Lawrence Salkoff

Авторы

1. Lawrence Salkoff

   Посмотреть публикации авторов

   Вы также можете искать этого автора в PubMed Google Scholar

Права и разрешения

Перепечатка и разрешения

Об этой статье

Дополнительная литература

• Быстро инактивирующий Са2+-зависимый К+-ток в клетках феохромоцитомы (РС12) крысы

  • Р. Ю. К. Каламбур
  • М. М. Бехбехани

  Pflügers Archive European Journal of Physiology (1990)

• Электрогенные ответы, вызванные трансмембранным деполяризующим током в аэрированных мышцах стенки тела личинок Drosophila melanogaster

  • Кагеюки Ямаока
  • Казуо Икэда

  Журнал сравнительной физиологии A (1988)

• Зависимый от кальция ток калия увеличивается за счет мутации одного гена в Paramecium.

  
  • Тодд М. Хеннесси
  • Чинг Кунг

  Журнал биологии мембран (1987)

• Два различных калиевых потока, активируемых кальцием, в личиночных мышечных волокнах Drosophila melanogaster.

  • Мишель Го
  • Альберто Малларт

  Pflügers Archive European Journal of Physiology (1986)

• Очистка ионных каналов от возбудимых клеток

  • Джейн А. Талвенхеймо

  Журнал биологии мембран (1985)

Комментарии

Отправляя комментарий, вы соглашаетесь соблюдать наши Условия и Правила сообщества. Если вы обнаружите что-то оскорбительное или не соответствующее нашим условиям или правилам, отметьте это как неприемлемое.

Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка (Технический отчет)

перейти к основному содержанию

• Полная запись
• Другое связанное исследование

В течение 1980 и 1981 годов в общей сложности было установлено 569 новых гравиметрических станций в Юте, Гошен-Вэлли и прилегающих районах штата Юта. Новые станции были объединены с 530 другими гравиметрическими станциями, сделанными в предыдущих съемках, в результате чего было собрано 1099 станций, которые использовались в этом исследовании. Дополнительные исследования были проведены, чтобы помочь в оценке области возможного развития геотермальных ресурсов, путем предоставления интерпретированного структурного каркаса путем определения разломов, структурных трендов, интрузий, толщины заполнения долины и повышенной плотности вмещающих пород. Гравитационные данные представлены в виде (1) полной карты гравитационной аномалии Бугера с интервалом изолиний 2 мгл в масштабе 1:100 000 и (2) пяти гравиметрических профилей восточного простирания. Геологическая интерпретация изучаемого района была сделана на основе гравикарты и интерпретационных геологических разрезов, которые были смоделированы по гравиметрическим профилям.

Авторов:

Дэвис, Д. А.; Кук, К.Л.

Дата публикации:

1983-04-01

Исследовательская организация:

Геологическая и минеральная служба штата Юта, Солт-Лейк-Сити (США)

Идентификатор ОСТИ:

6559995

Номер(а) отчета:

DOE/ET/28393-T5
НА: DE84017359

Номер контракта Министерства энергетики:  

АС07-77ЭТ28393

Тип ресурса:

Технический отчет

Отношение ресурсов:

Прочая информация: Части неразборчивы в продуктах на микрофишах. Отчет о расследовании № 179

Страна публикации:

США

Язык:

Английский

Тема:

15 ГЕОТЕРМАЛЬНАЯ ЭНЕРГЕТИКА; ЮТА; ГЕОТЕРМАЛЬНЫЕ РЕСУРСЫ; ГРАВИТАЦИОННЫЕ СЪЕМКИ; ГЕОЛОГИЯ; МАГМАТИЧЕСКИЕ ПОРОДЫ; КАРТЫ; РЕСУРСНЫЙ ПОТЕНЦИАЛ; ОСАДОЧНЫЕ ПОРОДЫ; ФЕДЕРАЛЬНЫЙ ОКРУГ VIII; ГЕОФИЗИЧЕСКИЕ ИЗЫСКАНИЯ; СЕВЕРНАЯ АМЕРИКА; РЕСУРСЫ; ГОРНЫЕ ПОРОДЫ; ОБЗОРЫ; США; геотермальное наследие; 150301 * — Геотермальная разведка и технология разведки — Геофизические методы и исследования

Форматы цитирования

• MLA
• АПА
• Чикаго
• БибТекс

Дэвис Д.А. и Кук К.Л. Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка . США: Н. П., 1983. Веб. дои: 10.2172/6559995.

Копировать в буфер обмена

Дэвис Д.А. и Кук К.Л. Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка . Соединенные Штаты. https://doi.org/10.2172/6559995

Копировать в буфер обмена

Дэвис, Д.А., и Кук, К.Л., 1983. «Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, штат Юта. Часть I. Гравитационная съемка». Соединенные Штаты. https://doi.org/10.2172/6559995. https://www.osti.gov/servlets/purl/6559995.

Копировать в буфер обмена

@статья{osti_6559995,
title = {Оценка низкотемпературного геотермального потенциала в долинах Юта и Гошен и прилегающих районах, Юта. Часть I. Гравитационная съемка},
автор = {Дэвис, Д.А. и Кук, К.Л.},
abstractNote = {В течение 1980 и 1981 годов в Юте, долине Гошен и прилегающих районах штата Юта было установлено в общей сложности 569 новых гравиметрических станций. Новые станции были объединены с 530 другими гравиметрическими станциями, сделанными в ходе предыдущих съемок, в результате чего было собрано 109 станций.9 станций, которые использовались в этом исследовании. Дополнительные исследования были проведены, чтобы помочь в оценке области возможного развития геотермальных ресурсов, путем предоставления интерпретированного структурного каркаса путем определения разломов, структурных трендов, интрузий, толщины заполнения долины и повышенной плотности вмещающих пород. Гравитационные данные представлены в виде (1) полной карты гравитационной аномалии Бугера с интервалом изолиний 2 мгл в масштабе 1:100 000 и (2) пяти гравиметрических профилей восточного простирания. Геологическая интерпретация изучаемой территории была сделана на основе гравикарты и интерпретационных геологических разрезов, которые были смоделированы по гравипрофилям. },
дои = {10,2172/6559995},
URL = {https://www.osti.gov/biblio/6559995}, журнал = {},
номер =,
объем = ,
место = {США},
год = {1983},
месяц = ​​{4}
}

Копировать в буфер обмена

Посмотреть технический отчет (9,64 МБ)

https://doi.org/10.2172/6559995

Экспорт метаданных

Сохранить в моей библиотеке

Вы должны войти в систему или создать учетную запись, чтобы сохранять документы в своей библиотеке.

