《Earthquake Science》：Integrating surface and borehole sensing for accurate microseismic localization: A velocity-model-free deep learning approach
编辑推荐：
随着生产深度和压力的增加，微震监测与定位技术对于保障油气生产安全变得尤为重要。因此，研究人员建立了一个综合的井地与地面微震定位网络，专门用于精确定位页岩气开采诱发的微震事件。所提出的模型JGF-LocNet集成了卷积神经网络（CNNs）、Transformer
随着生产深度和压力的增加，微震监测与定位技术对于保障油气生产安全变得尤为重要。因此，研究人员建立了一个综合的井地与地面微震定位网络，专门用于精确定位页岩气开采诱发的微震事件。所提出的模型JGF-LocNet集成了卷积神经网络（CNNs）、Transformer、长短期记忆（LSTM）网络和图卷积网络（GCNs），以实时计算效率实现高精度事件定位，并紧密复现了QuakeMigrate参考目录。该方法在推理时无速度模型，但通过训练标签继承速度模型假设。与依赖速度模型的传统方法不同，研究人员的该方法仅需输入波形，使JGF-LocNet能在0.3秒内完成地震事件预测，定位误差小于40米。在两个未见阵列上的盲测证实，AE-P90增加低于10%，同时保持实时延迟。在训练样本充足的情况下，JGF-LocNet有望以最小误差实现快速、高精度定位。研究人员将所提出方法的计算效率和定位精度与传统方法及其他深度学习模型进行了对比分析。结果表明，所提方法在实时条件下最紧密地复现了QuakeMigrate参考目录，同时保持亚秒级延迟。鉴于高压、深部和复杂地质构造中动态灾害的频率和风险增加，研究人员的所提方法提供的诱发微震事件实时监测与精确定位对保障工业安全至关重要。
**论文解读文章**
**研究背景、问题及意义**
在页岩气开采中，微震定位技术对监测水力压裂过程中裂缝扩展、评估地层稳定性及预防诱发地震活动至关重要。传统微震定位方法（如迭代最小二乘法、源扫描算法、双差定位法）依赖精确的速度模型和初至拾取，在复杂或噪声数据中响应慢、精度受限，难以满足实时监测需求。深度学习虽在微震定位中展现出潜力，但现有模型仍面临计算负荷、物理模型依赖性及模型可扩展性之间的平衡问题，且多采用单一传感器类型。为此，研究人员提出JGF-LocNet模型，旨在融合地表三分量台站和井下分布式声波传感（DAS）数据，在推理阶段无需速度模型，仅从波形直接学习，实现高精度、实时微震定位。该研究对提升页岩气开采安全、优化压裂效率及降低环境风险具有重要意义，论文发表在《Earthquake Science》。
**主要技术方法**
研究人员采用的数据来源于中国四川泸州页岩气田，部署了40个短周期地震仪和3口光纤监测井（Fiber-1至Fiber-3），构建了井地联合监测系统（每系统包括5个地表台站和20个DAS通道）。关键技术方法包括：Conv3D模块提取地表三分量数据的时空特征；Transformer编码器建模长距离依赖；LSTM处理井下DAS时序数据；自适应邻接矩阵生成器基于台站位置动态构建图结构（涵盖地表台站间的Delaunay三角剖分、地表-光纤跨网络连接及光纤链式连接）；异构图卷积（HetGCN）处理三类边（地表-地表、光纤-光纤、跨设备）以捕获复杂空间依赖；回归头输出三维坐标。训练标签由QuakeMigrate基于速度模型生成，训练集通过合成数据增强（扩展至7084个事件）解决类别不平衡。
**研究结果**
**4.1 Fiber-1监测系统的训练与测试结果**
研究人员在Fiber-1系统上训练JGF-LocNet，采用Adam优化器（初始学习率0.0001）、ReduceLROnPlateau回调及早停机制，经150轮训练后验证准确率达0.95。测试集定位误差分析显示：水平误差（HE）主要集中在0–30米，深度误差（DE）集中在0–15米，绝对误差（AE）集中在0–40米，表明模型在水平和深度方向均具有高精度。
