УДК 004.032.26:550.34.064

О возможности применения

искусственных нейронных сетей

в задачах сейсмического мониторинга

1 Геологический институт Кольского научного центра РАН, г. Апатиты, Россия

2 Кольский филиал Федерального исследовательского центра «Единая геофизическая служба РАН»,

г. Апатиты, Россия

E-mail: han_a_e@mail.ru

Аннотация

Настоящая работа посвящена рассмотрению возможностей применения искусственных нейронных сетей (ИНС) для сейсмического мониторинга, под которым понимается задача обнаружения и распознавания сейсмических событий с последующей оценкой природы и причины их возникновения. Задача эта не всегда имеет эффективное решение с применением известных методов аналитического и численного моделирования. Поэтому автором рассмотрена возможность применения ИНС для ее решения. Этот подход пользуется определенным интересом в научной литературе, и ему посвящен целый ряд публикаций. В данной работе автором сделана попытка со своих позиций обобщить и систематизировать основные сведения о нейронных сетях, их устройстве и принципах работы. В статье структурированы принципы обработки данных нейронными сетями. В качестве базовой единицы ИНС взят слой, что упрощает понимание структуры и принципов работы ИНС и может быть особенно полезно при решении прикладных задач. Прикладная часть работы посвящена особенностям применения нейронных сетей в задачах сейсмического мониторинга. Приведены основные типы данных, характерные для задач сейсмического мониторинга. Рассмотрены особенности их использования в нейронных сетях. В заключительной, третьей части работы приведен пример практического использования нейронной сети для задачи обнаружения ложных сейсмических событий. На основе перцептрона автором построен нейронный классификатор, с помощью которого выполнен поиск ложных срабатываний детектора слабых сейсмических событий. Итоговая точность детектора составила 88 %. Таким образом, в работе показано на практическом примере, что несмотря на сравнительную простоту устройства ИНС, они способны решать сложные задачи сейсмического мониторинга при существенной экономии времени и затрат человеческого труда на подготовку и обработку сейсмических данных.

Ключевые слова: нейронные сети, сейсмический мониторинг, сейсмические данные, классификация

Цитируйте эту статью как: Ганнибал А.Е. О возможности применения искусственных нейронных сетей в задачах сейсмического мониторинга // Сейсмические приборы. 2018. Т. 54, № 3. C.5–21. DOI: 10.21455/si2018.3-1

Литература

Асминг В.Э., Фёдоров А.В. Возможности применения автоматического детектора-локатора сейсмических событий по одиночной станции для детальных сейсмологических наблюдений // Сейсмические приборы. 2014. Т. 50, № 3. С.19–29.

Кислов К.В., Гравиров В.В. Использование искусственных нейронных сетей в классификации зашумленных сейсмических сигналов // Сейсмические приборы. 2016. Т. 52, № 2. С.46–64.

Кислов К.В., Гравиров В.В. Глубокие искусственные нейронные сети как инструмент анализа сейсмических данных // Сейсмические приборы. 2017. Т. 53, № 1. С.17–28.

Cho K., van Merrienboer B., Gulcehre C., Bahdanau D., Bougares F., Schwenk H., Bengio Y. Learning Phrase Representation susing RNN Encoder-Decoder for Statistical Machine Translation // Conference on Empirical Methods in Natural Language Processing (EMNLP). 2014. P.1724–1734.

Dozat T. Incorporating Nesterov Momentum into Adam // ICLR Workshop. 2016. https://openreview.net/pdf?id=OM0jvwB8jIp57ZJjtNEZ

Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization // Journal of Machine Learning Research. 2011. V. 12. P.2121–2159.

Hinton G.E. Deep belief networks // Scholarpedia. 2009. V. 4, N 5. P.5947.

Hinton G.E., Salakhutdinov R.R. Reducing the Dimensionality of Data with Neural Networks // Science. 2006. V. 313, N 5786. P.504–507.

Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9, N 8. P.1735–1780.

Kingma D.P., Ba J.L. Adam: a method for stochastic optimization // 3rd International Conference on Learning Representations. San Diego, 2015. P. 1–13. https://arxiv.org/abs/1412.6980

Kortström J., Uski M., Tiira T. Automatic classification of seismic events within a regional seismograph network // Computers & Geosciences. 2016. V. 87. P.22–30.

LeCun Y., Denker J.S., Solla S.A. Optimal brain damage // Advances in neural information processing systems. 1989. V. 2. P.598–605.

LeCun Y., Léon B., Yoshua B., Patrick H. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86, N 11. P.2278–2324.

Lee H., Grosse R., Ranganath R., Ng A.Y. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations // ICML. 2009. P.609–616.

Lin M., Chen Q., Yan S. Network in network // ICLR. 2014. https://arxiv.org/abs/1312.4400

McCulloch W., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. 1943. P.115–133.

Nocedal J., Liu D.C. On the limited memory BFGS method for large scale optimization // Mathematical Programming. 1989. V. 45. P.513–528.

