SCIENTIFIC MACHINE LEARNING FOR MICROSEISMIC HYPOCENTER LOCALIZATION. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF KananSuleymanli_MScThesis_Final.pdf Restricted to Repository staff only until 30 May 2024. Download (7MB)

Arabic Abstract

عند كتابة ملخص ، ضع في اعتبارك مجرد ملخص هو ملخص وصفي قصير لأطروحتك. قد يختلف عدد الكلمات المقبولة على سبيل المثال: 250 − 200 يعتبر علم الزلازل توطين الزلازل أحد أهم المهام وأكثرها تحديًا. يعد موقع الحدث الزلزالي أو نقطة التركيز أو مركز الانفجار شرطًا أساسيًا أساسيًا لدراسة التنشيط الزلزالي للحدث. يحدد انعكاس وقت السفر عند الوصول الأول للموجات المرصودة على السطح موقع الحدث. على الرغم من تطوير العديد من الطرق لمعالجة هذه المشكلة ، إلا أنها تواجه قيودًا في الحساب والفيزياء. تقترح هذه الأطروحة نهجًا قائمًا على البيانات من أجل توطين الأحداث الدقيقة في الوقت الحقيقي. (FNOs) العصبية Fourier لتوطين الأشخاص الذين يعانون من نقص التركيز باستخدام عوامل تهدف الطريقة المقترحة إلى بناء نموذج ثابت للقرار يمكن تقييمه بسرعة بتمريرة أمامية واحدة بدلاً من إعادة التدريب. تقوم الأطروحة في البداية يحقق بنجاح Marmousi. واختبار نهجها على نماذج السرعة البسيطة والمعقدة مثل نموذج eikonal لحل المعادلة FNO 2D بتدريب نموذج دقة عالية في اكتشاف موقع الحدث ، حتى في ظل الظروف القاسية مثل المستقبلات المفقودة وحقن الضوضاء عالية المستوى. أخيرًا ، يتم تطبيق وتشير النتائج إلى إمكاناتها في التطبيقات الزلزالية العملية. ، FORGE Utah الطريقة المقترحة على البيانات الميدانية من

English Abstract

Seismology regards earthquake localization as one of its most significant and challenging tasks. The seismic event’s location, focus point, or hypocenter is a crucial prerequisite for studying the event’s seismic activation. The first-arrival travel time inversion of the observed waves on the surface defines the event location. Though several methods have been developed to address this problem, they face limitations in computation and physics. This thesis proposes a data-driven approach to localize hypocenters using Fourier Neural Operators (FNOs) for real-time microseismic event localization. The proposed method aims to build a resolution-invariant model that can be quickly evaluated with one forward pass instead of retraining. The thesis initially trains a 2D FNO model to solve the eikonal equation and tests its approach on simple and complex velocity models like the Marmousi model. It successfully achieves high accuracy in detecting the event location, even under extreme conditions such as missing receivers and high-level noise injection. Finally, the proposed method is applied to field data from Utah FORGE, and the results indicate its potential in practical seismic applications.

Item Type:	Thesis (Masters)
Subjects:	Computer Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Bin Waheed, Umair
Committee Members:	Mahmoud, Sherif and Wei, Zhou
Depositing User:	KANAN SULEYMANLI (g202103810)
Date Deposited:	31 May 2023 11:46
Last Modified:	31 May 2023 11:46
URI:	http://eprints.kfupm.edu.sa/id/eprint/142407