User: AHMED SHAHEEN (g201705730)
Date Deposited: 18 Jan 2021 06:05
Last Modified: 18 Jan 2021 06:05
URI: https://eprints.kfupm.edu.sa/id/eprint/141816