Аналогичных записей в сборниках OSTI.GOV:

• Аналогичные записи

KMC Powersports KS135 ГРАНАТА | 15×10 0 мм 4×156

—

Марка	КМК
Название модели	KS133 МЕСА ЛАЙТ
Номер детали	КС13356044538
Отделка	Обработанный
Размер	15×6
Расположение болтов	4×156
Смещение	38 мм
Отверстие	115. 1
Нагрузка	1250 фунтов
Вес	14,52 фунта

Размер кромки, вогнутость и общий внешний вид могут различаться в зависимости от автомобиля и размера колеса. Пожалуйста, не стесняйтесь обращаться к нашим экспертам по колесам, если у вас есть какие-либо вопросы!

250 долларов

В наличии

В наличии

KMC KS135 GRENADE 15×10 0mm (4×156) Satin Black количество

• Отзывы (0)
• Соответствие цены
• Доставка и возврат

Wheel Suppliers стремится предоставить нашим клиентам лучший опыт покупки; с нами вы никогда не переплатите!

Итак, вы готовы к соглашению по цене? Все, что нужно, это 2 простых шага:

1. Отправить запрос: Для новых заказов, свяжитесь с нами. Для существующего заказа отправьте запрос, используя форму ниже. Вас попросят предоставить ссылку на веб-сайт или рекламу с указанием более низкой стоимости.
2. Получите скидку/возврат: Для новых заказов мы скорректируем цену на момент продажи. Для существующего заказа разница в цене будет возвращена на исходный способ оплаты.

Вот несколько важных моментов, о которых следует помнить:

• Цена не суммируется с другими рекламными предложениями
• Ценовой матч не включает в себя применимый налог с продаж
• Некоторые исключения применяются

• Ошибные списки цен
• Продажи или рекламные предложения
• Ликвидации
• пунктов с аукционных участков или членов.

Доставка и доставка

Поставщики колес отправляют товары всем жителям континентальной части США, Гавайев и Аляски с помощью FedEx и UPS. Все наши отправления требуют подписи, однако, если вы являетесь владельцем учетной записи FedEx или UPS, вы можете разрешить выпуск без подписи. При этом поставщики колес больше не несут ответственности за утерянные или украденные посылки.

После того, как ваш заказ будет размещен, подождите 24-48 часов после получения очищенного платежа с подтвержденным адресом для выполнения вашего заказа. Все заказы будут отправлены в тот же день, если они размещены до 16:00 по стандартному тихоокеанскому времени в будние дни.

Возврат

Хотите вернуть товар? Без проблем. Заполните форму ниже, и мы вышлем вам этикетку для отправки и форму разрешения на возврат в течение 24–72 часов. Заполните форму RA и распечатайте предоставленную транспортную этикетку. Прикрепите транспортировочную этикетку к внешней стороне возвратной упаковки и поместите форму RA в возвратную упаковку. Как только товар будет получен, ваш возврат будет выдан в течение 48 часов.

Что можно вернуть?

Если вы не полностью удовлетворены своей покупкой, мы с радостью примем возврат и вернем деньги за продукты в новом и неиспользованном состоянии в течение 30 дней с момента доставки. Предметы должны быть в новом состоянии и в оригинальной упаковке, что означает отсутствие сборки, установки или модификации. Товары, четко обозначенные как «невозвратные», не подлежат возврату.

Взимается ли плата?

Для заказов, доставленных в пределах континентальной части США, где причина возврата не является результатом ошибки поставщика колес, взимается комиссия за пополнение запасов в размере 10%.

Возврат товара

Обмен

Хотите обменять товар? Без проблем. Заполните форму ниже, и мы вышлем вам этикетку для отправки и форму разрешения на возврат в течение 24–72 часов. Заполните форму RA и распечатайте предоставленную транспортную этикетку. Прикрепите транспортировочную этикетку к внешней стороне возвратной упаковки и поместите форму RA в возвратную упаковку. Как только товар будет получен, ваши замены будут отправлены в течение 48 часов.

Что я могу обменять?

Если вы не полностью удовлетворены своей покупкой, мы с радостью обменяем продукты в новом и неиспользованном состоянии в течение 30 дней с момента доставки. Предметы должны быть в новом состоянии и в оригинальной упаковке, что означает отсутствие сборки, установки или модификации. Товар с пометкой «невозвратный» обмену не подлежит.

Предметы обмена

Пикировка по первому вступлению для микросейсмического мониторинга на основе глубокого обучения

На этой странице

РезюмеВведениеМетодыОбсуждениеВыводыДоступность данныхКонфликты интересовСсылкиАвторское правоСтатьи по теме

В микросейсмическом мониторинге достижение точного и эффективного пикирования первого прибытия имеет решающее значение для повышения точности и эффективности определения местоположения источника микросейсмической разницы во времени. В эпоху больших данных традиционный метод пикинга по первому поступлению не может соответствовать требованиям обработки в режиме реального времени процесса микросейсмического мониторинга. Используя передовую идею сквозной классификации, основанной на глубоком обучении, и важные преимущества извлечения признаков полностью сверточной нейронной сети, в этой статье предлагается метод выбора эффективных сигналов по первому вступлению для микросейсмического мониторинга на основе сети UNet++, который может значительно повысить точность и эффективность отбора товаров по первому прибытию. В этой статье мы впервые представили методологию метода выбора на основе UNet++. Затем работоспособность предложенного метода проверяется экспериментами с конечно-разностным опережающим моделированием смоделированных сигналов и фактических микросейсмических записей при различных отношениях сигнал-шум, и, наконец, проводятся сравнительные эксперименты с использованием первой на базе U-Net -алгоритм выбора прибытия и алгоритм преобразования краткосрочного среднего в долгосрочное среднее (STA/LTA). Результаты показывают, что по сравнению с сетью U-Net предложенный метод, очевидно, может улучшить точность выделения первого прихода микросейсмических сигналов с низким отношением сигнал/шум, достигая значительно более высокой точности и эффективности, чем алгоритм STA/LTA, который славится своей высокой эффективностью в традиционных алгоритмах.

1. Введение

Обработка данных микросейсмического мониторинга долгое время сталкивалась с трудностями баланса между точностью и эффективностью [1–3]. С развитием технологий микросейсмического мониторинга все большее значение при разведке и разработке месторождений сланцевого газа приобретает микросейсмика гидроразрыва пласта [4–7]. Точная и эффективная пикировка микросейсмического мониторинга по первому вступлению является предпосылкой для повышения эффективности определения местоположения источника микросейсмической разницы во времени. В последнее время было предложено много методов выбора, таких как от краткосрочного среднего до долгосрочного среднего (STA/LTA) [8], информационный критерий Акаике (AIC) [9].] и корреляционный метод [10].

