機器學習於DAS振動訊號監測之應用
古進上 中央研究院地球科學研究所
doi: 10.30067/TECNL.202306_(40).0001
Distributed acoustic sensing (DAS)是地震學中新穎的觀測技術，藉由量測光纖上每一段距離(以幾公尺為間隔)的動態應變，搭配資料的高取樣率，DAS相較於傳統的地震儀器能夠在空間及時間上提供更高解析度的資訊。中央研究院地球科學研究所及國立中央大學地震災害鏈風險評估及管理研究中心於2021年聯合提出米崙斷層鑽井及井下監測計畫(Milun fault Drilling and All-inclusive Sensing Project; MiDAS)，此計畫在該區域進行一系列地質、地球物理及地球化學等採樣及觀測實驗，其中也包含DAS的觀測。
MiDAS於2021年底安裝井下光纖並進行DAS連續觀測。本研究利用DAS資料在時空上高解析的特性，去檢視MiDAS於井下光纖安裝後所記錄到的特殊振動訊號(tremors)。首先將光纖上各節點所收錄到的波形資料轉換為一張對時間及深度分佈的二維圖形，接著利用機器學習圖形辨識方法(YOLOv4; Bochkovskiy et al., 2020)去訓練模型並檢測此類訊號發生在連續記錄的時間與位置(深度)；機器學習過程及圖形辨識結果範例請參考圖一。經過分析2022/01-2022/03連續三個月的DAS資料，發現tremors發生的次數於2022年1月後半段有巨幅降低的情況，且tremors大部分落於深度280-350公尺附近(圖二)；由於光纖佈放後的井底灌漿工程於深度350公尺上下採用不同比重的水泥漿，因此初步判定此類特殊訊號與井內水泥灌漿及其後續凝固有關，但其產生應力變的實際機制仍有待後續進一步探討。此研究成功利用圖形辨識方法進行訊號辨識，未來可進一步利用此方法進行區域微震活動或其他地動訊號之監測。
圖一、(a)為YOLOv4訓練的過程，橫軸代表訓練次數，總訓練次數為6000代；縱軸為Loss值，其值愈低代表訓練的成果愈佳。圖上藍色點代表Loss值，紅線則代表訓練過程中圖形辨識的mAP值(所偵測物件的average precision的平均值，請詳見Bochkovskiy et al., 2020)。(b) 為圖形辨識結果的一個範例，其中橫軸代表深度，由左至右代表井深從0到700公尺；縱軸代表時間，由上到下為0到20秒。圖上紅框則代表在這20秒內被辨識出來的振動訊號，旁邊的數字則代表辨識的信賴度。
圖二、此圖為統計利用井下光纖連續三個月DAS資料進行圖形辨識的結果(2022/01 – 2022/03)。上圖為每小時偵測到tremors的累積數量；下圖則為在不同深度上所偵測到tremors的累積數量之分佈結果。
參考文獻
Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection, arXiv:2004.10934. https://doi.org/10.48550/arXiv.2004.10934