Abdullin, Ayrat (2026) Towards Real-Time Microseismic Monitoring using Deep Learning. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF PhD_Dissertation_Ayrat_210926.pdf Restricted to Repository staff only until 29 September 2027. Download (29MB)

Arabic Abstract

يُعدّ الرصد الزلزالي الدقيق في الوقت الحقيقي أمرًا بالغ الأهمية للتخفيف من مخاطر الزلازل المرتبطة بالعمليات تحت السطحية، مثل التكسير الهيدروليكي، واستخراج الطاقة الحرارية الأرضية، وعزل ثاني أكسيد الكربون. تُقدّم هذه الأطروحة مجموعة من منهجيات التعلّم العميق لمهام الرصد الزلزالي الدقيق الرئيسية، وهي: تصنيف الأحداث، وتحديد الطور، وتحديد موقع المصدر، والكشف القابل للتفسير، وعكس السرعة والمصدر معًا. في البداية، تم تطوير نموذج مُبسّط لمُشغّل فورييه العصبي (FNO) لتصنيف الأحداث الزلزالية، محققًا درجة F1 بنسبة 98% على بيانات الرصد الزلزالي الدقيق الميدانية، مع استخدام عدد أقل من المعلمات بمقدار عشرة أضعاف مقارنةً بالنماذج الأساسية الحالية. ثانيًا، يُقترح نهجٌ فعالٌ لنقل التعلم لتحديد طور الإشارات الزلزالية الدقيقة على مستوى الشبكة باستخدام مُشغِّل الطور العصبي (PhaseNO)، حيث يتم ضبط 3.6% فقط من معلمات النموذج المُدرَّب مسبقًا على 200 تسجيل زلزالي دقيق مُصنَّف، مما يحقق تحسنًا يصل إلى 30% مقارنةً بأحدث الطرق. ثالثًا، يُقدَّم إطار عمل قائم على مُشغِّل الطور العصبي لتحديد موقع مصدر الإشارات الزلزالية الدقيقة من خلال تعلم بديل لمعادلة إيكونال، مما يُمكِّن من تحديد الموقع في الوقت الفعلي بتمريرة أمامية واحدة، وقد تم التحقق من صحته على بيانات ميدانية من موقع يوتا فورج للطاقة الحرارية الأرضية. رابعًا، تُطبَّق تقنيات الذكاء الاصطناعي القابلة للتفسير (Grad-CAM وSHAP) لتفسير نموذج PhaseNet وتحسينه، مع مخطط استدلال جديد مُعتمد على بوابة SHAP يحقق أداءً مُحسَّنًا في الكشف ومقاومةً للضوضاء. خامساً، تم تطوير Joint-VLoc، وهو إطار عمل جسر شرودنغر المشروط مسبقاً، لعكس نماذج السرعة ومواقع المصادر في آنٍ واحد انطلاقاً من أوقات انتقال الموجات المتفرقة، مما يُظهر أداءً متفوقاً على نماذج الانتشار القياسية، وقد تم التحقق من صحته باستخدام بيانات التكسير الهيدروليكي الحقيقية. تم اختبار الطرق المطورة على أمثلة بيانات اصطناعية وميدانية من الولايات المتحدة ومواقع أخرى، مما يُظهر إمكانية دمجها في أنظمة مراقبة الزلازل الدقيقة في الوقت الفعلي.

English Abstract

Real-time microseismic monitoring is critical for mitigating seismicity hazards associated with subsurface operations such as hydraulic fracturing, geothermal energy extraction, and CO2 geosequestration. This dissertation presents a suite of deep learning methodologies for key microseismic monitoring tasks: event classification, phase picking, source localization, explainable detection, and joint velocity-source inversion. First, a lightweight Fourier Neural Operator (FNO) model is developed for seismic event classification, achieving an F1 score of 98% on field microseismic data while requiring an order of magnitude fewer parameters than existing baselines. Second, a parameter-efficient transfer learning approach is proposed for network-wide microseismic phase picking using the Phase Neural Operator (PhaseNO), fine-tuning only 3.6% of the pre-trained model parameters on 200 labeled microseismic recordings and achieving up to 30% improvement over state-of-the-art methods. Third, an FNO-based framework is introduced for microseismic source localization by learning a surrogate of the eikonal equation, enabling real-time localization with a single forward pass and validated on field data from the Utah FORGE geothermal site. Fourth, Explainable AI techniques (Grad-CAM and SHAP) are applied to interpret and enhance the PhaseNet model, with a novel SHAP-gated inference scheme achieving improved detection performance and robustness to noise. Fifth, Joint-VLoc, a prior-conditioned Schrödinger bridge framework, is developed for simultaneously inverting velocity models and source locations from sparse traveltimes, demonstrating superior performance over standard diffusion models and validated on real hydraulic fracturing data. The developed methods are tested on synthetic and field data examples from the United States and other sites, demonstrating their potential for integration into real-time microseismic monitoring pipelines.