В последнее время достигнут определенный прогресс в исследованиях первоприбытия. Sheng [11] объединил вейвлет-преобразование со статистикой высокого порядка и использовал статистику высокого порядка для выбора первого прихода сигналов после проведения многомасштабного вейвлет-анализа, который в определенной степени подавлял случайный шум и повышал точность первого. прибытие комплектация. Shimoda [12] применил метод взаимной корреляции для идентификации первого прихода микросейсмического сигнала на сейсмограммах скважинных сейсмоприемников, что обеспечило более простую регистрацию времени первого прихода и более высокую точность, чем предыдущие методы пошаговой регистрации прихода с использованием один детектор. На основании предыдущих исследований Tan et al. [13] предложили метод пикинга микросейсмических сигналов по первому вступлению при низком отношении сигнал/шум (SNR). Во-первых, взаимная корреляция и критерий наименьших квадратов использовались для предварительной обработки исходных микросейсмических данных для получения лучшей коррекции разницы во времени, а затем для идентификации микросейсмических событий использовался параметр многоканального подобия. После того, как микросейсмические события были идентифицированы, были выбраны поступления записей. Карастатис [14] использовал частотно-временной анализ для получения метода пикинга первого поступления микросейсм, и по сравнению с традиционным методом точность пикинга была значительно улучшена. Massin [15] использовал метод корреляции энергий компонент для идентификации объемных микросейсмических волн. Кроме того, после анализа алгоритма соотношения энергий, метода статистики высокого порядка и метода критерия минимальной информации (AIC) Akram et al. [16] обнаружили, что разные методы имеют свои преимущества и недостатки в разных условиях, поэтому они разработали набор оптимизированных по параметрам методов пикинга по первому вступлению для микросейсмических сигналов, а именно, разные параметры были присвоены разным методам пикинга по первому вступлению в соответствии с условия микросейсмического сигнала. Доуэн и др. [17] предложили метод пикинга шумовых микросейсмических записей по первому вступлению путем объединения процессов взаимной корреляции и суперпозиции. Результаты показали, что этот метод может автоматически выбирать первое вступление для сигналов с низким SNR. Ю и др. [18] предложили метод пикинга по первому вступлению, основанный на кросс-корреляции многоканальной формы волны. Результаты показали, что согласованность первого поступления предлагаемого метода улучшается по сравнению с традиционным методом пикинга с одним треком. Радж и др. [19] предложил метод пикинга микросейсм по первому вступлению, основанный на двумерной постоянной частоте ложных тревог, который улучшил точность пикинга по первому приходу в условиях низкого SNR. Ку и др. [20] использовали контролируемый алгоритм машины опорных векторов для автоматического выбора первого поступления, повышая эффективность выбора первого прибытия. Шэн и др. [21] разработали алгоритм «Преобразование Шерле — короткое временное окно/длинное временное окно — эксцесс» (S-S/L_K) с использованием преобразования Шеарлета и статистики высокого порядка, который позволяет точно выбрать первое вступление микросейсмических сигналов с низким отношением сигнал/шум. Гао и др. [22] использовали скользящее окно в сочетании с нечетким алгоритмом кластеризации C-средних для выбора первого поступления зашумленных и предварительно обработанных микросейсмических сигналов. Однако при большом объеме данных мониторинга описанный выше традиционный метод пикирования по первому вступлению не может одновременно удовлетворять требованиям по эффективности и точности оперативного микросейсмического мониторинга.

Глубокие сверточные нейронные сети широко исследовались из-за их выдающихся характеристик извлечения и распознавания признаков [23–26]. Чжан и др. [27] предложили новую многофункциональную перевзвешенную архитектуру DenseNet (MFR-DenseNet) для классификации изображений, которая значительно снизила количество ошибок в наборах данных CIFAR-10 и CIFAR-100. Хан и др. [28] предложили добавить ограничение краевой свертки в улучшенную U-Net для обнаружения цели, чтобы предсказать значимое отображение изображения. Усовершенствованная U-Net объединяет характеристики различных уровней и, таким образом, значительно снижает потери информации. Ку и др. [29] предложил метод распознавания внутриимпульсной модуляции радиолокационного сигнала, который использует частотно-временной анализ, обработку изображений и сверточную нейронную сеть (CNN) для модуляции и распознавания радиолокационного сигнала. При отношении сигнал/шум -6 дБ этот метод достиг успеха распознавания 96,1%. Ян и др. [30] предложили модель обнаружения, основанную на многозадачной сверточной нейронной сети с вращающейся областью, и добились хороших результатов в обнаружении положения корабля в произвольном направлении и прогнозировании направления.

В последнее время исследования в области геофизики также проводились многими учеными. Сюй и др. [31] идентифицировали активные землетрясения с помощью сверточной нейронной сети. Чен и др. [32] добились сильного подавления шумовых помех в магнитотеллурических данных с помощью рекуррентной нейронной сети (RNN). Стоит отметить, что Чен, Чжан и Саад [33–38] внесли выдающийся вклад в область геофизики, применив глубокое обучение к микросейсмическим событиям.

Благодаря соединению на уровне перехода, структуре глубокого контроля и преимуществам сквозной классификации и интеграции глубоких и мелких признаков [39–42], UNet++ [43] широко используется в области обработки медицинских изображений [44]. Следуя передовой идее сквозной классификации, основанной на глубоком обучении, в этой статье выбор первого поступления эффективных микросейсмических сигналов рассматривается как проблема двух классификаций и используется сеть UNet++ для выбора первого поступления эффективных микросейсмических сигналов, улучшая отказоустойчивая работа и исправление отклонения прогноза, вызванного ошибкой маркировки, с помощью сглаживания и регуляризации метки; наконец, он выводит значение предсказания максимальной вероятности, соответствующее категории первого прибытия в качестве первой точки прибытия.

Остальная часть статьи организована следующим образом. Я представляю методологию метода выбора по первому поступлению на основе UNet++. Затем создаются наборы данных, и UNet++ оптимизируется для получения наилучшего гиперпараметра. Первые поступления определяются с помощью UNet++, а сравнительные эксперименты проводятся с использованием основанного на U-Net алгоритма выбора первых вступлений и алгоритма STA/LTA в соответствии с смоделированными сигналами прямого моделирования методом конечных разностей и фактическими микросейсмическими записями при различных соотношениях сигнала к — коэффициент шума. Результаты показывают, что по сравнению с сетью U-Net предложенный метод, очевидно, может улучшить точность выделения первого прихода микросейсмических сигналов с низким SNR, достигая значительно более высокой точности и эффективности, чем хорошо известный алгоритм STA/LTA. за его высокую эффективность в традиционных алгоритмах. Наконец, обсуждение и решение представлены соответственно.

