Blog

Nov 29, 2023

Física

Scientific Reports volumen 13, Número de artículo: 13133 (2023) Cita este artículo 6798 Accesos 3 Detalles de Altmetric Metrics Pronóstico a corto plazo de la magnitud máxima estimada (\({\widehat{M}}_{max}\))

Scientific Reports volumen 13, número de artículo: 13133 (2023) Citar este artículo

6798 Accesos

3 altmétrico

Detalles de métricas

El pronóstico a corto plazo de la magnitud máxima estimada (\({\widehat{M}}_{max}\)) es crucial para mitigar los riesgos de sismicidad inducida durante la estimulación de fluidos. La mayoría de los métodos anteriores requieren datos de inyección en tiempo real, que no siempre están disponibles. Este estudio propone dos enfoques de aprendizaje profundo (DL), junto con dos métodos de partición de datos, que se basan únicamente en patrones de sismicidad anteriores. El primer enfoque pronostica \({\widehat{M}}_{max}\) directamente usando DL; el segundo incorpora restricciones físicas mediante el uso de DL para pronosticar la tasa de sismicidad, que luego se usa para estimar \({\widehat{M}}_{max}\). Estos enfoques se prueban utilizando un conjunto de datos de monitoreo de fracturas hidráulicas del oeste de Canadá. Encontramos que el DL directo aprende de patrones de sismicidad anteriores para proporcionar un pronóstico preciso, aunque con un retraso que limita su utilidad práctica. El enfoque basado en la física pronostica con precisión los cambios en la tasa de sismicidad, pero a veces subestima (o sobreestima) \({\widehat{M}}_{max}\). Proponemos que una superación significativa de \({\widehat{M}}_{max}\) puede anunciar el inicio de una ruptura desbocada de la falla.

La fracturación hidráulica (HF), un método de estimulación de fluidos para mejorar la permeabilidad mediante la producción de fracturas en rocas reservorios de baja permeabilidad1, normalmente produce microterremotos (MEQ) con magnitud de momento MW < 0. Sin embargo, la HF también puede inducir terremotos moderados (MW > 4)2 ,3,4,5,6, que están asociados a la activación de fallas preexistentes7. Obtener una estimación probabilística de la mayor magnitud esperada del evento (\({\widehat{M}}_{max}\)) para una determinada operación de HF es importante para la evaluación de peligros8 y podría informar estrategias proactivas de mitigación en tiempo real para la sismicidad inducida que son necesarios en algunos sistemas de seguimiento avanzados9,10.

Se han desarrollado varios enfoques para estimar \({\widehat{M}}_{max}\) para la sismicidad inducida por fluidos. Por ejemplo, la distribución esperada de las magnitudes de los terremotos se puede expresar en términos del volumen neto de fluido inyectado (∆V) y el índice sismogénico (∑), un parámetro sismotectónico propuesto para un área específica que caracteriza el nivel esperado de actividad sísmica en respuesta al fluido. inyección11. Esta expresión se ha utilizado para desarrollar una estimación probabilística de la magnitud máxima12, que escala linealmente con log10 ∆V. La misma relación de escala volumétrica se ha obtenido utilizando un enfoque teórico diferente, basado en el criterio de equilibrio de fisuras de Griffith13. Aquí, la estimación de magnitud máxima se aplica al caso de ruptura detenida, un concepto en el que la zona de ruptura de la falla se limita a una región subsuperficial en la que la presión se ve perturbada por la inyección de fluido. Este concepto también se ha utilizado para desarrollar una restricción geométrica para la magnitud máxima, basada en la distribución espacial de los MEQ14. En otra formulación, el momento sísmico máximo esperado para un terremoto inducido por inyección se expresa como el producto del módulo de corte del medio y el volumen neto del fluido inyectado15. Con la excepción del enfoque geométricamente restringido14, que requiere que se determinen las ubicaciones de los hipocentros del MEQ, todos estos métodos utilizan el volumen neto inyectado ∆V como parámetro para estimar \({\widehat{M}}_{max}\).

Durante las operaciones de HF, las observaciones sísmicas se pueden utilizar para identificar MEQ operativos1, así como eventos sísmicos inducidos que ocurren en fallas cercanas16,17,18,19. Los MEQ operativos generalmente ocurren en grupos que se extienden más allá del pozo, generalmente perpendiculares a la dirección del esfuerzo horizontal mínimo20,21. En algunos casos, una falla reactivada se caracteriza por un retraso en la ocurrencia del evento en relación con el tiempo de inicio de una etapa de inyección, junto con una orientación oblicua de los grupos de sismicidad con respecto a las direcciones principales de tensión16,17,18,19. La reactivación de fallas suele estar marcada por un aumento en la tasa de sismicidad, acompañado por una disminución en el valor b de Gutenberg-Richter22,23. Aunque estos cambios en el patrón espaciotemporal de la sismicidad pueden ser sutiles, su detección mediante métodos de aprendizaje profundo (DL) podría proporcionar una vía para mejorar la previsión a corto plazo.

