文献

J-GLOBAL ID：202002217949833317   整理番号：20A1897992

機械学習方法論を用いた注入誘発地震リスク管理-展望研究【JST・京大機械翻訳】

Injection-Induced Seismic Risk Management Using Machine Learning Methodology - A Perspective Study

著者 (6件)： He Miao (State Key Laboratory of Geomechanics and Geotechnical Engineering, Institute of Rock and Soil Mechanics, Chinese Academy of Sciences, Wuhan, China) ,  He Miao (School of Engineering Science, University of Chinese Academy of Sciences, Beijing, China) ,  Li Qi (State Key Laboratory of Geomechanics and Geotechnical Engineering, Institute of Rock and Soil Mechanics, Chinese Academy of Sciences, Wuhan, China) ,  Li Qi (School of Engineering Science, University of Chinese Academy of Sciences, Beijing, China) ,  Li Xiaying (State Key Laboratory of Geomechanics and Geotechnical Engineering, Institute of Rock and Soil Mechanics, Chinese Academy of Sciences, Wuhan, China) ,  Li Xiaying (School of Engineering Science, University of Chinese Academy of Sciences, Beijing, China)
資料名： Frontiers in Earth Science (Web)  (Frontiers in Earth Science (Web))
巻： 8  ページ： 227  発行年： 2020年 
JST資料番号： U7066A  ISSN： 2296-6463  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 地震リスクの誘発地震活動とリアルタイム管理の効果的な同定は,エネルギー開発に関連した地域における誘発地震活動の増加による最新の話題である。交通光システムとして知られる地震リスクを管理するための既存の意思決定ツールは,十分にロバストではない。生産現場におけるエネルギーの安全な採掘のための増加するニーズを満たすために,交通光システムを改良するための先進で効率的方法を見つけることは必須である。近年,機械学習,先進誘導および分析法は地震学において広く使用されてきた。この状況において,誘発された地震活動の同定と管理に関連した研究ギャップ,ならびに,誘導された地震活動問題に対処する際の機械学習の現在の成果をレビューした。産業生産プロセスにおける交通光システムを最適化するための機械学習法を使用する基本的フレームワークを最初に提案した。次に,その実現可能性と合理性を類似事例によって実証した。このフレームワークは,リスクベースの適応交通光管理システムの開発に対する参照を提供するかもしれない。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  地震活動 ,  意思決定 ,  管理システム ,  照明設備 ,  *地震 ,  地震学 ,  *リスク管理 ,  *地震危険度 ,  生産プロセス ,  ロバスト性 ,  *誘発地震 ,  *機械学習 ,  生産現場 ,  改変
準シソーラス用語： 実時間 , 【Automatic Indexing@JST】

著者キーワード (5件)： 誘発地震活動 ,  機械学習 ,  地震の識別 ,  地震リスクの管理 ,  交通照明システム

分類 (2件)： 地震活動  (DC03030L) ,  地震学一般  (DC03020A)

引用文献 (117件)：

• Afonso L., Vidal A., Kuroda M., Falcao A. X., Papa J. P. (2016). “"learning to classify seismic images with deep optimum-path forest,"” in Proceedings of the 2016 29th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), São Paulo.
• Aghajanyan A. (2017). “"Softtarget regularization: an effective technique to reduce over-fitting in neural networks,"” in Proceedings of the 2017 3rd IEEE International Conference on Cybernetics (CYBCONF), Piscataway, NJ.
• Albano M., Barba S., Tarabusi G., Saroli M., Stramondo S. (2017). Discriminating between natural and anthropogenic earthquakes: insights from the Emilia Romagna (Italy) 2012 seismic sequence. Sci. Rep. 7:282. doi: 10.1038/s41598-017-00379-2
• Alcoverro J. (2003). The effective stress principle. Math. Comput. Model. 37 457-467. doi: 10.1016/s0895-7177(03)00038-4
• Amini A., Eberhardt E. (2019). Influence of tectonic stress regime on the magnitude distribution of induced seismicity events related to hydraulic fracturing. J. Petrol. Sci. Eng. 182:106284. doi: 10.1016/j.petrol.2019.106284

タイトルに関連する用語 (7件)： 機械学習 ,  方法論 ,  注入 ,  誘発地震 ,  リスク管理 ,  展望 ,  研究