2. Методы

2.1. Метод выбора на основе UNet++

U-Net — это передовая и зрелая сеть, которая сочетает в себе специальную структуру повышающей и понижающей выборки, что играет важную роль в области глубокого обучения. По сравнению с сетью U-Net сеть UNet++, представленная на рис. 1, имеет более глубокое рецептивное поле. UNet++ имеет структуру соединения с пропуском и глубокий контроль, основанный на структуре U-Net, которая может обрабатывать информацию более высокого уровня. Основные преимущества UNet++ заключаются в следующем: его уникальное скиповое соединение интегрирует характеристики разных слоев, что повышает точность; у него есть глубокая структура наблюдения, то есть он получает окончательный результат вывода, усредняя четыре разделенных ветви, что уменьшает количество параметров и повышает скорость и точность сети. Рабочий процесс метода пикинга на основе UNet++ выглядит следующим образом: (1) Вход: дискретный временной ряд микросейсмического сигнала. (2) Путь сокращения UNet++: основная функция этого пути — извлечение характеристик сигнала и шума микросейсмических сигналов. . Каждый уровень пути сжатия содержит уровень свертки, уровень функции активации, уровень пакетной нормализации и уровень максимального объединения; все слои, кроме первого большого слоя, содержат слой повышающей дискретизации. Ядро свертки в сверточном слое имеет размер ; размер ядра свертки в слое повышающей дискретизации равен ; функция активации, используемая на уровне функции активации, — это Leaky Relu, которая выражается следующим образом: где представляет обучаемый параметр обучения, и в этой работе он установлен на 0,01; обозначает сетевой вход; представляет выход. Функция Leaky Relu может решить проблему исчезновения градиента, вызванного глубиной слоя, и ускорить скорость сходимости. (3) Путь расширения UNet++: путь расширения использует повышающую дискретизацию для восстановления и декодирования объектов до исходного входного размера и восстановления. пространственное разрешение входного сигнала, восстановление подробных функций и достижение эффекта сквозной классификации. (4) Выход: чтобы сделать извлеченные функции более полными, среднее значение ветвей, полученных в результате операции обрезки используется для получения выходного результата. Перед обучением используется однократное кодирование меток для получения разреженных меток, а затем обработка сглаживания и регуляризации меток, заданная (2), используется для повышения точности предсказания модели и увеличения ее способности сопротивляться меткам. ошибка. Наконец, функция softmax, заданная (3), используется для получения кривой вероятности точки дискретизации сигнала, принадлежащей к категории первого прихода, и точка с максимальной вероятностью на кривой принимается за точку первого прихода. Кросс-энтропия softmax используется в качестве функции потерь в сети для оптимизации сетевой модели и определяется формулой (4).

В (2) обозначает метку образца после сглаживания меток, представляет коэффициент сглаживания, представляет исходный образец и является введенным фиксированным распределением всех значений 1.

В (3) и (4) обозначает типы , обозначает точку выборки, обозначает выходные данные последнего уровня сети UNet++, соответствующие точке выборки, указывает распределение вероятностей реальных меток и представляет распределение вероятности предсказания сети. На рис. 2 показан поток бумаги. На рис. 3 показан процесс маркировки первого поступления.

2.2. Эксперимент

Параметры экспериментальной платформы приведены в таблице 1.

2.3. Набор данных

Качество и полнота набора данных оказывают существенное влияние на возможности сбора данных в UNet++. Поэтому при построении обучающей выборки UNet++ необходимо учитывать связь между непрерывностью трассы и трендами изменения параметров модели с расстоянием между точками обрыва и приема сигнала в точке прихода. В этой статье набор данных состоял из 5000 смоделированных сигналов, полученных путем прямого моделирования, и 5000 реальных сигналов микросейсмического мониторинга, собранных на нефтяных месторождениях Хубэй, Сычуань и Шэнли в Китае с высоким и низким SNR. Смоделированные сигналы находились в диапазоне частот 20–1000 Гц и были сгенерированы с помощью конечно-разностного прямого моделирования при различных значениях SNR с использованием различных скоростных моделей. Данные были разделены на обучающий набор, тестовый и проверочный наборы с использованием соотношения 6 : 2 : 2. Наконец, метод автоматического выбора, метод преобразования Шерлета-короткое временное окно/длинное временное окно-эксцесс (SS/L-K) [ 43] и метод ручного выбора использовались для маркировки точек прибытия в обучающей выборке.

2.4. Оптимизация гиперпараметров

Скорость обучения и коэффициент регуляризации сглаживания меток были оптимизированы для определения наиболее подходящих гиперпараметров UNet++. Скорость обучения, как один из наиболее важных гиперпараметров, влияющих на производительность сетевой модели, напрямую определяет скорость сходимости и точность обучения сети. Коэффициент регуляризации сглаживания может влиять на интенсивность возмущения, применяемого к правильным меткам, тем самым влияя на правильность меток входа сети. Поэтому, прежде чем использовать UNet++ для выбора первого прибытия, необходимо оптимизировать наиболее важные гиперпараметры, чтобы максимизировать производительность модели. (1) Оптимизация скорости обучения: как уже упоминалось, как один из наиболее важных гиперпараметров, скорость обучения напрямую влияет на производительность прогнозирования сети. С одной стороны, если скорость обучения слишком велика, сеть пропустит точку экстремального значения, что снизит точность обучения сети. С другой стороны, если скорость обучения слишком низкая, сеть будет сходиться слишком медленно или даже может возникнуть проблема переобучения. Чтобы решить эту проблему, в этой работе оптимальная скорость обучения была определена путем оценки производительности модели при скорости обучения 0,01, 0,001 и 0,0001. Потери и точность модели в наборах для обучения и проверки при разных скоростях обучения представлены на рисунках 4 (а) и 4 (б) соответственно. Как показано на рисунках 4(a) и 4(b), при скорости обучения 0,001 модель сходилась быстрее и достигала наивысшей точности проверки. Поэтому скорость обучения 0,001 использовалась в качестве начальной скорости обучения в экспериментах. (2) Сглаживание метки: регуляризация сглаживания метки повышает способность модели выдерживать ошибку входной метки, добавляя возмущения к исходной метке. Коэффициент гладкой регуляризации метки может определять силу приложенного возмущения. С одной стороны, если коэффициент регуляризации слишком велик, сеть может с трудом сойтись, поскольку возмущение метки будет слишком сильным. С другой стороны, если коэффициент регуляризации слишком мал, это приведет к снижению отказоустойчивости сети. Поэтому очень важно выбрать соответствующий коэффициент регуляризации. Кривая потерь на этапе обучения и кривая точности на этапе проверки при различных значениях коэффициента регуляризации сглаживания меток представлены на рисунках 5(a) и 5(b) соответственно. Как показано на рисунках 5(a) и 5(b), после использования сглаживания меток потери при обучении и точность проверки сети значительно улучшились. В частности, при коэффициенте регуляризации 0,01 модель показала наилучшие результаты. Поэтому в экспериментах использовался коэффициент регуляризации 0,01. (3) Проверка модели: чтобы проверить способность сети к обобщению, сравнивалась производительность UNet ++ на обучающем и проверочном наборах, а также пятикратная перекрестная проверка. использовался для оценки истинной ошибки обобщения сети. Потери и точность UNet++ во время обучения и проверки представлены на рисунке 6. Согласно результатам, показанным на рисунках 6(a) и 6(b), оптимизированная модель может быть использована для выбора первого прихода микросейсмического сигнала. точно.

