Automatic First Arrival Picking Using Statistical and Machine Learning Methods. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Master Thesis) Automatic First Arrival Picking Using Statistical and Machine Learning Methods.pdf Restricted to Repository staff only until 3 January 2025. Download (36MB)

Arabic Abstract

إن توقيت وصول الموجات الزلزالية لأول مرة له أهمية كبيرة في تحليل البيانات الزلزالية، والتي تستخدم لتحديد عمق وموقع الطبقات تحت سطح الأرض. كان يتم اختيار وقت الوصول الأول يدويًا في الماضي ، حيث يقوم معالج ماهر بتقييم بيانات السعوية بصريًا لتحديد وقت الوصول الأولي. مع الكثافة المتزايدة الحالية لجمع البيانات الزلزالية، لم تعد كفاءة الاختيار اليدوي قادرة على تلبية الاحتياجات الفعلية. لذلك، تم تطوير طرق الانتقاء التلقائي بشكل كبير في العقود الأخيرة. ومع ذلك، فإن تقدير وقت الوصول الأول غالبًا ما يكون أمرًا صعبًا بسبب وجود التشويش وعدم اليقين في البيانات. في هذا البحث، نقدم طريقتين جديدتين لتعزيز دقة اختيار وقت الوصول الأولي. تجمع طريقتنا الأولى بين مرشح كالمان واختبار نسبة الاحتمالية المعممة. تم التحقق من هذا النهج باستخدام بيانات زلزالية اصطناعية وحقيقية، ، ومقارنتها بطريقة نسبة متوسط المدى القصير إلى متوسط المدى الطويل . في تجارب البيانات الاصطناعية، أثبتت طريقتنا تفوقها خاصة في الظروف الضوضائية. بالنسبة للبيانات الحقيقية، قمنا باختبارها على مجموعتين من البيانات. لقد تفوقت طريقتنا باستمرار على تقنية ، مما يدل على فعاليتها في تحديد توقيت وصول الموجات الزلزالية لأول بدقة. تعيد الطريقة الثانية تعريف انتقاء الوصول الأول كمهمة تقسيم، وذلك باستخدام نقل التعلم على نموذج تقسم أي شئ. تقسم هذه الطريقة البيانات الزلزالية إلى قطاعات ما قبل الوصول الأول (غالبًا ما تكون ضوضاء) وقطاعات ما بعد الوصول الأول (الأحداث الزلزالية). استخدمنا بيانات من ثلاث مقاطعات كندية. تم تحسين النموذج باستخدام مجموعة بيانات واحدة، مع التركيز على التحديد الأمثل للمعلمات الفائقة. تم اختبار النموذج على ثلاث مجموعات بيانات أخرى، وأظهر أخطاء أقل وموثوقية أفضل في اختيار الوصول الأول مقارنة بالطريقة المرجعية المعطاة مع البينات.

English Abstract

The first arrival time of seismic waves holds a significant importance in analyzing seismic data, which is used to determine the depth and location of subsurface structures. Picking the first arrival was done manually in the past, where a skilled processor visually assesses amplitude data to pinpoint the initial arrival time. With the current increasing density of seismic data collection, the efficiency of manual picking has been unable to meet the actual needs. Therefore, automatic picking methods have been greatly developed in recent decades. However, the estimation of the first arrival time is often challenging due to the existence of noise and uncertainties within the data. In this research, we introduce two novel methods to enhance the accuracy of picking first arrivals. Our first method combines a Kalman filter with a Generalized Likelihood Ratio test. We validated this approach using both synthetic and real seismic data, comparing it with the Short-Term-Average to Long-Term-Average (STA/LTA) ratio method. In synthetic data experiments our method proved superior, especially in noisy conditions. For real data, we tested on two datasets. Our method consistently outperformed the STA/LTA technique, demonstrating its effectiveness in identifying first arrivals accurately. The second method redefines first arrival picking as a segmentation task, employing Transfer Learning on Segment Anything Model. This approach divides seismic data into pre-first arrival (mainly noise) and post-first arrival (seismic events) segments. We used data from three Canadian provinces. The model was fine-tuned using a single dataset, focusing on optimal hyperparameter determination. Tested on three other datasets, the model showed lower errors and better reliability in first arrival picking compared to the benchmark method.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences Research > Remote Sensing Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Liu, Bo,
Committee Members:	Mohandes, M.Dawoud, and Li, Huijian,
Depositing User:	MUHAMMAD ESMAT (g202113770)
Date Deposited:	04 Jan 2024 07:53
Last Modified:	04 Jan 2024 07:53
URI:	http://eprints.kfupm.edu.sa/id/eprint/142727