Advanced Deep Learning for Distributed Acoustic Sensing Data Processing. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Yang_Cui_MS_Thesis_Final.pdf Restricted to Repository staff only until 12 January 2027. Download (4MB)

Arabic Abstract

ظهرت تقنية الاستشعار الصوتي الموزع (DAS) كأداة قوية للحصول على بيانات زلزالية فائقة الكثافة وعالية الدقة. مقارنة بالجيوفونات التقليدية، توفر تقنية DAS مزايا متميزة مثل الحساسية العالية، والاستجابة الواسعة للترددات، والمتانة في مواجهة درجات الحرارة والضغوط العالية، وسهولة النشر، والقدرة على العمل المستمر. تقدم أجهزة الاستشعار بالألياف البصرية إمكانيات هائلة لتطبيقات زلزالية متنوعة، بما في ذلك مراقبة الزلازل الدقيقة، ومراقبة الحركة المرورية، ومراقبة الكسر الهيدروليكي، واكتشاف الزلازل. ومع ذلك، رغم هذه الفوائد، تتأثر بيانات DAS أيضًا بالضوضاء الشديدة الناتجة عن الاقتران والغموض الاتجاهي، مما يشكل تحديات لمعالجة البيانات اللاحقة وتحديد مواقع الأحداث الزلزالية الدقيقة. لذلك، يُعد استعادة الإشارات المخفية من السجلات الضجيجية موضوعًا طويل الأمد في معالجة بيانات DAS. ستساهم سجلات DAS عالية الجودة في معالجة لاحقة أكثر دقة، مثل اختيار أوقات الوصول وتحديد مواقع الزلازل الدقيقة. يتوافق حجم البيانات الهائل لسجلات DAS فائقة الكثافة جيدًا مع الطبيعة الجائعة للبيانات في النهج التعلم الآلي العميق. لمواجهة هذه التحديات، يركز هذا الأطروحة على الاستفادة من تقنيات التعلم الآلي العميق المتقدمة لمعالجة كميات كبيرة من بيانات الاستشعار الصوتي الموزع - الملف الزلزالي الرأسي (VSP). تشمل الخطوات الرئيسية للمعالجة إزالة الضوضاء من سجلات DAS، وإعادة بناء حقل الموجات، واختيار أوقات الوصول، وتحديد مواقع الأحداث الزلزالية الدقيقة. تم تدريب نماذج التعلم الآلي العميق على بيانات الميدان بطرق إشرافية أو إشرافية ذاتية لتحقيق الأهداف أعلاه. للتحقق من النماذج المقترحة للتعلم الآلي العميق، قمنا بإجراء تجارب عديدة على إزالة الضوضاء، واختيار الوصول، وتحديد المواقع. تم استخدام مجموعتي بيانات DAS-VSP المعروفة جيدًا في هذا الأطروحة: (1) مرصد يوتا الحدودي للبحث في الطاقة الحرارية الأرضية (FORGE)، و(2) بيانات DAS-VSP ثلاثية الأبعاد من موقع غروس شونبيك في ألمانيا. تهدف النماذج المتطورة للتعلم الآلي العميق إلى تعزيز إدارة بيانات DAS، مما يوفر بيانات زلزالية عالية الجودة وتحديد مواقع أحداث زلزالية دقيقة أكثر لتحسين مراقبة الطبقات التحت سطحية.

English Abstract

Distributed Acoustic Sensing (DAS) has emerged as a powerful tool for acquiring ultra-dense, high-resolution seismic data. Compared to conventional geophones, DAS provides distinct advantages such as high sensitivity, broad frequency response, resilience to high temperatures and pressures, ease of deployment, and the ability to operate continuously. Fiber-optic sensors offer significant potential for various seismological applications, including microseismic monitoring, traffic monitoring, hydraulic fracturing monitoring, and earthquake detection. However, despite these benefits, DAS data are also affected by strong coupling noise and azimuthal ambiguity, posing challenges for subsequent data processing and microseismic event localization. Therefore, recovering hidden signals from noisy records is a long-standing topic in DAS data processing. High-quality DAS records will contribute to more accurate subsequent processing, such as arrival-time picking and microseismic localization. The huge volumes of ultra-dense DAS records align well with the data-hungry nature of deep learning approaches. To address these challenges, this thesis focuses on leveraging advanced deep learning techniques to process large volumes of DAS-vertical seismic profile (VSP) data. Key processing steps include DAS record denoising, wavefield reconstruction, arrival-time picking, and microseismic event localization. Deep learning models are trained on the field data in supervised or self-supervised manners for the objectives above. To validate the proposed deep learning models, we perform numerous experiments on denoising, arrival piking, and event localization. Two well-established DAS-VSP datasets were used in this thesis: (1) the Utah Frontier Observatory for Research in Geothermal Energy (FORGE) and (2) 3D DAS-VSP data from the Groß Schönebeck site in Germany. The developed deep learning models aim to enhance DAS data management, delivering higher-quality seismic data and more accurate microseismic event localization for improved subsurface monitoring.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Waheed, U.B.
Committee Members:	Mahmoud, S. and Chen, Y.
Depositing User:	YANG CUI (g202321530)
Date Deposited:	12 Jan 2026 07:29
Last Modified:	12 Jan 2026 07:29
URI:	http://eprints.kfupm.edu.sa/id/eprint/144019