Forskere bruger kunstig intelligens til at estimere jordskælvets fokalmekanismeparametre

Forskerholdet ledet af prof. Zhang Jie fra University of Science and Technology of China (USTC) fra det kinesiske videnskabsakademi gjorde fremskridt med realtidsbestemmelse af jordskælvs fokusmekanismer gennem dyb læring. Værket blev udgivet i Naturkommunikation .

Da der er forbindelser mellem karakteristika for kildefejlens brudflade og seismiske bølger udstrålet af kilden, det er vigtigt at overvåge jordskælvet ved øjeblikkelig bestemmelse af kildens fokalmekanisme, som udledes af flere jordskælvsregistreringer.

Imidlertid, det er svært at beregne mekanismen ud fra de simple optegnelser. Parametrene om fokale mekanismer er enten blot rapporteret eller rapporteret efter et par minutter eller endnu længere.

I dette studie, Prof. Zhangs team anvendte et nyt konvolutionelt neuralt netværk for at løse dette problem effektivt, bane vejen for fremskyndelse af undersøgelsen af ​​detaljer om jordskælv.

Det neurale netværk, kaldet 'Focal Mechanism Network (FMNet), ' blev først trænet til at estimere kildefokusmekanismen hurtigt ved hjælp af fulde bølgeformer. Derefter, den neurale netværksmodel blev trænet af et omfattende datasæt, som ændrede indberetningssystemet. Efter jordskælvet, de rigtige datasæt introduceres i træningssystemet, og de estimerede parametre om jordskælvskilden kan beregnes inden for et sekund med et minimumskrav til computerressourcer og hukommelseslagring.

En lang række praktiske datatests har bevist metodens effektivitet.

Resultaterne af denne undersøgelse er nu ved at blive oversat til praktiske funktioner og vil snart blive sat i prøvedrift på det intelligente jordskælvsovervågningssystem med kunstig intelligens på jorden, udviklet i fællesskab af USTC og China Earthquake Administration.