Ημερολόγιο Εκδηλώσεων

Θέμα :  Ανάπτυξη μοντέλων τεχνητών νευρωνικών δικτύων για τον προσδιορισμό του χρόνου διαδρομής σεισμικών κυμάτων. Εφαρμογή σε δεδομένα σεισμικής τομογραφίας από το σταθμό Ανθούπολης του Αττικό μετρό

Title :  Neural Network application for first arrival picking   

Περίληψη:
Ο προσδιορισμός του χρόνου της πρώτης άφιξης σε σεισμικά δεδομένα είναι απαραίτητος για την εκτέλεση υπολογισμών στατικής διόρθωσης ή υπολογισμούς τομογραφίας καθοδικών κυμάτων (diving wave tomography). Η επιλογή των χρόνων πρώτων αφίξεων είναι ένα πρόβλημα αναγνώρισης μοτίβων και ως εκ τούτου συνεπάγεται σημαντική ανθρώπινη προσπάθεια.
Επιπλέον, καθώς αυξάνεται ο αριθμός των σεισμικών αισθητήρων, γίνεται όλο και πιο δύσκολο για τους αναλυτές να επιλέξουν σεισμικές φάσεις τόσο χειροκίνητα όσο και αναλυτικά, παρόλα αυτά οι προσπάθειες αυτές είναι θεμελιώδεις.
Παρά τις βελτιώσεις που έγιναν τα τελευταία χρόνια με τις μεθόδους αυτόματης επιλογής πρώτων αφίξεων, εξακολουθεί να είναι πολύ δύσκολο να προσομοιαστούν τα αποτελέσματα που προκύπτουν από έμπειρους αναλυτές, με ένα πιο λεπτό ζήτημα να είναι το γεγονός ότι διάφοροι γεωφυσικοί αναλυτές επιλέγουν πρώτες αφίξεις με διαφορετικούς τρόπους, κάτι που μπορεί να εισάγει μεροληψία (bias) στα δεδομένα. Από τα παραπάνω γίνεται φανερό ότι πρέπει να εισαχθεί ένας πιο αξιόπιστος και ακριβής τρόπος αυτόματης επιλογής χρόνου διαδρομής.
Με τη χρήση των νευρωνικών δικτύων που γίνονται όλο και πιο δημοφιλή στις γεωφυσικές εφαρμογές, λόγω των δυνατοτήτων τους ως καθολικών προσεγγιστών (global approximators), είναι δηλαδή εργαλεία που μπορούν να προσεγγίσουν οποιαδήποτε συνεχή συνάρτηση με ακρίβεια και ως εκ τούτου καθιστούν έναν πολύ ελπιδοφόρο τρόπο αυτόματης επιλογής πρώτων αφίξεων επεξεργασίας σεισμικών δεδομένων.
Σε αυτή την εργασία, εισάγονται και επεξεργάζονται σεισμικά δεδομένα και στη συνέχεια εκπαιδεύονται τεχνητά νευρωνικά δίκτυα. Επιλέγεται το δίκτυο με τις καλύτερες επιδόσεις και χρησιμοποιείται για την αυτόματη επιλογή των συμβάντων πρώτης άφιξης σε σεισμικά δεδομένα. Χρησιμοποιώντας την έξοδο του νευρικού δικτύου έναντι της εξόδου από έναν έμπειρο χρήστη, προκύπτουν χρήσιμα συμπεράσματα.
Έχοντας ένα μεγαλύτερο σύνολο δεδομένων εισόδου βελτιώνεται η απόδοση του δικτύου και ο αριθμός των κόμβων συμβάλλει θετικά στα αποτελέσματα, αλλά μετά από ένα συγκεκριμένο σημείο δεν υπάρχει περαιτέρω βελτίωση.

Abstract
The time of the first-arrival in seismic data, is essential for performing refraction statics computations or diving-wave tomography calculations. Picking first-arrival times, is a pattern recognition problem and, as such, involves a substantial amount of human effort.
Furthermore, with the number of seismic sensors growing, it is becoming increasingly difficult for analysts to pick seismic phases both, manually and comprehensively, yet such efforts are fundamental. Despite the improvements made in recent years with the automatic phase picking methods, it is still very difficult to match the performance of experienced analysts, with a subtler issue being the fact that, different seismic analysts may pick phases in different ways, which most of the times can introduce bias in the data. From the above it becomes obvious that a more reliable and accurate way of automated phase picking needs to be introduced.
With the use of neural networks becoming increasingly popular in geophysical applications, because of their abilities as universal approximators, they are tools that can approximate any continuous function with an arbitrary precision, and as such they make for a very promising way to automatically pick first break events and edit seismic trace data.
In this thesis, a number of seismic data is imported, edited and then a number of neural networks is trained. The best performing one is chosen and used to automatically pick first break events on seismic data. Using the neural network’s output against the output from an experienced user, useful conclusions are derived.
Having a larger input data set improves the output of the network and the number of nodes positively contributes to the output, but after a certain point there is no improvement.