2.5. Синтетические примеры

Профиль сигнала конечно-разностного прямого моделирования при частоте сигнала 20 Гц, размере модели , интервале пространственной выборки , координате источника (140,80) и двухслойной скоростной модели, где скорости среды верхнего и нижнего слоев составляли 2000 м/с и 3000 м/с, представлено на рисунке 7.

В данной работе в качестве объекта исследования был взят сигнал четвертой трассы разреза моделирования. Первое вступление было выбрано UNet++ при разных значениях SNR путем добавления гауссова шума. Затем, после добавления гауссова шума -8 дБ, было выбрано первое вступление всего участка для проверки применимости метода выбора на основе UNet++. Значение SNR было рассчитано по формуле: где и обозначают стандартные отклонения исходного сигнала и добавленного шума соответственно.

2.6. Тест смоделированных сигналов без помех

Сигналы прямого моделирования, соответствующие восьми участкам, показанным на рисунке 7, представлены на рисунке 8(a). Как показано на рис. 8(а), время первого прихода сигнала составило 350  мс. На рисунках 8(b) и 8(c) показаны промежуточные характеристики сигнала, показанного на рисунке 8(a), извлеченного слоями C3 и C5 UNet++ соответственно. На Рис.(а) и 9(б) соответственно. Полные результаты прогноза показаны в пунктирной рамке на рисунке 9(b).

2.7. Тест сигнала с добавлением гауссовского шума

Для дальнейшей проверки производительности UNet++ при пикировании первых вступлений эффективных микросейсмических сигналов с низким ОСШ к смоделированный сигнал показан на рисунке 8(a) соответственно. Полученные результаты представлены на Рисунке 10, Рисунке 11 и Рисунке 12.

Смоделированные сигналы прямого моделирования, дополненные гауссовскими шумами -3 дБ, -5 дБ и -8 дБ представлены на Рисунках 13(a), 14(а) и 15(а) соответственно. Промежуточные характеристики сигнала, показанного на рисунке 13(a), извлеченного уровнями C3 и C5 сети UNet++, представлены на рисунках 13(b) и 13(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 10(а) и 10(б) соответственно. Полный результат выбора показан в пунктирной рамке на рисунке 10(b).

Промежуточные характеристики сигнала, показанного на рис. 14(а), извлеченного уровнями C3 и C5 UNet++, представлены на рисунках 14(b) и 14(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 11(а) и 11(б). Полный результат выбора показан в пунктирной рамке на рисунке 11(b).

Промежуточные характеристики сигнала, показанного на рис. 15(а), извлеченного уровнями C3 и C5 UNet++, представлены на рисунках 15(b) и 15(c) соответственно. Локальное увеличение сигнала и кривая пикинга его первого прихода, полученная с помощью UNet++ в диапазоне от 330 мс до 430 мс, представлены на рисунках 12(а) и 12(б). Полный результат пикинга показан в пунктирной рамке на рисунке 12(b).

Как показано на Рисунке 9, Рисунке 10, Рисунке 11 и Рисунке 12, по мере того, как SNR смоделированных сигналов прямого моделирования уменьшалось, вероятность точки первого прибытия, предсказанная UNet++, снижалась. Это произошло потому, что сеть извлекла не только особенности исходного сигнала в точке прибытия, но и характеристики шума, тем самым уменьшив значение вероятности точки первого прибытия, предсказанной сетью. Тем не менее, предложенный алгоритм может по-прежнему точно предсказывать точку первого прихода, что указывает на то, что метод выбора первого прихода, основанный на сети UNet++, может устойчиво и точно выбирать первый приход эффективного сигнала микросейсмических сигналов с низким ОСШ.

2.8. Тест профиля прямого моделирования

По мере увеличения расстояния между трещиной и точками приема эффективная амплитуда сигнала постепенно уменьшается. Для дальнейшей оценки влияния амплитуды сигнала на результат пикинга точки первого прихода в качестве опорной трассы был взят сигнал третьей трассы профиля, а затем к опорному сигналу трассы был добавлен гауссовский шум -8 дБ. Наконец, гауссовский шум был добавлен к эталонному сигналу трассы для всего профиля мониторинга, показанного на рисунке 7, для проверки производительности предложенного алгоритма выбора первого поступления. Результаты пикинга показаны на рисунке 16, а в таблице 2 показаны конкретные данные рисунка 16(c).

Как показано на рисунке 16, при гауссовском шуме -8 дБ алгоритм выбора первого поступления, основанный на UNet++, был более точным для профиля синтезированного сигнала, чем U-Net, а ошибка выбора составила всего 276 мс. В частности, результаты выделения первого прихода третьих восьми трасс профиля мониторинга хорошо согласовывались с точкой первого прихода смоделированного сигнала прямого моделирования. Это было связано с тем, что характеристики эффективного сигнала в точке прихода были более очевидными, а отношение сигнал-шум было выше, чем у первой и второй трассы сигнала. Однако для первой и второй трасс сигналов из-за затухания амплитуды эффективного сигнала после добавления гауссовского шума характеристики сигнала были нераспознаваемыми, а отношение сигнал/шум значительно уменьшилось, что привело к большой ошибке пикинга первого прихода. Как видно на рисунке 16, для микросейсмических сигналов с низким отношением сигнал-шум предложенный алгоритм может эффективно и точно выделять первое вступление микросейсмических сигналов.

2.9. Примеры реальных данных

Для дальнейшей проверки работоспособности предложенного алгоритма было проведено испытание на выбранных микросейсмических данных из Сычуаньской рабочей зоны и нефтяного месторождения Шэнли. Также было проведено сравнение алгоритма выбора прибытия на основе U-Net и традиционного алгоритма STA/LTA, известного своей высокой эффективностью.

Микросейсмические записи с высоким отношением сигнал-шум, полученные при реальном мониторинге в районе работ месторождения Шэнли, всего с семиуровневыми сейсмоприемниками, представлены на рисунке 17. Длина каждого сигнала составила 4096 мс, а интервал выборки 1 мс. Точка прихода на записи микросейсмического мониторинга была около 3500–4000 мс. Первый сигнал трассы фактического микросейсмического сигнала и промежуточные характеристики, извлеченные слоями C3 и C5 сети UNet++, представлены на рисунке 18. Времена прибытия сигнала, показанные на рисунке 18(a), взятые с помощью UNet++, U-Net и Алгоритмы STA/LTA показаны на Рисунке 19.

Как показано на Рисунке 19, результат пикинга, полученный U-Net и UNet++ для сигнала микросейсмического мониторинга, показанного на Рисунке 18(a), согласуется с результатом пикинга вручную, тогда как алгоритм STA/LTA имел очевидную ошибку выбора.