Li et al.24 desarrollaron un método para la previsión operativa en tiempo real de \({\widehat{M}}_{max}\) durante la estimulación. Su método estima el índice de eficiencia sísmica (SER), una fracción determinada empíricamente del momento sísmico acumulativo máximo esperado en función del volumen inyectado25. El SER se calibra durante una ventana de tiempo inicial del programa de inyección y, posteriormente, se supone que el momento sísmico máximo disponible es la diferencia entre el momento sísmico proyectado utilizando el SER y el momento sísmico acumulativo observado. Al igual que otros métodos discutidos anteriormente, una desventaja de este enfoque es que requiere acceso a datos volumétricos de inyección en tiempo real, que pueden no estar disponibles para un observador independiente.

Para superar esta limitación, proponemos dos enfoques DL para el pronóstico a corto plazo de la magnitud máxima esperada (\({\widehat{M}}_{max})\) de eventos sísmicos inducidos durante la fracturación hidráulica. El primer enfoque pronostica \({\widehat{M}}_{max}\) directamente usando DL. El segundo enfoque, al que nos referimos como DL basado en física, utiliza DL para pronosticar la tasa de sismicidad y luego estima \({\widehat{M}}_{max}\) utilizando una formulación propuesta por Van der Elst et al. 12. Este enfoque utiliza el valor de máxima verosimilitud de \({\widehat{M}}_{max}\) y su distribución de probabilidad asociada, suponiendo que las magnitudes de los terremotos siguen la relación Gutenberg-Richter (GR). Se basa en la determinación del número de eventos observados (Nc) dentro de una determinada ventana de tiempo que caen por encima de la magnitud de completitud (Mc) y la pendiente de la distribución semilogarítmica magnitud-frecuencia (valor b) de la relación GR. Para permitir que los modelos DL aprendan patrones temporales y tendencias en los datos de sismicidad, investigamos dos métodos de partición de datos para obtener muestras de datos secuenciales para entrenamiento y pruebas.

Para probar nuestros métodos, utilizamos observaciones de sismicidad inducida que se produjeron durante el tratamiento con HF de cuatro pozos horizontales que fueron estimulados en 2016, durante un período de cuatro semanas26. Primero se estimuló el pozo C (Fig. 1), en una serie de etapas de norte a sur, seguido de los pozos A, B y D, que se estimularon simultáneamente utilizando un esquema de fractura en cremallera1. Para el conjunto de datos de entrenamiento, utilizamos MEQ que ocurrieron durante HF del pozo C. Los eventos que ocurrieron durante HF de los pozos A, B y D proporcionan el conjunto de datos de prueba para los modelos DL. La tasa de sismicidad horaria varió entre 0 y 60 eventos por encima de la magnitud de completitud por hora, con una magnitud máxima observada de MW 3,1 (ver “Métodos”).

Conjunto de datos de sismicidad inducida: (a) Epicentros de eventos sísmicos para el período de entrenamiento, coloreados según el tiempo de ocurrencia. Cuatro pozos horizontales, perforados a ~ 3,4 km de profundidad, se muestran como líneas negras continuas. (b) Como en (a), pero para el período de prueba. (c) Tasa de sismicidad horaria. (d) Magnitud de momento máxima durante ventanas de tiempo de 1 h en movimiento.

Aplicamos modelos DL directo y DL basado en física (PIDL) para pronosticar el valor de máxima verosimilitud de \({\widehat{M}}_{max}\). Los datos de entrada de series temporales se generan a partir del catálogo de sismicidad utilizando dos métodos diferentes de partición de datos. El método 1 escanea el catálogo utilizando una ventana de tiempo móvil de duración fija con un paso de tiempo regular. El parámetro de interés, es decir, el número de eventos sísmicos para el modelo PIDL y la magnitud máxima para el modelo DL directo, se determina dentro de cada marco de ventana móvil. El método 2 utiliza un enfoque acumulativo, donde el tamaño de la ventana aumenta progresivamente según una duración fija en cada paso. Utilizamos una arquitectura de red de perceptrones multicapa para ambos modelos DL. Se trata de un tipo de red neuronal artificial de alimentación directa totalmente conectada con activación por umbral ("Métodos"). En el caso del DL directo, el resultado es la magnitud máxima prevista. En el caso del modelo PIDL, para determinar el valor de máxima verosimilitud de \({\widehat{M}}_{max}\) hacemos un pronóstico probabilístico a corto plazo (unas pocas horas) utilizando la formulación in12, como función del número de eventos sísmicos y el valor b. Para ambos métodos de partición de datos, consideramos dos escenarios de valor b, uno en el que utilizamos el valor b estimado directamente de la ventana de tiempo actual y otro en el que fijamos b = 1 para aproximarnos a un escenario que involucra la activación de fallas22. En total, evaluamos seis enfoques distintos (Materiales complementarios, Tabla S1) que nos permiten comparar el DL directo con los modelos de DL basados ​​en la física, así como la influencia de los métodos de partición de datos y la elección del valor b.

