Применение сверточных нейронных сетей для автоматического выделения микросейсмических событий в данных локального мониторинга Северного Кавказа

Abstract

Актуальность работы. Северный Кавказ характеризуется сложным геологическим строением, неоднородным сейсмическим фоном и влиянием природных и техногенных помех, что затрудняет автоматическое выделение слабых микросейсмических событий. Традиционные пороговые алгоритмы не всегда надежно обнаруживают низкоамплитудные сигналы, особенно при малом отношении сигнал/шум. Цель исследования. Оценить возможность применения сверточных нейронных сетей для автоматического обнаружения микросейсмических событий в трехкомпонентных записях локального мониторинга Северного Кавказа и сопоставить их эффективность с алгоритмом STA/LTA. Методы исследования.Использованы цифровые трехкомпонентные сейсмограммы локальных станций, прошедшие приведение к единой частоте дискретизации, полосовую фильтрацию, нормализацию и разделение на временные окна. Для классификации событий и шумовых фрагментов применялась одномерная CNN, анализирующая временные ряды по трем компонентам. Эффективность оценивалась по accuracy, recall, F1-мере и числу ложных срабатываний в сравнении с STA/LTA. Результаты. Наиболее устойчивые результаты получены для трехкомпонентных записей, окна 20 с, частоты 100 Гц и фильтрации 1–20 Гц. CNN обеспечила accuracy 0,93–0,95, recall 0,91–0,92 и F1-меру 0,92–0,93. По сравнению с STA/LTA модель лучше сохраняла баланс полноты обнаружения и ложных тревог, особенно при отношении сигнал/шум ниже 2,0. Результаты подтверждают перспективность CNN как модуля первичного обнаружения в системах сейсмического мониторинга Relevance. The North Caucasus is characterized by a complex geological structure, a heterogeneous seismic background, and natural and anthropogenic noise, which complicate automatic detection of weak microseismic events. Traditional threshold-based algorithms do not always reliably detect low-amplitude signals, especially under low signal-to-noise conditions. Aim of the study. The study aims to evaluate the use of convolutional neural networks for automatic detection of microseismic events in three-component local monitoring records from the North Caucasus and to compare their performance with the STA/LTA algorithm. Research methods. Digital three-component seismograms from local stations were resampled to a common sampling rate, bandpass filtered, normalized, and divided into time windows. A one-dimensional CNN was used to classify events and noise fragments by analyzing three-component time series. Performance was evaluated using accuracy, recall, F1-score, and the number of false alarms in comparison with STA/LTA. Results. The most stable results were obtained for three-component records, a 20 s window, a 100 Hz sampling rate, and 1–20 Hz filtering. The CNN achieved an accuracy of 0.93–0.95, recall of 0.91–0.92, and F1-score of 0.92–0.93. Compared with STA/LTA, the model provided a better balance between detection completeness and false alarms, especially at signal-to-noise ratios below 2.0. The results confirm the promise of CNN as a primary detection module in seismic monitoring systems