論文の概要: Deep Learning for Surface Wave Identification in Distributed Acoustic Sensing Data

• arxiv url: http://arxiv.org/abs/2010.10352v2
• Date: Tue, 27 Apr 2021 05:07:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:42:57.831253
• Title: Deep Learning for Surface Wave Identification in Distributed Acoustic Sensing Data
• Title（参考訳）: 分散音響センシングデータにおける表面波識別のための深層学習
• Authors: Vincent Dumont, Ver\'onica Rodr\'iguez Tribaldos, Jonathan Ajo-Franklin, Kesheng Wu
• Abstract要約: 実データ,複雑なDASデータを処理するための,高度にスケーラブルで効率的なアプローチを提案する。 深い教師付き学習は、人類活動によって生じる「有用な」コヒーレントな表面波を特定するために用いられる。 本手法は,地中活動と埋設センサとの相互作用を記述した解釈パターンを提供する。
• 参考スコア（独自算出の注目度）: 1.7237878022600697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moving loads such as cars and trains are very useful sources of seismic waves, which can be analyzed to retrieve information on the seismic velocity of subsurface materials using the techniques of ambient noise seismology. This information is valuable for a variety of applications such as geotechnical characterization of the near-surface, seismic hazard evaluation, and groundwater monitoring. However, for such processes to converge quickly, data segments with appropriate noise energy should be selected. Distributed Acoustic Sensing (DAS) is a novel sensing technique that enables acquisition of these data at very high spatial and temporal resolution for tens of kilometers. One major challenge when utilizing the DAS technology is the large volume of data that is produced, thereby presenting a significant Big Data challenge to find regions of useful energy. In this work, we present a highly scalable and efficient approach to process real, complex DAS data by integrating physics knowledge acquired during a data exploration phase followed by deep supervised learning to identify "useful" coherent surface waves generated by anthropogenic activity, a class of seismic waves that is abundant on these recordings and is useful for geophysical imaging. Data exploration and training were done on 130~Gigabytes (GB) of DAS measurements. Using parallel computing, we were able to do inference on an additional 170~GB of data (or the equivalent of 10 days' worth of recordings) in less than 30 minutes. Our method provides interpretable patterns describing the interaction of ground-based human activities with the buried sensors.
• Abstract（参考訳）: 車両や列車などの移動荷重は地震波の非常に有用な源であり, 環境騒音地震学の手法を用いて, 地下材料の地震速度に関する情報を検索することができる。 この情報は, 地表近傍の地盤特性, 地震危険度評価, 地下水モニタリングなど, 様々な応用に有用である。 しかし、そのようなプロセスが迅速に収束するには、適切なノイズエネルギーを持つデータセグメントを選択する必要がある。 分散音響センシング(distributed acoustic sensing, das)は、非常に高い空間分解能と時間分解能で何万kmもデータを取得できる新しいセンシング技術である。 DAS技術を利用する際の大きな課題のひとつは、大量のデータが生成されることだ。 本研究では,データ探索の過程で得られた物理知識と,人工活動によって発生する"有用な"コヒーレントな表面波を識別するための深い教師付き学習を融合して,高度にスケーラブルで複雑なdasデータを処理するための高効率な手法を提案する。 データ探索とトレーニングは、DAS測定の130～GBで実施された。 並列コンピューティングを使用することで、30分未満で追加の170～GBのデータ(あるいは10日間分のレコードに相当するもの)を推論することが可能になりました。 本手法は,地中活動と埋設センサとの相互作用を記述した解釈パターンを提供する。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• IntraSeismic: a coordinate-based learning approach to seismic inversion [14.625250755761662]
  IntraSeismicは、座標に基づく学習とポストスタックモデリング演算子の物理をシームレスに組み合わせた、新しいハイブリッド地震インバージョン手法である。 IntraSeismicの主な特徴は、2Dおよび3D後の地震インバージョン、高速収束率、およびシームレスにハード制約を含む能力である。 提案手法の有効性を検証するために, 震源内データの合成とフィールドデータの適用について述べる。
  論文  参考訳（メタデータ） (2023-12-17T00:29:25Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Improving the quality control of seismic data through active learning [0.0]
  画像復号化問題では、利用可能な画像の密度の増大は、徹底的な視覚検査を不可能にする。 本稿では,最も関連性の高いデータを逐次選択するための新しいアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-17T20:15:37Z)
• A review of machine learning in processing remote sensing data for mineral exploration [0.41998444721319217]
  本稿では,最近確立したリモートセンシングデータ処理のための機械学習手法の実装と適応について概説する。 異なる鉱床の探査への応用について研究している。
  論文  参考訳（メタデータ） (2021-03-13T10:36:25Z)
• Deep Learning on Real Geophysical Data: A Case Study for Distributed Acoustic Sensing Research [1.7237878022600697]
  地震データから使用可能なエネルギーを識別するために, 微調整, 効率的スケールの深層学習分類器を提案する。 16倍のGPUを使用すれば、5万のデータセット上で2桁以上のトレーニング速度を向上できることを示す。
  論文  参考訳（メタデータ） (2020-10-15T15:59:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。