Los resultados de los modelos DL directos para pronosticar \({\widehat{M}}_{max}\) se presentan en la Fig. 2. El primer método de partición de datos estima \({\widehat{M}}_{max} \) durante un período de 24 h, que se extiende desde 18 h antes de la hora actual hasta 6 h después de la hora actual, mientras que el segundo método de partición de datos utiliza un enfoque acumulativo para pronosticar \({\widehat{M}}_{ máx}\). En el último caso, el valor calculado de \({\widehat{M}}_{max}\) aumenta monótonamente y cubre una ventana de tiempo desde el inicio del análisis hasta 6 h antes de la hora actual. Ambos métodos de partición de datos exhiben un R2 más alto para el entrenamiento en comparación con el conjunto de prueba, lo que normalmente se espera. En general, los valores de R2 son cercanos a 1; sin embargo, cuando se produce un salto, hay un desfase de tiempo entre los valores observados y pronosticados, lo que refleja el predominio de observaciones pasadas incluidas en la ventana de tiempo de pronóstico. Este retraso limita la utilidad práctica de este enfoque DL directo para el pronóstico operativo a corto plazo de \({\widehat{M}}_{max}\).

Modelos DL directos. (a) Pronosticado \({\widehat{M}}_{max}\) para ventanas de tiempo de 24 h utilizando el método de ventana fija. Los símbolos azules representan la Mmax observada en cada ventana de tiempo. Los símbolos naranja y verde representan el \({\widehat{M}}_{max}\) pronosticado para conjuntos de datos de entrenamiento y prueba, respectivamente. Para mostrar la sismicidad con mayor resolución temporal, los puntos grises muestran la magnitud del momento máximo observado dentro de ventanas de tiempo móviles de 1 h. (b) Diagrama de dispersión que compara el pronóstico con el observado \({\widehat{M}}_{max}\) usando el método 1. (c,d) Como en (a,b), pero usando el método de partición de datos acumulativos.

En lugar de pronosticar directamente \({\widehat{M}}_{max}\), el enfoque basado en la física utiliza DL para pronosticar la tasa de sismicidad (representada aquí por el número de eventos por encima de la magnitud de completitud dentro de la ventana de tiempo actual , Nc), a partir del cual se estima \({\widehat{M}}_{max}\). La Figura 3 muestra la serie de tiempo para el valor observado de Nc y el valor pronosticado de \({\widehat{N}}_{c}\), para ambos métodos de partición de datos. En el caso del método de ventana fija, Nc fluctúa, como se esperaba para estimulaciones de HF que varían en ubicación e intensidad, mientras que para el método acumulativo, Nc y \({\widehat{N}}_{c}\) aumentan monótonamente. El valor R2 más alto para el método 2 refleja la preponderancia de datos anteriores dentro de la ventana de tiempo acumulada.

Pronóstico DL para un número de eventos \({\widehat{N}}_{c}\) por encima de la magnitud de completitud. (a) Método de ventana de tiempo fija para las ventanas de capacitación y prueba. (b) Diagrama de dispersión que compara el \({\widehat{N}}_{c}\) pronosticado con el Nc medido. (c,d) Como en (a,b) pero utilizando el método de partición de datos acumulativos.

Usando \({\widehat{N}}_{c}\), podemos calcular \({\widehat{M}}_{max}\) en función de la relación GR para diferentes opciones de valor b ("Materiales y métodos"). La Figura 4 muestra dos escenarios, uno que utiliza una estimación flotante de máxima verosimilitud del valor b27,28,29 para la ventana de tiempo actual, y otro con un valor fijo de b = 1 que es ampliamente representativo de la activación de la falla22. Para pronosticar \({\widehat{M}}_{max}\), el uso de un valor b fijo permite una respuesta más rápida con un margen de seguridad, ya que la determinación precisa de b requiere un tamaño de muestra relativamente grande (> 1000 MEQ)30. El método de ventana fija con una estimación flotante de b parece rastrear las fluctuaciones temporales para magnitudes sísmicas pequeñas (MW <2), pero no logra pronosticar eventos más grandes (Fig. 4a). Esto se puede mejorar fijando b a la unidad, lo que conduce a un pronóstico que se aproxima al límite superior para la mayoría de los eventos sísmicos pero aún no proporciona un pronóstico envolvente para los eventos más grandes observados. Para el método de partición de datos acumulativos, \({\widehat{M}}_{max}\) aumenta monótonamente con el tiempo (Fig. 4c), como se esperaba. En todos los casos, el pronóstico tiene un valor R2 bajo (Fig. 4b,d), lo que indica que para este enfoque el valor calculado no es adecuado para un pronóstico directo, aunque podría proporcionar un pronóstico de la envolvente de \({\widehat{ M}}_{máx}\).

Modelos DL (PIDL) basados ​​en la física para pronosticar \({\widehat{M}}_{max}\). (a) El modelo PIDL para pronosticar \({\widehat{M}}_{max}\) para ventanas de tiempo de 24 h utilizando valores b fijos (naranja) y flotantes (verde). Los símbolos azules representan la Mmax observada en cada ventana de tiempo. (b) Gráficos de dispersión de \({\widehat{M}}_{max}\) previsto frente a Mmax medido para el enfoque de ventana fija. (c,d) Como en (a,b) pero utilizando el método de partición de datos acumulativos.

