ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2026. №7

УДК: 550.34.01

Повышение помехоустойчивости детектирования

микросейсмических событий на данных DAS

на основе гибридного подхода MLE и модели U-Net

Б.В. Емельянов ¹, О.Н. Шерстюков ¹, В.А. Рыжов ²

¹ Казанский (Приволжский) федеральный университет,

420008, Казань, ул. Кремлевская, д. 18

² ООО «Призмагео», 42003, Казань, ул. Серова, д. 51/11

Статья поступила в редакцию 4 июня 2026 г.

Аннотация. Работа посвящена разработке автоматизированного метода детектирования и пространственной локализации микросейсмических событий по скважинным данным распределенного акустического зондирования. Цель исследования состоит в повышении устойчивости обнаружения слабых событий в условиях интенсивных нестационарных и пространственно-коррелируемых помех. Методическая основа включает формирование базы синтетических микросейсмических сигналов с варьируемыми параметрами источника и уровнем сигнал-шум с их последующей интеграцией в реальные шумовые записи для имитации полевых условий. Первичная оценка пространственно-временных параметров источника выполняется методом максимального правдоподобия с построением трехмерных массивов, описывающих распределение значений решающей функции в координатах глубина-радиус-время. На основе этих массивов разработана и обучена нейросетевая модель типа кодировщик-декодировщик, предназначенная для уточнения координат события и подавления влияния сложной структуры шума. Обучение и тестирование выполнены на обучающей, валидационной и независимой тестовой выборках с использованием регрессионных и классификационных метрик качества. Полученные результаты демонстрируют снижение среднего абсолютного и квадратичного отклонений координат локализации, а также рост согласованности классификации по сравнению с применением только пороговой обработки функции правдоподобия. Показано, что предложенный гибридный подход обеспечивает повышение вероятности обнаружения слабых микросейсмических событий при одновременном сокращении числа ложных срабатываний в условиях реальных скважинных шумов.

Ключевые слова: DAS, микросейсмический мониторинг, MLE, U-Net.

Автор для переписки: Емельянов Булат Владимирович, emelyanov.bulat.91@mail.ru

Литература

1. Hartog A.H. An introduction to distributed optical fibre sensors. – Boca Raton : CRC Press, 2017. – 440 p.

2. Lindsey N.J., Rademacher H., Ajo-Franklin J.B. On the broadband instrument response of DAS systems // Journal of Geophysical Research: Solid Earth. – 2020. – Vol. 125, No. 2. – P. e2019JB018145.

3. Mateeva A., Lopez J., Potters H., Mestayer J., Cox B., Kiyashchenko D., Wills P., Grandi S. Distributed acoustic sensing for reservoir monitoring with vertical seismic profiling // Geophysical Prospecting. – 2014. – Vol. 62, No. 4. – P. 679–692.

4. Karrenbach M., Cole S., Ridge A., Boone K., Kahn D. Fiber-optic distributed acoustic sensing of microseismicity // The Leading Edge. – 2019. – Vol. 38, No. 8. – P. 636–642.

5. Li Z., Zhan Z. Pushing the limit of earthquake detection with DAS // Geophysical Journal International. – 2020. – Vol. 221, No. 2. – P. 1343–1359.

6. Daley T.M., Miller D.E., Dodds K., Cook P., Freifeld B. Field testing of distributed acoustic sensing for subsurface monitoring // Geophysics. – 2013. – Vol. 78, No. 2. – P. O1–O13.

7. Allen R.V. Automatic earthquake recognition and timing from single traces // Bulletin of the Seismological Society of America. – 1978. – Vol. 68, No. 5. – P. 1521–1532.

8. Neidell N.S., Taner M.T. Semblance and other coherency measures for multichannel data // Geophysics. – 1971. – Vol. 36, No. 3. – P. 482–497.

9. Tarantola A. Inverse problem theory and methods for model parameter estimation. – Philadelphia : SIAM, 2005. – 342 p.

10. Yu P., Zhang H., Li X., Chen Y. DASEventNet: AI-based microseismic detection using DAS data // IEEE Transactions on Geoscience and Remote Sensing. – 2024. – Vol. 62. – Art. 5500915.

11. Wamriew D., Saad O.M., Kuleli H.S. Deep neural networks for microseismic detection and location // Sensors. – 2021. – Vol. 21, No. 3. – P. 830.

12. Perol T., Gharbi M., Denolle M. Convolutional neural network for earthquake detection // Science Advances. – 2018. – Vol. 4, No. 2. – eaao1048.

13. Zhu W., Beroza G.C. PhaseNet: a deep-neural-network-based seismic arrival-time picking method // Geophysical Journal International. – 2019. – Vol. 216, No. 1. – P. 261–273.

14. Birialtsev E., Demidov D., Mokshin E. Determination of moment tensor and location of microseismic events under conditions of highly correlated noise based on the maximum likelihood method // Geophysical Prospecting. – 2017. – Vol. 65, No. 1. – P. 1–17.

Для цитирования:

Емельянов Б.В., Шерстюков О.Н., Рыжов В.А. Повышение помехоустойчивости детектирования микросейсмических событий на данных DAS на основе гибридного подхода MLE и модели U-Net // Журнал радиоэлектроники. – 2026. – №. 7. https://doi.org/10.30898/1684-1719.2026.7.8