Микросейсмические записи с низким отношением сигнал-шум, полученные в результате фактического мониторинга в районе работ в провинции Сычуань, в общей сложности с использованием девятиуровневых сейсмоприемников, представлены на рисунке 20. Длина каждого сигнала составляла 3200 мс, а интервал выборки составлял РС. Точка прибытия в записи микросейсмического мониторинга была около 500  мс; результаты, полученные с помощью ручной пикировки, приведены в таблице 3. Шестой сигнал трассы профиля микросейсмической записи и промежуточные признаки, извлеченные слоями C3 и C5 UNet++, представлены на рисунке 21. Сравнение результатов пикинга по первому приходу сигнал, показанный на рис. 21(а), полученный с помощью алгоритмов UNet++, U-Net и STA/LTA, представлен на рис. 22.

Как показано на рис. 22(a), метод пикинга на основе UNet++ может выбрать приход для сигнала с низким SNR; однако была ошибка выбора метода выбора первого прибытия на основе U-Net, а точка прибытия, выбранная U-Net, была 1384. Точно так же алгоритм STA / LTA имел очевидную ошибку выбора.

В таблице 3 показано время, необходимое для выбора профилей записей, показанных на рисунках 17 и 20, для алгоритмов UNet++, U-Net и STA/LTA.

По результатам сравнительного эксперимента смоделированных и реальных сигналов мониторинга и сравнения затрат времени на выборку первого поступления различных алгоритмов можно сделать вывод, что алгоритм STA/LTA, известный своей высокой эффективностью, с трудом может получить точный результат выбора первого прибытия в условиях низкого SNR, в то время как алгоритм выбора первого прибытия, основанный на глубоком обучении, благодаря своей мощной способности захвата признаков и лучшему различению признаков SNR, может точно и эффективно выбирать первое появление низкого SNR. Микросейсмические сигналы ОСШ. Скорость выбора предлагаемого метода значительно выше, чем у алгоритма STA/LTA, что улучшает как скорость, так и точность выбора первого прибытия.

UNet++, благодаря плотному межуровневому соединению и глубокой структуре контроля, может извлекать более глубокие характеристики сигнала и шума, чем U-Net, и различать микросейсмический сигнал даже в среде с низким SNR. Превосходная способность к обобщению еще больше расширяет перспективы его применения при пикировании микросейсмических сигналов по первому вступлению. Следовательно, предлагаемый алгоритм выбора первого поступления, основанный на UNet++, может более точно и эффективно выбирать поступления микросейсмических сигналов.

3. Обсуждение

Несмотря на то, что предлагаемый метод может дать хорошие результаты, его еще можно улучшить.

Данные мониторинга разных участков работ различаются методами мониторинга, геологическими условиями, методами ГРП и т.д. Таким образом, маркировка данных нового участка съемки может сильно снизить эффективность применения алгоритма, в результате чего он не будет соответствовать требованиям оперативная обработка данных микросейсмического мониторинга. Однако полууправляемое обучение использует сеть для автоматического извлечения признаков помеченных данных из небольших выборок, тем самым реализуя автоматическую маркировку крупномасштабных неразмеченных данных, что может значительно повысить эффективность применения предлагаемого алгоритма [45–47].

По сравнению с обучением с учителем, обучение с передачей продолжает изучать данные целевой области на основе инициализации с использованием параметров сети перед обучением, уменьшая масштаб обучающих данных и значительно снижая вычислительные затраты и затраты времени на обучение сети [48]. Таким образом, чтобы реализовать обработку данных микросейсмического мониторинга в различных областях работы более эффективно и быстро, последующие исследования будут сочетать идеи полууправляемого обучения и трансферного обучения для дальнейшего повышения скорости предлагаемого алгоритма выбора первого прибытия.

Разнообразие выборок является одним из важных факторов, влияющих на эффективность прогнозирования сети. Использование соответствующего количества выборок может еще больше повысить точность предсказания сети. В последнее время было предложено множество методов улучшения выборки, таких как неконтролируемое увеличение данных (UDA) [49] и генеративно-состязательные сети (GAN) [50]. Кроме того, состязательное обучение может снизить частоту ошибок на исходном независимом и одинаково распределенном тестовом наборе и повысить отказоустойчивость сети за счет обучения сети на состязательных образцах обучающего набора [51, 52]. Таким образом, последующее исследование будет сочетать улучшение выборки и состязательное обучение для реализации высокоточного выделения первых вступлений микросейсмических сигналов в условиях небольшой выборки, чтобы еще больше повысить точность предлагаемого метода выделения первых вступлений.

Гиперпараметры оказывают значительное влияние на производительность модели, время работы алгоритма и стоимость хранения глубокой нейронной сети. Поэтому автоматическая настройка и оптимизация гиперпараметров очень важны. Гахрамани указал, что байесовская оптимизация является одной из самых передовых и многообещающих технологий в области искусственного интеллекта [53]. Поэтому последующие исследования будут дополнительно изучать схему быстрой байесовской оптимизации для глубокой нейронной сети [54], оптимизировать модель и повышать ее точность [55, 56].

4. Выводы

В этой статье предлагается метод пикирования по первому вступлению на основе UNet++, отвечающий требованиям к точности пикинга и эффективности обработки микросейсмических сигналов в реальном времени. Чтобы проверить правильность предложенного алгоритма, к сигналу прямого моделирования последовательно добавляли гауссовский шум с ОСШ -1 дБ, -5 дБ и -8 дБ, и предложенный алгоритм сравнивался с алгоритмом STA/LTA. Наконец, предложенный метод, метод на основе U-Net и метод STA/LTA были применены к реальным данным микросейсмического мониторинга в бассейне Сычуань и нефтяном месторождении Шэнли в Китае, чтобы проверить осуществимость метода пикинга на основе UNet++. Тестирование смоделированных и реальных данных показывает, что предложенный метод пикировки позволяет точно выделить первое вступление эффективного сигнала и получить надежный результат для микросейсмического мониторинга даже для зашумленных сигналов.

Доступность данных

Данные и код доступны на https://github. com/RufusGuo/UNet-.

Конфликт интересов

Автор заявляет об отсутствии конфликта интересов в связи с публикацией этой статьи.

Ссылки

1. Н. Икбал, Э. Лю, Дж. Х. Макклеллан, А. Аль-Шухаил, С. И. Кака и А. Зергин, «Обнаружение и шумоподавление микросейсмических событий с использованием частотно-временного представления и тензорного разложения», Доступ IEEE , том. 6, стр. 22993–23006, 2018.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

2. С. К. Максвелл, Дж. Ратледж, Р. Джонс и М. Фелер, «Характеризация нефтяного резервуара с использованием скважинного микросейсмического мониторинга», Геофизика, , том. 75, нет. 5, стр. 75A129–75A137, 2010.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

3. Сонг С. и Алхалифа Т., «Оценка микросейсмических событий на основе эффективной инверсии волнового поля», IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , vol. 12, нет. 11, стр. 4664–4671, 2019.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

4. G. L. Feng, X. T. Feng, B. R. Chen и Y. X. Xiao, «Высокоточный метод обнаружения микросейсмических событий, связанных с процессами развития горных ударов в туннелях», IEEE Access , vol. 5, стр. 27722–27731, 2017.