La Figura 5 muestra los resultados de DL y PIDL, destacando la región de confianza del 95% para el cálculo de PIDL basado en la distribución de magnitud de GR12. Como se señaló anteriormente, el método DL proporciona un ajuste más cercano a la distribución de magnitud observada, pero un desfase temporal limita la utilidad de este enfoque para propósitos de pronóstico. En el caso de este experimento de campo26, un TLP estaba vigente en el momento del programa HF31, con un umbral de luz amarilla ML 2.0 que requería operaciones reducidas y un umbral de luz roja ML 4.0 que requería suspensión operativa. Según este TLP, la condición de luz amarilla se activó el 10/11/2016 y el 25/11/2016. No se superó el umbral de luz roja.

Comparación de modelos de aprendizaje profundo (PIDL) directo y basado en la física para la predicción \({\widehat{M}}_{max}\). (a). Cálculos de ventana fija, donde los símbolos azules muestran la magnitud máxima en ventanas de tiempo de 6 h y la región sombreada muestra una envolvente de pronóstico basada en una región de confianza del 95 % para la curva PIDL, suponiendo un valor b que varía en el tiempo. (b) Como en (a) para el enfoque acumulativo.

Los protocolos de semáforo (TLP) son un enfoque de control reactivo utilizado para mitigar los riesgos de sismicidad inducida basándose en umbrales de respuesta discretos que invocan una acción específica, como modificar (o suspender) la estimulación de HF ante la ocurrencia de eventos que exceden una magnitud específica1 . Utilizando este marco, recientemente se han introducido enfoques para mitigar el riesgo, en contraposición al peligro32. Aunque en muchas jurisdicciones se han implementado TLP para gestionar los riesgos de sismicidad inducida asociados con la fracturación hidráulica6,33 o sistemas geotérmicos mejorados34, sus supuestos subyacentes han sido cuestionados; por ejemplo, la mayoría de los TLP se basan en la suposición tácita de que eventos anómalos de mayor magnitud están precedidos por una sismicidad precursora más débil, o que la reducción de la inyección de fluido conducirá necesariamente a una reducción inmediata del nivel de sismicidad35,36. La aparición de sismicidad inducida por HF en presencia de un TLP muestra que estos supuestos no son universalmente aplicables37. Se han propuesto TLP adaptativos (o avanzados)9,10,24,38, pero estos métodos requieren acceso en tiempo real a los datos de estimulación, como la tasa de inyección. Dado que este tipo de datos no siempre está disponible en tiempo real para un observador independiente, aquí nos centramos en un enfoque puramente basado en datos.

Los cálculos PIDL de ventana fija (Fig. 5a) exhiben niveles fluctuantes de \({\widehat{M}}_{max}\) que proponemos podría servir como base para un tipo de sistema TLP adaptativo. Por ejemplo, según la región de confianza del 95% utilizando el enfoque PIDL de ventana fija, el umbral de luz amarilla se superó durante el período de entrenamiento el 1/11/2016 y se superó durante el período de prueba el 22/11/2016. . Si este criterio basado en PIDL se hubiera utilizado para desencadenar respuestas de TLP, habría proporcionado un pronóstico con varios días de antelación para aplicar la reducción operativa durante el período de prueba. Aunque se muestra el método PIDL de valor b flotante, esencialmente se aplicaría la misma notificación anticipada utilizando un valor fijo de b = 1 (Fig. S4), a pesar de su naturaleza más conservadora. El uso de un conjunto de datos de entrenamiento restringido a un solo pozo muestra además que esta notificación anticipada se extiende exitosamente a otros pozos y diferentes protocolos de inyección en el mismo entorno geológico, lo que sugiere que el enfoque PIDL de ventana fija tiene cierto grado de transferibilidad.

El fenómeno de ruptura descontrolada, en el que la región de deslizamiento de un terremoto inducido supera el área de falla perturbada durante la estimulación13, puede llevar a superar las magnitudes previstas7. En este escenario, la superficie máxima de deslizamiento está limitada por las dimensiones físicas de la falla en lugar de por los parámetros de estimulación12. Por ejemplo, el terremoto de 5,5 MW de Pohang en Corea de 2017 se ha citado como un ejemplo de ruptura desbocada39. Como se ilustra en la Fig. 5, ocurrieron cuatro eventos durante este programa de HF que exceden el rango de magnitud de la región de confianza del 95% según el enfoque PIDL de ventana fija. Como prueba de principio, interpretamos que tal exceso presagia el posible inicio de una ruptura desbocada de la falla; en consecuencia, un TLP adaptativo desarrollado utilizando este enfoque PIDL podría incorporar un umbral de luz roja utilizando este criterio en lugar de un nivel de magnitud fijo específico. Se necesitan más pruebas para establecer la solidez de esta observación.

