Kunstig intelligens forbedrer seismiske analyser

Udfordringen med at analysere jordskælvssignaler med optimal præcision vokser sammen med mængden af ​​tilgængelige seismiske data. På Karlsruhe Institute of Technology (KIT), forskere har indsat et neuralt netværk for at bestemme ankomsttiden for seismiske bølger og dermed præcist lokalisere jordskælvets epicenter. I deres rapport i Seismologiske forskningsbreve tidsskrift, de påpeger, at kunstig intelligens er i stand til at evaluere dataene med samme præcision som en erfaren seismolog.

For præcist at lokalisere et jordskælv, det er afgørende at bestemme den nøjagtige ankomsttid for størstedelen af ​​de seismiske bølger ved seismometerstationen (den såkaldte faseankomst). Uden denne viden, yderligere nøjagtige seismologiske evalueringer er ikke mulige. Sådanne evalueringer kan være meget nyttige til at forudsige efterskælv, der nogle gange forårsager mere alvorlige skader end det oprindelige hovedjordskælv. Ved præcist at lokalisere epicentret, selv fysiske processer, der foregår dybt inde i Jorden, kan bedre skelnes, og dette, på tur, tillader slutninger om strukturen af ​​Jordens indre. "Vores resultater viser, at kunstig intelligens kan forbedre jordskælvsanalysen markant - ikke kun med støtte fra store datamængder, men også hvis kun et begrænset datasæt er tilgængeligt, " forklarer professor Andreas Rietbrock fra Geofysisk Institut (GPI) på KIT.

Evalueringen af ​​de registrerede seismogrammer, som kaldes faseplukning, hjælper med at bestemme ankomsttiderne for de enkelte faser. Traditionelt, dette er en manuel procedure. Præcisionen i manuel faseplukning kan blive påvirket af den ansvarlige seismologs subjektivitet. Især, imidlertid, en manuel evaluering kræver i mellemtiden uacceptabel tid og personaleressourcer, på grund af den voksende mængde seismiske data og den højere tæthed af seismometernetværkene. Automatiseret evaluering er blevet nødvendig for hurtigt at udnytte alle tilgængelige data. Ja, faseplukningsalgoritmerne, der er udviklet indtil videre, er ikke i stand til at levere den præcision, der opnås med manuel plukning af en erfaren seismolog - på grund af den ekstreme kompleksitet af dannelsen og udbredelsen af ​​jordskælv, med mange fysiske processer, der virker på det seismiske bølgefelt.

Kunstig intelligens (AI), imidlertid, er i stand til at matche den menneskelige præcision, når disse data evalueres. Dette er nu blevet afsløret af forskere fra GPI, University of Liverpool, og universitetet i Granada. Ifølge deres rapport i Seismologiske forskningsbreve tidsskrift, forskerne brugte et konvolutionelt neuralt netværk (CNN) til at bestemme fasebegyndelsen i et seismisk netværk i Chile. CNN'er er inspireret af biologiske neurale systemer og arrangeret i forskellige lag af indbyrdes forbundne kunstige neuroner. I såkaldt Deep Learning, som er en af ​​maskinlæringsmetoderne, opdagede og lærte funktioner overføres fra et niveau til det næste, bliver raffineret mere og mere i denne proces.

Under et jordskælv, forskellige typer seismiske bølger forplanter sig gennem Jorden. Hovedtyperne kaldes kompressions- eller primære bølger (P-bølger) og forskydnings- eller sekundære bølger (S-bølger). Først, jo hurtigere P-bølger ankommer til den seismologiske station, efterfulgt af de langsommere S-bølger. Seismiske bølger kan registreres i seismogrammer. Forskerne trænede CNN ved hjælp af et relativt lille datasæt, der dækker 411 jordskælvsbegivenheder i det nordlige Chile. Derefter, CNN bestemte ankomsttiden for ukendte P-faser og S-faser, mens man matcher præcisionen som en erfaren seismolog med manuel plukning eller endda leverer en højere præcision end en klassisk plukkealgoritme.