Seismic-Net：用于检测地震事件的深度密集连接神经网络

大规模地质碳封存的风险之一是流体可能迁出储层。由于地下不确定性大且控制物理过程复杂，对流体迁出的准确快速检测不仅重要而且具挑战性。传统的泄漏检测与监测技术依赖包括地震在内的地球物理观测。然而，这些方法因提供间接信息而需专家解译，导致精度有限，从而对泄漏速率与位置的估计不准确。本工作中，我们开发了一种名为“Seismic-Net”的新型机器学习检测包，其基于深度密集连接神经网络。为验证所提泄漏检测方法的性能，我们将该方法应用于新墨西哥州 Chimayó 的自然类比场地。数据集中的地震事件由间歇泉喷发引起，而喷发源于 $\mathrm{CO}_\mathrm{2}$ 泄漏。特别地，我们将检测问题表述为带有时间序列数据的事件检测问题，从而展示了 Seismic-Net 的有效性。一个固定长度窗口在整个时间序列数据上滑动，我们构建深度密集连接网络对每个窗口分类以判定是否包含间歇泉事件。通过数值测试，我们表明模型取得的精确率/召回率高达 0.889/0.923。因此，我们的 Seismic-Net 在检测 $\mathrm{CO}_\mathrm{2}$ 泄漏方面具有很大潜力。