En resumen, nuestros hallazgos proporcionan una prueba de principio de que un enfoque PIDL de ventana fija podría servir como base para un sistema TLP adaptativo. Si bien muchos estudios han explorado métodos para pronosticar la sismicidad inducida asociada con la actividad industrial, incluidos modelos hidromecánicos que combinan presurización de fluidos y fricción de velocidad y estado40 o mecanismos relacionados41,42, modelos para predecir la magnitud sísmica máxima utilizando datos de inyección12,15,24,25 y modelos de aprendizaje automático para pronosticar tasas de sismicidad inducida utilizando características altamente relacionadas43, estos modelos requieren acceso a datos de inyección y/o parámetros geomecánicos, por ejemplo, tensión poroelástica, tasa de tensión y parámetros de fricción de estado de velocidad, que generalmente no están disponibles en absoluto o al menos no están disponibles. no en tiempo real. Por el contrario, nuestro enfoque PIDL para pronosticar \({\widehat{M}}_{max}\), si bien requiere un período de entrenamiento, se basa exclusivamente en el catálogo sísmico observado y permite realizar pronósticos en tiempo real. El uso de un valor b fijo elimina aún más el peligro potencial de grandes incertidumbres que surgen al estimarlo en períodos de tiempo pequeños, lo que aumenta la solidez del enfoque PIDL.

El tratamiento de HF que analizamos aquí es el conjunto de datos del Tony Creek Dual Microsismic Experiment (ToC2ME)26, que fue adquirido por la Universidad de Calgary en 2016. Este programa de simulación de HF está ubicado dentro del yacimiento de esquisto de Duvernay en el oeste de Canadá, dentro de un área destacada por su susceptibilidad. a la sismicidad inducida por HF2,3,6. Los sistemas de adquisición de ToC2ME incluían un conjunto de pozos poco profundos de 68 estaciones, seis sismómetros de banda ancha y un acelerómetro de movimiento fuerte26. Un catálogo de sismicidad resultante obtenido mediante un método automatizado44 contiene > 10.000 eventos, con una magnitud máxima de 3,1 MW. En general, la sismicidad observada se caracteriza por b > > 1, como se esperaba para los MEQ operativos1; sin embargo, los grupos de eventos individuales asociados con la activación de fallas muestran una marcada caída en el valor b45. Con base en el método de estabilidad del valor b28,29 y el método de máxima verosimilitud27, determinamos Mc utilizando los primeros 1000 MEQ en el catálogo y encontramos Mc = – 0,15 (Fig. S1). Dado que los sensores utilizados en el estudio son fijos y las profundidades del evento permanecen aproximadamente iguales durante todo el programa de HF46, asumimos que Mc está fijo en este valor (– 0,15) durante la duración del experimento.

Utilizamos redes de perceptrón multicapa (MLP)47, que son una clase completamente conectada de red neuronal artificial de avance compuesta por múltiples capas de perceptrón con activación de umbral. Las redes MLP aprenden una función que asigna una secuencia de observaciones de entrada a una observación de salida.

Cada red MLP consta de una capa de entrada, dos capas ocultas y una capa de salida. La capa de entrada recibe datos y los pasa a la primera capa. Las capas ocultas realizan cálculos matemáticos en las entradas y devuelven un valor pronosticado como capa de salida. Cada neurona está completamente conectada a todas las neuronas de la capa anterior y a las de la siguiente capa. La neurona combina entradas con pesos y genera un valor de la función de activación de la suma de los productos de peso de entrada. La salida \({\widehat{h}}_{out}\) se puede expresar generalmente como

donde \(w\) es el peso de la entrada x, b es el sesgo, n es el número de entradas, \(f\) es la función de activación utilizada para estandarizar la salida que sale de la neurona.

Aplicamos la función de activación de unidades lineales rectificadas (ReLU) para las dos capas ocultas para realizar el pronóstico, que es lineal para todos los valores positivos y cero para todos los valores negativos. Matemáticamente se define como

El algoritmo consta de fases de avance y propagación hacia atrás. En la fase de avance, las entradas se combinan con los pesos aleatorios iniciales en una suma ponderada y se someten a la función de activación. Las salidas de las neuronas se utilizan luego como entradas para la siguiente capa. Cada capa alimenta a la siguiente con el resultado de su cálculo, que pasa a través de las capas ocultas hasta la capa de salida. Se almacena el error de la salida prevista. Aplicamos una función de pérdida de error cuadrático medio (MSE) en los primeros MLP para calcular la salida.

En la fase de retropropagación, los errores evalúan las derivadas de la función de pérdida con respecto a los pesos \({\nabla }_{loss}\). Luego, el gradiente actualiza los pesos con respecto a la función de pérdida,

donde \({w}_{t}\) es el gradiente en la iteración actual, \({w}_{t-1}\) es el gradiente en la iteración anterior y α representa la tasa de aprendizaje,

En cada iteración, el gradiente se calcula en todos los pares de entrada y salida después de que las sumas ponderadas se reenvían a través de todas las capas hasta que se estima la salida. Como ejemplo, las entradas y salidas específicas para los diferentes modelos DL se dan en la Tabla S1 y las Figs. S2 y S3. Los pesos de la primera capa oculta se actualizan con el valor del gradiente, es decir, utilizamos el eficiente descenso de gradiente estocástico de Adam47 optimizado mediante MSE. Este proceso continúa hasta que el gradiente de cada par de entrada-salida converge, lo que significa que el gradiente recién calculado no ha cambiado más que un umbral de convergencia especificado en comparación con la iteración anterior.

