Machine learning model genererer realistiske seismiske bølgeformer

En ny maskinlæringsmodel, der genererer realistiske seismiske bølgeformer, vil reducere manuelt arbejde og forbedre jordskælvsdetektion, ifølge en undersøgelse offentliggjort for nylig i JGR Solid Earth .

"For at verificere effektiviteten af ​​vores generative model, vi anvendte det på seismiske feltdata indsamlet i Oklahoma, " sagde Youzuo Lin, en beregningsforsker i Los Alamos National Laboratory's Geophysics-gruppe og hovedefterforsker af projektet. "Gennem en sekvens af kvalitative og kvantitative tests og benchmarks, vi så, at vores model kan generere syntetiske bølgeformer af høj kvalitet og forbedre maskinlæringsbaserede jordskælvsdetektionsalgoritmer."

Hurtigt og præcist at opdage jordskælv kan være en udfordrende opgave. Visuel påvisning udført af mennesker har længe været betragtet som guldstandarden, men kræver intensivt manuelt arbejde, der skaleres dårligt til store datasæt. I de seneste år, automatiske detektionsmetoder baseret på maskinlæring har forbedret nøjagtigheden og effektiviteten af ​​dataindsamlingen; imidlertid, nøjagtigheden af ​​disse metoder afhænger af adgang til en stor mængde af høj kvalitet, mærkede træningsdata, ofte titusindvis af poster eller mere.

For at løse dette datadilemma, forskerholdet udviklede SeismoGen baseret på et generativt modstridende netværk (GAN), som er en type dyb generativ model, der kan generere syntetiske prøver af høj kvalitet i flere domæner. Med andre ord, dybe generative modeller træner maskiner til at gøre ting og skabe nye data, der kunne passere som ægte.

Når først du er blevet trænet, SeismoGen-modellen er i stand til at producere realistiske seismiske bølgeformer af flere mærker. Når det anvendes på rigtige jordseismiske datasæt i Oklahoma, holdet så, at dataforøgelse fra SeismoGen-genererede syntetiske bølgeformer kunne bruges til at forbedre jordskælvsdetektionsalgoritmer i tilfælde, hvor kun små mængder mærkede træningsdata er tilgængelige.