   Посмотреть по адресу:

   Сайт издателя | Академия Google

5. Л. Донг, Д. Сун, С. Ли и К. Ду, «Теоретические и экспериментальные исследования методологии локализации АЭ и источников микросейсмических волн без предварительного измерения скорости волны в шахтах», IEEE Access , vol. . 5, стр. 16818–16828, 2017.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

6. П. М. Дункан и Л. Эйснер, «Характеризация коллектора с использованием поверхностного микросейсмического мониторинга», Geophysics , vol. 75, нет. 5, стр. 75А139–75A146, 2010.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

7. Л. Эйснер, П. М. Дункан, В. М. Хейгл и В. Р. Келлер, «Неопределенности в пассивном сейсмическом мониторинге», The Leading Edge , vol. 28, нет. 6, стр. 648–655, 2012.

   Посмотреть по адресу:

   Google Scholar

8. Р. Аллен, «Автоматическое распознавание землетрясений и определение времени по одному следу», Бюллетень сейсмологического общества Америки , том. 68, нет. 5, стр. 1521–1532, 1978.

   Просмотр по адресу:

   Google Scholar

9. C. Suhendi, M. R. P. Sudibyo, I. F. Erlangga, and A. P. Arbad, «Automatic event event from tectonic Earthquakes with Modified Akaike Information Criterion (mAIC)», in IOP Conference Серия: Науки о Земле и окружающей среде, Институт технологий Суматра, кампус , том. 258, нет. 1, статья 012037, Лампунг Селатан, Индонезия, 2019 г.

   Посмотреть по адресу:

   Google Scholar

10. М. Сэнкая и Х. Карсли, «Полуавтоматический подход к определению времени первого прибытия: метод взаимной корреляции», Earth Sciences Research Journal , vol. 18, нет. 2, pp. 107–113, 2014.

    Просмотр по адресу:

    Google Scholar

11. G. Sheng, X. Tang, K. Xie, and J. Xiong, «Метод пикинга по первому вступлению для гидроразрыва микросейсмических данных, основанный на преобразование Шерлета без субдискретизации и статистика высшего порядка», Journal of Seismic Exploration , том. 28, нет. 6, pp. 593–618, 2019.

    Просмотр по адресу:

    Google Scholar

12. Шимода Н., Решетников А., Шапиро С. SEG Technical Program Expanded Abstracts 2015 , стр. 2655–2659, Society of Exploration Geophysicists, 2015. пикирование микросейсмических событий с низким отношением сигнал/шум» Геофизика , вып. 81, нет. 2, стр. KS133–KS151, 2016.

    Просмотр по адресу:

    Google Scholar

13. В. Карастатис, Т. Аспиотис, А. Целентис и Н. Рассилл, «Автоматический выбор S-волны на основе времени- частотный анализ для пассивных сейсмических приложений», в SEG Technical Program Expanded Abstracts 2016 , стр. 2760–2764, Society of Exploration Geophysicists, 2016. Малкольм, «Улучшенный автоматический сборщик объемных волн с широкой областью применения», в SEG Technical Program Expanded Abstracts 2016 , стр. 2617–2621, Society of Exploration Geophysicists, 2016. методы временной пикировки скважинных микросейсмических данных», Геофизика , т. 1, с. 81, нет. 2, стр. KS67–KS87, 2016.

    Просмотр по адресу:

    Google Scholar

14. Д. Ким, Дж. Бьюн, М. Ли, Дж. Чой и М. Ким, «Алгоритм быстрого выбора первого прибытия». для зашумленных микросейсмических данных» Разведочная геофизика , вып. 48, нет. 2, pp. 131–136, 2016.

    Посмотреть по адресу:

    Google Scholar

15. Z. Yu, C. He, G. Hou, and Y. Tan, «Выбор прибытия и уточнение микросейсмических событий на основе Waveform Cross Correlation», in International Geophysical Conference , pp. 1354–1357, Beijing, China, 2018. -Шухаил, Кака С.И. Автоматическое обнаружение микросейсмических событий с использованием постоянной обработки частоты ложных тревог в частотно-временной области // 9.0458 SEG Technical Program Expanded Abstracts 2018 , стр. 2912–2916, Society of Exploration Geophysicss, 2018. Чен, «Автоматическое обнаружение микросейсмических событий с высоким разрешением с помощью контролируемого машинного обучения», Geophysical Journal International , vol. 222, нет. 3, стр. 1881–1895, 2020.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

16. Х. Ву, Б. Чжан, Ф. Ли и Н. Лю, «Полуавтоматический выбор микросейсмических событий по первому вступлению с использованием метода попиксельной сверточной сегментации изображения», Geophysics , vol. 84, нет. 3, pp. 1–70, 2019.

    Посмотреть по адресу:

    Google Scholar

17. Л. Гао, З.-Ю. Цзян и Ф. Мин, «Выбор времени прохождения первого прибытия через скользящие окна и нечеткие с-средние», Mathematics , vol. 7, нет. 3, с. 221, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

18. С. Ли, Б. Лю, Ю. Рен и др., «Инверсия сейсмических данных с глубоким обучением», 2020 г., https://arxiv.org/abs/1901.07733.

    Посмотреть по адресу:

    Google Scholar

19. Г. Чжан, З. Ван и Ю. Чен, «Глубокое обучение для прогнозирования сейсмической литологии», Geophysical Journal International , vol. 215, нет. 2, стр. 1368–1387, 2018.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

20. М. Чжан, Ю. Лю и Ю. Чен, «Неконтролируемое подавление случайного сейсмического шума на основе глубокой сверточной нейронной сети», IEEE Access , vol. 7, стр. 179810–179822, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

21. B. Liu, S. Yang, Y. Ren, X. Xu, P. Jiang и Y. Chen, «Глубокое обучение сейсмической полноволновой инверсии для реалистичных структурных моделей», Geophysics , об. 86, нет. 1, стр. R31–R44, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

22. А. Крижевский, И. Суцкевер и Г. Хинтон, «Классификация ImageNet с помощью глубоких сверточных нейронных сетей», Достижения в системах обработки нейронной информации , том. 25, нет. 2, pp. 1097–1105, 2012.