Para los modelos PIDL, en lugar de pronosticar \({\widehat{M}}_{max}\) directamente, estimamos el número de eventos (\({\widehat{N}}_{c})\) por encima del magnitud de completitud (Mc) para un período de tiempo que se extiende hacia el futuro antes del tiempo actual. El valor de \({\widehat{N}}_{c}\) se usa luego para estimar el valor de máxima verosimilitud correspondiente de \({\widehat{M}}_{max}\) usando una fórmula desarrollada en12 ,

Mc se trata como una constante (y se estima a partir de los datos), mientras que se utilizan dos enfoques diferentes para el valor b en esta expresión. En el primer enfoque se obtiene una estimación actual de b del catálogo de sismicidad. En el segundo enfoque, el valor b se establece en 1 para considerar la posibilidad de una reducción abrupta en el valor b debido a la activación de una falla. En la práctica, dicha reducción en el valor de b no puede detectarse inmediatamente debido al desfase temporal impuesto por el requisito del número de observaciones para estimar b de manera sólida30. Este enfoque también proporciona una estimación de los límites de magnitud máxima para un nivel de confianza específico q, expresado como

Los datos y códigos que respaldan los hallazgos de este manuscrito están disponibles del autor correspondiente previa solicitud. El catálogo sísmico de este estudio (Catalog_Rodriguez-Pradilla2019_PhDThesis.csv) se puede encontrar en: https://github.com/ToC2ME/ToC2ME/tree/master/Rodriguez-Pradilla.

Eaton, DW Monitoreo sísmico pasivo de la sismicidad inducida: principios fundamentales y aplicación a las tecnologías energéticas (Cambridge University Press, 2018).

Reservar Google Académico

Bao, X. & Eaton, DW Activación de fallas mediante fracturación hidráulica en el oeste de Canadá. Ciencia 354, 1406-1409 (2016).

Artículo ADS CAS PubMed Google Scholar

Atkinson, GM y cols. Fracturación hidráulica y sismicidad en la cuenca sedimentaria del oeste de Canadá. Sísmol. Res. Letón. 87, 631–647 (2016).

Artículo de Google Scholar

Skoumal, RJ, Ries, R., Brudzinski, MR, Barbour, AJ & Currie, BS Los terremotos inducidos por fracturación hidráulica son omnipresentes en Oklahoma. J. Geophys. Res. Tierra sólida 123, 10918–10935 (2018).

ADS del artículo Google Scholar

Li, L. y col. Una revisión del estado actual del monitoreo de la sismicidad inducida para la fracturación hidráulica en yacimientos de petróleo y gas no convencionales. Combustible 242, 195–210 (2019).

Artículo CAS Google Scholar

Schultz, R. y col. Sismicidad inducida por fracturación hidráulica. Rev. Geophys. 58, e2019RG000695. https://doi.org/10.1029/2019RG000695 (2020).

ADS del artículo Google Scholar

Atkinson, GM, Eaton, DW & Igonin, N. Avances en la comprensión de la sismicidad provocada por la fracturación hidráulica. Nat. Rev. Medio Ambiente Tierra. 1, 264–277 (2020).

ADS del artículo Google Scholar

Eaton, DW & Igonin, N. ¿Qué controla la magnitud máxima de los terremotos inducidos por inyección? Dirigir. Borde 37 (2), 135-140 (2018).

Artículo de Google Scholar

Meier, PM, Rodríguez, AA & Bethmann, F. Lecciones aprendidas de Basilea: Nuevos proyectos de EGS en Suiza utilizando estimulación multietapa y un sistema de semáforo probabilístico para la reducción del riesgo sísmico. En Actas del Congreso Mundial de Geotermia, 19-25 (2015).

Kwiatek, G. y col. Control de la sismicidad inducida por fluidos durante una estimulación geotérmica de 6,1 km de profundidad en Finlandia. Ciencia. Adv. 5, eaav7224. https://doi.org/10.1126/sciadv.aav7224 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Shapiro, SA, Dinske, C., Langenbruch, C. y Wenzel, F. Índice sismogénico y probabilidad de magnitud de los terremotos inducidos durante las estimulaciones de fluidos del yacimiento. Dirigir. Borde 29(3), 304–309 (2010).

Artículo de Google Scholar

Van der Elst, Nueva Jersey, Page, MT, Weiser, DA, Goebel, TH y Hosseini, SM Las magnitudes de los terremotos inducidos son tan grandes como (estadísticamente) se esperaba. J. Geophys. Res. Tierra sólida 121, 4575–4590.

ADS del artículo Google Scholar

Galis, M., Ampuero, JP, Mai, PM y Cappa, F. La sismicidad inducida proporciona información sobre por qué se detienen las rupturas sísmicas. Ciencia. Adv. 3, eap7 https://doi.org/10.1126/sciadv.aap7528 (2017).

Artículo ADS PubMed PubMed Central Google Scholar

Shapiro, SA, Krüger, OS, Dinske, C. & Langenbruch, C. Magnitudes de terremotos inducidos y escalas geométricas de volúmenes de roca estimulados por fluidos. Geofísica 76 (6), WC55 – WC63 (2011).

