論文の概要: MicroPhaseNO: Adapting an Earthquake-Trained Phase Neural Operator for Microseismic Phase Picking

• arxiv url: http://arxiv.org/abs/2512.13197v1
• Date: Mon, 15 Dec 2025 11:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.634732
• Title: MicroPhaseNO: Adapting an Earthquake-Trained Phase Neural Operator for Microseismic Phase Picking
• Title（参考訳）: MicroPhaseno: 地震探査型ニューラル演算子による微小地震探査
• Authors: Ayrat Abdullin, Umair bin Waheed, Leo Eisner, Naveed Iqbal,
• Abstract要約: フェーズピッキングは、しばしば微小地震モニタリングや地下イメージングに使用される。 大規模な地震カタログで訓練されたディープラーニングベースのピッカーは、自動化された代替手段を提供する。 移動学習を用いた微小地震モニタリングに網羅的な地震相ピッカーを適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.4561220135252273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seismic phase picking is very often used for microseismic monitoring and subsurface imaging. Traditional manual processing is not feasible for either real-time applications or large arrays. Deep learning-based pickers trained on large earthquake catalogs offer an automated alternative. However, they are typically optimized for high signal-to-noise, long-duration networks and struggle with the challenges presented by microseismic datasets, which are purpose-built for limited time without previously detected seismicity. In this study, we demonstrate how a network-wide earthquake phase picker, the Phase Neural Operator (PhaseNO), can be adapted to microseismic monitoring using transfer learning. Starting from a PhaseNO model pre-trained on more than 57,000 three-component earthquake and noise records, we fine-tune the model using only 200 labeled and noise seismograms from induced events in hydraulic-fracturing settings. The fine-tuned model thus preserves the rich spatio-temporal representation learned from abundant earthquake data, while adapting to the characteristics and labeling conventions of microseismic phases, which are often picked on peaks or troughs rather than onsets. We evaluate performance on three distinct real-world microseismic datasets with different network geometries and acquisition parameters. Compared to the original PhaseNO and a conventional workflow, the adapted model increases F1 score and accuracy by up to 30%, and strongly reduces systematic timing bias and pick uncertainty. Because the adaptation relies on a small, campaign-specific calibration set, the approach is readily transferable to other microseismic tasks where public earthquake data and pre-trained models are accessible. The associated code will be released openly at https://github.com/ayratabd/MicroPhaseNO.
• Abstract（参考訳）: 地震の位相ピッキングは、微小地震モニタリングや地下イメージングによく用いられる。 従来の手動処理は、リアルタイムアプリケーションでも大きな配列でも実現不可能である。 大規模な地震カタログで訓練されたディープラーニングベースのピッカーは、自動化された代替手段を提供する。 しかし、それらは一般的に、高信号対雑音、長周期ネットワークに最適化され、これまで検出された耐震性のない限られた時間で構築されたマイクロ地震データセットによって提示される課題に対処する。 本研究では,ネットワーク全体の地震相ピッカーであるPhaseNO(Phaseno)が,移動学習を用いた微小地震モニタリングにどのように適応できるかを示す。 57,000以上の3成分地震・騒音記録を事前学習したフェイズノモデルから, 油圧破砕条件下で発生した200個のラベル付き地震計とノイズ地震計を用いて, モデルを微調整した。 微調整モデルでは, 豊富な地震データから得られた豊富な時空間表現を保存し, オンセットではなくピークやトラフでしばしば選択される微小地震相の特性やラベルの規則に適応する。 我々は,異なるネットワークジオメトリと取得パラメータを持つ3つの異なる実世界のマイクロサイスミックデータセットの性能を評価する。 従来のフェーズNOや従来のワークフローと比較して、適応モデルはF1スコアと精度を最大30%向上させ、体系的なタイミングバイアスを強く低減し、不確実性を選択する。 この適応は、キャンペーン固有の小さなキャリブレーションセットに依存するため、公共地震データや事前訓練されたモデルにアクセス可能な他のマイクロ地震活動に容易に移行できる。 関連するコードはhttps://github.com/ayratabd/MicroPhaseNO.comで公開されている。

関連論文リスト

• Microseismic event classification with a lightweight Fourier Neural Operator model [1.6332728502735252]
  微小地震イベント分類において,フーリエニューラル演算子(FNO)に基づく軽量モデルを提案する。 FNOをベースとしたモデルでは,訓練におけるデータ分散のシナリオにおいても,F1スコアが95%のトリガ分類の有効性を示す。 実際のマイクロサイスミックデータセットのテストでは、F1スコアが98%の分類成功率を示し、従来のディープラーニング技術よりも優れています。
  論文  参考訳（メタデータ） (2025-12-08T10:57:36Z)
• OmniTraj: Pre-Training on Heterogeneous Data for Adaptive and Zero-Shot Human Trajectory Prediction [62.385417528148224]
  OmniTrajは、大規模な異種データセットで事前トレーニングされたトランスフォーマーベースのモデルである。 実験によると、フレームレートを明示的に条件付けすることで、OmniTrajは最先端のゼロショット転送性能を実現することができる。
  論文  参考訳（メタデータ） (2025-07-31T15:37:09Z)
• A convolutional neural network approach to deblending seismic data [1.5488464287814563]
  本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。 地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。 ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
  論文  参考訳（メタデータ） (2024-09-12T10:54:35Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a Neural Point Process [0.0]
  本研究では,短期地震活動予測にフレキシブル・ポイント・プロセス・モデルを適用することができるか検討する。 本研究では, 時間的ニューラルモデルを用いて, 震度閾値以上の地震を予測できることを示す。
  論文  参考訳（メタデータ） (2023-01-24T12:15:12Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。