Distributed acoustic sensing is a growing technology that enables affordable downhole recording of strain wavefields from microseismic events with spatial sampling down to ∼1 m. Exploiting this high spatial information density motivates different detection approaches than typically used for downhole geophones. A new machine learning method using convolutional neural networks is described that operates on the full strain wavefield. The method is tested using data recorded in a horizontal observation well during hydraulic fracturing in the Eagle Ford Shale, Texas, and the results are compared to a surface geophone array that simultaneously recorded microseismic activity. The neural network was trained using synthetic microseismic events injected into real ambient noise, and it was applied to detect events in the remaining data. There were 535 detections found and no false positives. In general, the signal‐to‐noise ratio of events recorded by distributed acoustic sensing was lower than the surface array and 368 of 933 surface array events were found. Despite this, 167 new events were found in distributed acoustic sensing data that had no detected counterpart in the surface array. These differences can be attributed to the different detection threshold that depends on both magnitude and distance to the optical fibre. As distributed acoustic sensing data quality continues to improve, neural networks offer many advantages for automated, real‐time microseismic event detection, including low computational cost, minimal data pre‐processing, low false trigger rates and continuous performance improvement as more training data are acquired.

中文翻译：

---

卷积神经网络用于井下分布式声感测数据的自动微地震检测以及与地面地震检波器阵列的比较

分布式声波传感技术是一项正在发展的技术，它能够以可承受的价格在井下记录微地震事件产生的应变波场，并进行低至1 m的空间采样。利用这种高空间信息密度可以激发不同于通常用于井下地震检波器的检测方法。描述了一种使用卷积神经网络的新机器学习方法，该方法在全应变波场上运行。该方法是使用德克萨斯州Eagle Ford页岩水力压裂过程中在水平观察井中记录的数据进行测试的，并将结果与​​同时记录微地震活动的地面地震检波器阵列进行比较。使用注入到实际环境噪声中的合成微地震事件对神经网络进行训练，并将其用于检测剩余数据中的事件。发现535次检测，没有误报。通常，通过分布式声学感测记录的事件的信噪比低于表面阵列，并且发现933个表面阵列事件中的368个。尽管如此，在分布式声感测数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。通常，通过分布式声波感测记录的事件的信噪比低于表面阵列，并且发现933个表面阵列事件中的368个。尽管如此，在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。通常，通过分布式声波感测记录的事件的信噪比低于表面阵列，并且发现933个表面阵列事件中的368个。尽管如此，在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。分布式声波感测记录的事件的信噪比低于表面阵列，发现933个表面阵列事件中的368个。尽管如此，在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。分布式声波感测记录的事件信噪比低于表面阵列，发现933个表面阵列事件中的368个。尽管如此，在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。在分布式声学传感数据中发现了167个新事件，在表面​​阵列中未检测到对应事件。这些差异可以归因于不同的检测阈值，该阈值取决于光纤的大小和距离。随着分布式声学传感数据质量的不断提高，神经网络为自动实时微地震事件检测提供了许多优势，包括计算成本低，数据预处理量少，错误触发率低以及随着获取更多训练数据而不断提高性能。