Artículo de Google Scholar

McGarr, A. Terremotos de máxima magnitud inducidos por inyección de fluido. J. Geophys. Res. Tierra sólida 119, 1008-1019 (2014).

ADS del artículo Google Scholar

Maxwell, SC y cols. Activación de fallas durante la fracturación hidráulica. En la Reunión Anual de la SEG de 2009, SEG-2009–1552, https://doi.org/10.1190/1.3255145 (2009).

Eyre, TS, Eaton, DW, Zecevic, M., D'Amico, D. y Kolos, D. La microsismicidad revela la activación de fallas antes del terremoto inducido por fracturación hidráulica MW 4.1. Geofís. J. Int. 218, 534–546 (2019).

Artículo ADS CAS Google Scholar

Kettlety, T., Verdon, JP, Werner, MJ, Kendall, JM y Budge, J. Investigación del papel de la transferencia de tensión elastostática durante la activación de fallas inducida por fractura hidráulica. Geofís. J. Int. 217, 1200-1216 (2019).

ADS CAS Google Académico

Igonin, N., Verdon, JP, Kendall, JM y Eaton, DW Los sistemas de fractura a gran escala son vías permeables para la activación de fallas durante la fracturación hidráulica. J. Geophys. Res. Tierra sólida 126(3), e2020JB020311. https://doi.org/10.1029/2020JB020311 (2021).

ADS del artículo Google Scholar

Van Der Baan, M., Eaton, D. & Dusseault, M. Desarrollos del monitoreo microsísmico en la estimulación de fracturas hidráulicas. En Conferencia internacional ISRM para la fracturación hidráulica eficaz y sostenible (ed. Jeffrey, R.) (InTech, 2013). https://doi.org/10.5772/56444.

Capítulo Google Scholar

Maxwell, S. Imágenes microsísmicas de fracturación hidráulica: ingeniería mejorada de yacimientos de esquisto no convencionales (Sociedad de Geofísicos de Exploración, 2014).

Reservar Google Académico

Eaton, DW & Maghsoudi, S. 2b… ¿o no 2b? Interpretación de distribuciones de magnitud a partir de catálogos microsísmicos. Primera pausa 33, 10. https://doi.org/10.3997/1365-2397.33.10.83159 (2015).

Artículo de Google Scholar

Verdon, JP & Budge, J. Examinar la capacidad de los modelos estadísticos para mitigar la sismicidad inducida durante la fracturación hidráulica de yacimientos de gas de esquisto. Toro. Sísmol. Soc. Soy. 108, 690–701 (2018).

Artículo de Google Scholar

Li, Z., Eaton, D. y Davidsen, J. Previsión a corto plazo de Mmax durante la fracturación hidráulica. Ciencia. Rep. 12, 12509. https://doi.org/10.1038/s41598-022-15365-6 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Hallo, M., Oprsal, I., Eisner, L. & Ali, MY Predicción de la magnitud del evento sísmico potencialmente inducido más grande. J. Seismol. 18, 421–431 (2014).

ADS del artículo Google Scholar

Eaton, DW y cols. Caracterización de la sismicidad inducida durante el monitoreo de fracturas hidráulicas con un conjunto de geófonos de pozo somero y sensores de banda ancha. Sísmol. Res. Letón. 89, 1641-1651 (2018).

Artículo de Google Scholar

Aki, K. Estimación de máxima verosimilitud de b en la fórmula log N = a–bM y sus límites de confianza. Toro. Tierraq. Res. Inst. Tokio 43, 237–239 (1965).

Google Académico

Cao, A. & Gao, SS Variación temporal de los valores b sísmicos debajo del arco de islas del noreste de Japón. Geofís. Res. Letón. 29, 48-1-48–3 (2002).

Artículo de Google Scholar

Woessner, J. & Wiemer, S. Evaluación de la calidad de los catálogos de terremotos: estimación de la magnitud de su integridad y su incertidumbre. Toro. Sísmol. Soc. Soy. 95, 684–698 (2005).

Artículo de Google Scholar

Geffers, GM, Main, IG y Naylor, M. Sesgos en la estimación de valores b a partir de catálogos de terremotos pequeños: ¿Qué tan altos son los valores b altos? Geofís. J. Int. 229, 1840–1855 (2022).

ADS del artículo Google Scholar

Alberta Energy Regular, Orden del subsuelo n.° 2. https://static.aer.ca/prd/documents/orders/subsurface-orders/SO2.pdf (2015).

Schultz, R., Beroza, G., Ellsworth, W. & Baker, J. Recomendaciones basadas en riesgos para gestionar la sismicidad inducida por fracturación hidráulica mediante protocolos de semáforo. Toro. Sísmol. Soc. Soy. 110, 2411–2422 (2020).

Artículo de Google Scholar

Shipman, T., MacDonald, R. & Byrnes, T. Experiencias y aprendizajes de la regulación de la sismicidad inducida en Alberta. Interpretación 6, SE15-SE21 (2018).

Artículo de Google Scholar

Bommer, JJ y cols. Control de peligrosidad por sismicidad inducida por un proyecto geotérmico de roca fracturada en caliente. Ing. Geol. 83, 287–306 (2006).