    Посмотреть по адресу:

    Google Scholar

23. K. Zhang, Y. Guo, X. Wang, J. Yuan, and Q. Ding, «Многофункциональная переоценка DenseNet для классификация изображений», IEEE Access , vol. 7, стр. 9872–9880, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

24. Л. Хан, С. Ли и Ю. Донг, «U-сеть на основе сверточных граничных ограничений для обнаружения заметных объектов», IEEE Access , vol. 7, стр. 48890–48900, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

25. Z. Qu, W. Wang, C. Hou, and C. Hou, «Распознавание внутриимпульсной модуляции радиолокационного сигнала на основе сверточного шумоподавляющего автоэнкодера и глубокой сверточной нейронной сети», Доступ IEEE , том. 7, стр. 112339–112347, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

26. X. Yang, H. Sun, X. Sun, M. Yan, Z. Guo и K. Fu, «Обнаружение положения и предсказание направления для произвольно ориентированных кораблей с помощью многозадачной сверточной нейронной сети области вращения, IEEE Access , vol. 6, стр. 50839–50849, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

27. Z. Xu, T. Wang, S. Xu и др., «Сейсмическая идентификация активного источника и автоматический выбор первого вступления P-волны с использованием сверточной нейронной сети», Исследование землетрясений в Китае , том. 33, нет. 2, pp. 288–304, 2019.

    Посмотреть по адресу:

    Google Scholar

28. Ю. Чен, Г. Чжан, М. Бай, С. Зу, З. Гуань и М. Чжан, «Автоматический классификация формы волны и выбор прихода на основе сверточной нейронной сети», Earth and Space Science , vol. 6, нет. 7, стр. 1244–1261, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

29. Ю. Чен, «Автоматический выбор микросейсмических событий с помощью машинного обучения без учителя», Geophysical Journal International , vol. 222, стр. 1750–1764, 2020.

    Посмотреть по адресу:

    Google Scholar

30. Ю. Чен, «Быстрое обнаружение формы волны для микросейсмических изображений с использованием неконтролируемого машинного обучения», Geophysical Journal International , vol. 215, нет. 2, стр. 1185–1199, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

31. Г. Чжан, К. Лин и Ю. Чен, «Сверточные нейронные сети для классификации микросейсмических сигналов и выбора прихода», Геофизика , вып. 85, нет. 4, стр. WA227–WA240, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

32. О. М. Саад и Ю. Чен, «Автоматическое построение изображения местоположения источника на основе волновой формы с использованием извлеченных микросейсмических сигналов с помощью глубокого обучения», Geophysics , vol. 85, нет. 6, стр. KS171–KS183, 2020.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

33. О. М. Саад и Ю. Чен, «Обнаружение землетрясений и выбор времени прихода P-волн с использованием капсульной нейронной сети», IEEE Transactions on Geoscience and Remote Sensing , vol. 58, стр. 1–10, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

34. D. Peng, Y. Zhang и H. Guan, «Обнаружение сквозных изменений для спутниковых изображений высокого разрешения с использованием улучшенного UNet++», Remote Sensing , vol. 11, нет. 11, с. 1382, 2019.

    Посмотреть по адресу:

    Google Scholar

35. Ю. Чен, В. Сюй, Дж. Цзо и К. Ян, «Алгоритм распознавания пожаров с использованием динамического слияния признаков и классификатора IV-SVM», Кластерные вычисления , том. 22, стр. 7665–7675, 2018.

    Просмотр по адресу:

    Google Scholar

36. Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh и J. Liang, «UNet++: перепроектирование пропускных соединений для использования многомасштабных функций в сегментация изображения», IEEE транзакции по медицинской визуализации , vol. 39, нет. 6, стр. 1856–1867, 2019.

    Посмотреть по адресу:

    Google Scholar

37. З. Чу, Т. Тянь, Р. Фэн и Л. Ван, «Сегментация моря и суши с помощью Res-UNet и Полностью подключенная CRF», в IGARSS 2019-2019 Международный симпозиум IEEE по геонаукам и дистанционному зондированию , стр. 3840–3843, IEEE, Йокогама, Япония, 2019. , Лю, Ю. Ван и Р. Лин, «Уменьшение шума магнитотеллурических данных с помощью рекуррентной нейронной сети», в семинаре SEG 2019: Математическая геофизика: традиционная и обучающая , стр. 5–7, Пекин, Китай, Общество геофизиков-исследователей. , 2020.

    Посмотреть по адресу:

    Google Scholar

38. Z. Zhou, M. M. Siddiquee, N. Tajbakhsh и J. Liang, «UNet++: A Nested U-Net Architecture for Medical Image Segmentation», in Глубокое обучение анализу медицинских изображений и мультимодальное обучение для поддержка принятия клинических решений , стр. 3–11, Springer, Cham, 2018.

    Посмотреть по адресу:

    Google Scholar

39. С. Лейн и Т. Айла, «Временное объединение для частично контролируемого обучения», 2017 г., https://arxiv.org/abs/1610.02242.

    Посмотреть по адресу:

    Google Scholar

40. В. Ли, Л. Дуан, Д. Сюй и И. В. Цанг, «Обучение с расширенными функциями для контролируемой и частично контролируемой адаптации гетерогенных доменов», IEEE Transactions on Pattern Анализ и машинный интеллект , том. 36, нет. 6, стр. 1134–1148, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

41. Х. Пан и З. Канг, «Надежное обучение на основе графов для полуконтролируемой классификации», в 2018 10-я Международная конференция по интеллектуальным человеко-машинным системам и кибернетике (IHMSC) , стр. 265–268, Ханчжоу, Китай, 2018 г.

    Посмотреть по адресу:

    Google Scholar и Ф. Давуан, «Explicit Inductive Bias for Transfer Learning with Convolutional Networks», в International Conference on Machine Learning , Stockholmsmässan, Стокгольм, Швеция, 2018.0011

    К. Се, З. Дай, Э. Хови, М. Луонг и К. В. Ле, «Неконтролируемое увеличение данных для обучения согласованности», 2019 г., https://arxiv.org/abs/1904.12848.

    Посмотреть по адресу:

    Google Scholar

42. C. Chang, T. Chen и P. Chung, «Semi-supervised Learning Using Generative Adversarial Networks», in 2018 IEEE Symposium Series on Computational Intelligence (SSCI) , стр. 892–896, Бангалор, Индия, 2018 г.

    Посмотреть по адресу:

    Google Scholar

43. И. Дж. Гудфеллоу, Дж. Шленс и К. Сегеди, «Объяснение и использование состязательных примеров», 2015 г., https://arxiv.org/abs/1412.6572.

    Посмотреть по адресу:

    Google Scholar

44. Т. Миято, С. Маэда, М. Кояма и С. Исии, «Виртуальное состязательное обучение: метод регуляризации обучения с учителем и полуучителем», IEEE Transactions по анализу закономерностей и машинному интеллекту , том. 41, нет. 8, стр. 1979–1993, 2019.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

45. Г. Зубин, «Вероятностное машинное обучение и искусственный интеллект», Nature , vol. 521, нет. 7553, стр. 452–459, 2018.

    Просмотр по адресу:

    Google Scholar

46. К. Аарон, «Быстрая байесовская оптимизация гиперпараметров машинного обучения на больших наборах данных», в , искусственный интеллект и статистика 90.