2024年8月1日至9月30日，浙江大学22级地质学（求是科学班）本科生胡嘉宸参与德克萨斯大学奥斯汀分校（UT-Austin）为期2个月的学术研究项目，专注于微震事件P波初动极性人工智能拾取方法研究。

  德克萨斯大学奥斯汀分校（UT-Austin）是全球领先的科研型大学之一，其Bureau of Economic Geology（BEG）成立于1909年，是该校历史最悠久的研究单位，同时也是德克萨斯州的地质调查局。在过去的一个多世纪中，BEG通过其在能源、环境及经济问题上的研究，推动了德克萨斯州的经济发展，并在全球地球科学领域占据领先地位。浙江大学作为中国顶尖的综合性大学，近年来不断加强国际合作，鼓励学生参与全球顶级研究机构的项目。此次合作不仅加深了浙江大学在地球科学领域的国际学术交流，也为学生提供了接触和实践前沿科研技术的宝贵机会。

 Bureau of Economic Geology（BEG）学院

  此次科研项目的研究重点是微震事件的P波初动极性拾取。P波初动极性是判断地震震源机制（如正断层、走滑断层等）的关键步骤。然而，传统的手工拾取方法耗时长且精度有限。为此，UT-Austin团队与胡嘉宸合作，开发了一套基于人工智能的拾取系统，显著提高了地震波形数据处理的效率和准确性。该技术在多个工业领域具有广泛应用，包括页岩气勘探、二氧化碳捕集与封存、地热能生产等。这些活动通常伴随微震或小震事件，研究其震源机制有助于评估潜在的地质灾害风险。

UT-Austin主校区夜景

  在为期八周的合作中，胡嘉宸与UT-Austin教授及其研究团队紧密协作。通过分析来自德克萨斯州、加拿大及四川盆地的大量微震数据，研究团队利用深度学习的策略优化了基于卷积神经网络（CNN）和Transformer模型的拾取算法。结果表明，模型在不同地区的地震数据极性拾取方面均展现了出色的泛化能力，尤其是在微震事件中，模型的准确率得到了显著提升。研究显示，通过深度学习技术，模型在加拿大西部沉积盆地的微震数据集上取得了95%以上的准确率，在四川的微震数据集上达到了90%以上的准确率。与传统方法相比，基于人工智能的拾取系统极大地提高了微震数据的处理效率与精度。胡嘉宸与BEG的合作不仅在地震学研究中取得了重要突破，还为工业领域中的微震监测提供了新的解决方案。

参与者感言
  胡嘉宸表示：“这是一次非常宝贵的科研经历。在UT-Austin的这段时间，我不仅学到了最新的地震数据处理技术，还深刻感受到跨学科合作的力量。通过与国际顶尖研究团队的合作，我的科研视野得到了极大拓展，科研技能也有了显著提升。这次合作让我对未来的地球物理研究充满信心和期待。”

 UT-Austin主校区钟楼参观