Denoising distributed acoustic sensing data with self-supervised deep learning

Μανιάτης, Νικόλαος; Maniatis, Nikolaos

dc.contributor.author	Μανιάτης, Νικόλαος	el
dc.contributor.author	Maniatis, Nikolaos	en
dc.date.accessioned	2022-11-07T08:00:18Z
dc.date.available	2022-11-07T08:00:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56093
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23791
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Σεισμολογία	el
dc.subject	Αφαίρεση Θορύβου	el
dc.subject	Αυτο-επιβλεπόμενη μάθηση	el
dc.subject	Deep Learning	en
dc.subject	Machine Learning	en
dc.subject	Distributed Acoustic Sensing	en
dc.subject	Self-Supervised Learning	en
dc.subject	Image Denoising	en
dc.title	Denoising distributed acoustic sensing data with self-supervised deep learning	en
heal.type	masterThesis
heal.classification	Deep Learning	en
heal.classification	Distributed Acoustic Sensing	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-15
heal.abstract	Distributed Acoustic Sensing (DAS) is an emerging technology utilizing fiber optic ca bles for vibration measurements with various applications such as seismic signal analysis, pipeline monitoring, traffic monitoring (roads, railways and trains). Its ease of use and versatility, lie on the fact that it can be deployed in harsh and dangerous environments, such as submarine, glaciated or volcanic and due to its ability to turn existing commer cial fiber optic cables into sensor arrays with temporal sampling of up to 1 thousand samples per second, and with a spatial sampling in the order of meters. However, new environments also come with new challenges as each new environment has the ability to introduce noise in various types, lowering the quality of the measurements and thus impeding with the data analysis workflows. In this work, we explore the possibility of removing incoherent noise from DAS recordings, utilizing the concept of J-invariance and modern self-supervised deep learning methods, without making assumptions regarding the noise characteristics. We apply this method to both synthetic and real world DAS data, from four different experiments, one of which took place in a volcanic environment in Iceland, and the rest come from three separate submarine DAS recordings in Greece. The results show exceptional denoising capability and great promise to be incorporated into seismological analysis data workflows, when the noise is incoherent.	en
heal.abstract	Το Distributed Acoustic Sensing (DAS) είναι µια αναδυόµενη τεχνολογία που χρησιµο ποιεί καλώδια οπτικών ινών για λήψη δονητικών µετρήσεων που ϐρίσκει ποικίλες εφαρµογές όπως στην ανάλυση σηµάτων σεισµικών δονήσεων, παρακολούθηση αγωγών αλλά και της κίνησης σε δρόµους, σιδηρόδροµους και άλλα. Η ευκολία της χρήσης και η ευελιξία της µεθόδου έγκειται στο γεγονός ότι µπορεί να τοποθετείται σε σκληρά και επικίνδυνα περιβάλ λοντα, όπως υποθαλάσσια, ηφαιστειακά ή και πολικά, λόγω της δυνατότητας να µετατρέπει ήδη υπάρχουσες για εµπορικούς λόγους οπτικές ίνες σε συστοιχίες αισθητήρων µε δειγµα τοληψία στο χρόνο µέχρι 1000 δείγµατα το δευτερόλεπτο, και µε χωρική δειγµατοληψία της τάξης των µερικών µέτρων. Παρόλα αυτά, το κάθε περιβάλλον έχει τις δικές του προ κλήσεις καθώς κάθε περιβάλλον έχει τη δυνατότητα εισαγωγής ϑορύβου στα δεδοµένα µε διαφορετικές µορφές, επηρεάζοντας την ποιότητα των µετρήσεων και παρεµποδίζοντας έτσι την διαδικασία ανάλυσης των δεδοµένων. Σε αυτή την διπλωµατική εργασία, εξερευνούµε τη δυνατότητα αφαίρεσης µη συνεκτικού ϑορύβου από µετρήσεις DAS, χρησιµοποιώντας την έννοια της J-αναλλοιότητας και µοντέρνων τεχνικών ηµι-επιβλεπόµενης ϐαθιάς µάθησης, χωρίς να προβούµε σε υποθέσεις για τα χαρακτηριστικά του ϑορύβου. Εφαρµόζουµε αυτή τη µέθοδο τόσο σε συνθετικά δεδοµένα όσο και σε πραγµατικά δεδοµένα µετρήσεων DAS από 4 διαφορετικά πειράµατα, ένα από τα οποία προέρχεται από ηφαιστειακό περιβάλλον της Ισλανδίας ενώ τα υπόλοιπα από 3 υποθαλάσσια καλώδια οπτικών ινών στην Ελλάδα. Τα αποτελέσµατα δείχνουν αποτελεσµατική αφαίρεση ϑορύβου και την καθιστούν πολλά υ ποσχόµενη να καθιερωθεί στην διαδικασία ανάλυσης σεισµολογικών δεδοµένων, εφόσον ο ϑόρυβος δεν παρουσιάζει συνοχή στη δοµή του.	el
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Νομικού, Παρασκευή	el
heal.committeeMemberName	Πατεράκη, Μαρία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	83 σ.	el
heal.fullTextAvailability	false