**4.2 泛化至Fiber-2和Fiber-3监测系统**
研究人员将Fiber-1训练好的权重直接用于Fiber-2（615个事件）和Fiber-3（712个事件）的盲测，无需重新训练。结果表明：Fiber-2的HE均值31.4米、DE均值12.7米、AE均值35.1米；Fiber-3的HE均值33.6米、DE均值13.5米、AE均值37.2米。Levene方差检验显示Fiber-2和Fiber-3的AE离散度显著大于Fiber-1，但Mann-Whitney U检验表明Fiber-1与Fiber-2的中位AE无显著差异（p=0.102），而Fiber-3有轻微增大（p=0.002）。所有区域单事件推理时间固定为0.26秒，保持实时性能。
**5.1 不同采样方法的效果分析**
研究人员比较了非过采样（原始1444样本）、过采样（每网格扩至308样本）和数值模拟数据增强（7084样本）的影响。非过采样因类别偏差导致准确率仅79%；过采样通过复制样本缓解不平衡，准确率提升至86%，但存在过拟合风险；数值模拟数据增强通过引入物理约束的多样本，损失收敛最快（第60轮），最终准确率超过95%，显示出最佳泛化能力。
**5.2 JGF-LocNet与传统物理驱动方法的比较**
在统一盲测池（Fiber-1至Fiber-3的313个事件）上，JGF-LocNet的AE均值为34.6米、AE-P90为59.4米，优于REAL（AE-mean=36.1米）、hypoDD（37.9米）和SSA（41.7米）。推理时间上，JGF-LocNet为0.26秒/事件，比REAL快24倍以上，比hypoDD快6倍，比SSA快三个数量级，证明其兼顾精度与实时性。
**5.3 JGF-LocNet与其他深度学习模型的定位精度比较**
研究人员对比了FCNN、LSTM-FCNN、注意力增强LSTM-FCNN和JGF-LocNet在统一盲测池上的表现。JGF-LocNet在所有区域保持最低尾误差（AE-P90≤64米），而FCNN为67.4米、LSTM-FCNN为64.3米、注意力LSTM-FCNN为62.2米。尽管JGF-LocNet模型最复杂（含CNN、Transformer、LSTM、HetGCN），推理时间260毫秒仍属实时，且精度提升8–12米，凸显多模态融合优势。
**5.4 HetGCN在微震定位中的优势与挑战**
HetGCN通过三种异质边（地表Delaunay连接、地表-光纤空间连接、光纤链式连接）灵活建模传感器间的异质空间关系，有效捕获地震波沿不同传播路径的变化，提升定位精度。然而，其计算复杂度随数据规模增大而增加，且性能依赖于训练数据的空间覆盖质量。未来需优化图卷积效率、融入物理约束及数据增强以增强鲁棒性。
**讨论与结论**
讨论部分强调了JGF-LocNet在速度模型依赖、数据增强策略及横向对比中表现出的综合优势。模型在推理阶段无需速度模型，通过端到端学习直接输出定位，在复杂地质环境中更具适应性。同时，数值模拟数据增强显著提升了模型在类别不平衡下的表现。与物理方法及深度学习基线相比，JGF-LocNet在精度和实时性间取得了最佳平衡。HetGCN模块虽有效，但计算开销需进一步优化。
**结论翻译**
JGF-LocNet通过集成CNN、LSTM、Transformer和GCN，在微震定位中展现出卓越性能，显著提升了定位精度和效率。该模型有效结合了地表台站与井下DAS的空间关系，同时提取时间序列信号的局部特征并将高维特征映射至三维震源位置。在复杂地质条件下，JGF-LocNet大幅降低了定位误差。实验表明，JGF-LocNet的水平误差、深度误差和绝对误差分别达到30米、10米和40米以内，预测时间低于0.3秒，优于传统算法。此外，通过过采样策略，JGF-LocNet在处理样本不平衡问题时保持高效训练和泛化能力，确保模型稳定性。未来，JGF-LocNet可广泛应用于煤矿灾害预警、油气藏监测及地下工程安全评估，为复杂环境下的微震监测提供高效可靠的解决方案。该模型采用纯数据驱动方法，避免了物理速度模型依赖（推理阶段无速度模型，但通过训练标签继承速度模型假设），在复杂地质环境中具有优势。未来研究应考虑将物理模型与数据驱动方法结合，以进一步提升模型在复杂地质环境中的稳健性。