Artículo de Google Scholar

Baisch, S., Koch, C. & Muntendam-Bos, A. Sistemas de semáforos: ¿Hasta qué punto se puede controlar la sismicidad inducida? Sísmol. Res. Letón. 90, 1145-1154 (2019).

Artículo de Google Scholar

Verdon, JP & Bommer, JJ ¿Verde, amarillo, rojo o inesperado? Una evaluación de los esquemas de semáforos para mitigar el impacto de la sismicidad inducida por la fractura hidráulica. J. Seismol. 25, 301–326 (2021).

ADS del artículo Google Scholar

Salvage, RO y Eaton, DW La influencia de un régimen de tensión de transición en las características de la fuente de sismicidad inducida y activación de fallas: evidencia de la secuencia del terremoto inducido de Fort St. John ML 4.5 del 30 de noviembre de 2018. Toro. Sísmol. Soc. Soy. 112, 1336-1355 (2022).

Artículo de Google Scholar

Mignan, A., Broccardo, M., Wiemer, S. & Giardini, D. Sistema de semáforo de forma cerrada de sismicidad inducida para la toma de decisiones actuariales durante inyecciones profundas de fluidos. Ciencia. Rep. 7, 13607. https://doi.org/10.1038/s41598-017-13585-9 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Woo, JU et al. Un análisis sismológico en profundidad que revela un vínculo causal entre el terremoto de Pohang de 5,5 MW de 2017 y el proyecto EGS. J. Geophys. Res. Tierra sólida 124 (12), 13060–13078 (2019).

ADS del artículo Google Scholar

Norbeck, JH & Rubinstein, JL El modelo hidromecánico de nucleación de terremotos pronostica las tasas de inicio, pico y caída de la sismicidad inducida en Oklahoma y Kansas. Geofís. Res. Letón. 45, 2963–2975 (2018).

ADS del artículo Google Scholar

Lord-May, C., Baró, J., Eaton, DW & Davidsen, J. Peligro sísmico por inyecciones de fluidos. Física. Rev. Res. 2, 0433242643. https://doi.org/10.1103/PhysRevResearch.2.043324 (2020).

Artículo de Google Scholar

Khajehdehi, O., Karimi, K. y Davidsen, J. El efecto de la permeabilidad correlacionada sobre la sismicidad inducida por fluidos. Geofís. Res. Letón. 49, e2021GL095199. https://doi.org/10.1029/2021GL095199 (2022).

ADS del artículo Google Scholar

Qin, Y., Chen, T., Ma, X. y Chen, X. Predicción de la sismicidad inducida en Oklahoma utilizando métodos de aprendizaje automático. Ciencia. Rep. 12, 9319. https://doi.org/10.1038/s41598-022-13435-3 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Rodríguez-Pradilla, G. & Eaton, DW Procesamiento microsísmico automatizado e interpretación integrada de la sismicidad inducida durante una estimulación de fracturación hidráulica de múltiples etapas, Alberta, Canadá. Toro. Sísmol. Soc. Soy. 110, 2018-2030 (2020).

Artículo de Google Scholar

Igonin, N., Zecevic, M. y Eaton, DW Distribuciones bilineales de magnitud-frecuencia y terremotos característicos durante la fracturación hidráulica. Geofís. Res. Letón. 45, 12866–12874 (2018).

ADS del artículo Google Scholar

Poulin, A. y col. Análisis de tiempo focal: un nuevo método para el control estratigráfico de la profundidad de la microsismicidad y los eventos sísmicos inducidos. Geofísica 84, KS173 – KS182 (2019).

Artículo de Google Scholar

McCord-Nelson, M. & Illingworth, WT Una guía práctica de redes neuronales (Addison-Wesley Longman Publishing Co., 1991).

MATEMÁTICAS Google Scholar

Descargar referencias

Este trabajo fue financiado por la subvención ALLRP 548576-2019 de NSERC Alliance titulada Dinámica de activación de fallas por fracturación hidráulica: conocimientos de nuevas tecnologías.

Departamento de Geociencias, Universidad de Calgary, Calgary, AB, T2N 1N4, Canadá

Ziyan Li y David W. Eaton

Departamento de Física y Astronomía, Universidad de Calgary, Calgary, AB, T2N 1N4, Canadá

Jörn Davidsen

Hotchkiss Brain Institute, Universidad de Calgary, Calgary, AB, T2N 4N1, Canadá

Jörn Davidsen

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización: DE, JD, ZL Metodología DE, JD, ZL Investigación y Escritura: DE, JD, ZL Visualización y Figuras: ZL

Correspondencia a David W. Eaton.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Li, Z., Eaton, DW & Davidsen, J. Aprendizaje profundo basado en la física para pronosticar \({\widehat{{\varvec{M}}}}_{{\varvec{m}}{\varvec{a} }{\varvec{x}}}\) durante la fracturación hidráulica. Representante científico 13, 13133 (2023). https://doi.org/10.1038/s41598-023-40403-2

Descargar cita

Recibido: 01 de junio de 2023

Aceptado: 09 de agosto de 2023

Publicado: 12 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40403-2

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.