Quang D., Xie X. DanQ: a hybrid convolutional and recurrent deep neural network for quantifying the function of DNA sequences // Nucleic Acids Res. 2016. V. 44, N 11. P. e107.

Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. V. 323, N 6088. P.533–536.

Shelhamer E., Long J, Darrell T. Fully convolutional networks for semantic segmentation // PAMI. 2016. V. 39, N 4. P.640–651.

Szegedy C., Zaremba W., Sutskever I., Bruna J., Erhan D., Goodfellow I., Fergus R. Intriguing Properties of Neural Networks // ICLR. 2014. https://arxiv.org/abs/1312.6199

Tieleman T., Hinton G.E. Lecture 6.5 – RmsProp: Divide the gradient by a running average of its recent magnitude // COURSERA: Neural Networks for Machine Learning, 2012. V. 4. P.26–31.

Wu Y., Schuster M., Chen Z., Le Q.V., Norouzi M., Macherey W., Krikun M., Cao Y., Gao Q., Macherey K., Klingner J., Shah A., Johnson M., Liu X., Kaiser Ł., Gouws S., Kato Y., Kudo T., Kazawa H., Stevens K., Kurian G., Patil N., Wang W., Young C., Smith J., Riesa J., Rudnick A., Vinyals O., Corrado G., Hughes M., Dean J. Google’s neural machine translation system: Bridging the gap between human and machine translation // ICLR. 2016. https://arxiv.org/ abs/1609.08144

Zeiler M.D. ADADELTA: An adaptive learning rate method // ICLR. 2012. https://arxiv.org/ abs/1212.5701

Сведения об авторе

ГАННИБАЛ Андрей Евгеньевич – аспирант, Геологический институт Кольского научного центра РАН, 184209, Мурманская обл., г. Апатиты, ул. Ферсмана, д. 14; стажер-исследователь, Кольский филиал Федерального исследовательского центра “Единая геофизическая служба РАН”, 184209, г. Апатиты Мурманской обл., ул. Ферсмана, д. 14. E-mail: han_a_e@mail.ru

METADATA IN ENGLISH

About the journal

SEISMICHESKIE PRIBORY, ISSN: 0131-6230, eISSN: 2312-6965, DOI: 10.21455/si,

http://elibrary.ru/title_about.asp?id=25597

English Translation: Seismic Instruments, ISSN: 0747-9239 (Print) 1934-7871 (Online),

https://link.springer.com/journal/11990

On the possibility of using artificial neural networks

in seismic monitoring tasks

A.E. Hannibal1,2

1 Geological Institute of the Kola Science Centre RAS, Apatity, Russia

2 Kola Branch of Geophysical Survey RAS, Apatity, Russia

E-mail: han_a_e@mail.ru

Abstract. The present paper is dedicated to the possibility of application of the artificial neural networks (ANN) approach to the seismic monitoring, which is understood as the task of detection and recognition of seismic events with subsequent assessment of their nature and cause. This task does not always have an effective solution, using conventional methods of analytical and numerical modeling. Therefore, the author considers the possibility of using ANN to solve it. This approach takes a certain interest in the scientific literature and a number of publications are devoted to it. In this paper, the author made an attempt to generalize and systematize the basic knowledge about neural networks, their design and working principles from his position. The principles of data processing by neural networks are structured in the article. As a basic unit of ANN, a layer is taken, which simplifies the understanding of the structure and principles of the ANN and can be especially useful in solving applied problems. The application part of the work is devoted to the peculiarities of using neural networks in seismic monitoring tasks. The main types of data typical for seismic monitoring tasks are given. Their application features in neural networks are considered. In the final, third part of the work, an example of the practical use of a neural network for the task of detecting false seismic events is given. The author built a neural classifier based on the perceptron. With it, the search for false alarms of the detector of weak seismic events was performed. The final accuracy of the detector was 88 %. Thus, the work shows by practical example that despite the comparative simplicity of the ANN, they are able to solve complex problems of seismic monitoring with significant saving of time and human labor for the preparation and processing of seismic data.

Keywords: neural networks, seismic monitoring, seismic data, classification.

About the author

HANNIBAL Andrey Evgenyevich – postgraduate student, Geological Institute of the Kola Science Centre RAS, 184209, Apatity, Murmansk reg., St. Fersmana 14; research intern, Kola Branch of Geophysical Survey RAS, 184209, Apatity, Murmansk reg., St. Fersmana, 14. E‑mail: han_a_e@mail.ru

Cite this article as: Hannibal A.E. On the possibility of using artificial neural networks in seismic monitoring tasks. Seismicheskie Pribory, 2018, Vol. 54, no. 3. pp. 5–21. (in Russian). DOI: 10.21455/si2018.3-1

English translation of the article will be published in Seismic Instruments, ISSN: 0747-9239 (Print) 1934-7871 (Online), https://link.springer.com/journal/11990), 2019, Volume 55, Issue 3.