Forskere opretter jordskælvssystemmodel med bedre detekteringsmuligheder

To forskere ved University of Wyoming har udviklet en maskinlæringsmodel, der forbedrer nøjagtigheden af ​​at opdage jordskælv med 14,5 procent i forhold til den mest nøjagtige nuværende eksisterende model.

Pejman Tahmasebi, lektor ved UW College of Engineering and Applied Science, ledet en undersøgelse, hvor de har foreslået en metode, der er mere effektiv til at detektere seismisk aktivitet.

"Vores udviklede model kan effektivt behandle signaldata registreret af seismometre. Den kan automatisk differentiere seismiske hændelser, dem, der er relateret til jordskælv og vigtige for os, fra seismisk støj, "Siger Tahmasebi." Desuden, når den seismiske hændelse registreres, den foreslåede model kan give en omtrentlig vurdering af den geografiske placering, hvor den sker. Det vigtigste er, at vores model er mere præcis med hensyn til estimeringsnøjagtigheden af ​​den geografiske placering, hvor der opnås en forbedring på 14,5 procent i forhold til den eksisterende. "

Tahmasebi er tilsvarende forfatter til et papir med titlen "Attention-Based LSTM-FCN for Earthquake Detection and Location", der blev offentliggjort 5. oktober i Geophysical Journal International . Det er et af verdens førende primære forskningstidsskrifter inden for solid-earth geofysik og udgiver forskningsartikler af høj kvalitet om alle aspekter af teoretisk, beregningsmæssig, eksperimentel, anvendt og observationel geofysik.

Tao Bai, en fjerdeårs ph.d. studerende ved UW College of Engineering and Applied Science, er papirets hovedforfatter. Bai udviklede computerkoder til denne forskning.

Jordskælvsregistrering og lokalisering er udfordrende, fordi et seismisk signal normalt larmer, og mikrojordskælv er skjult inde i den seismiske støj, ifølge papiret. Traditionelle detektions- og lokaliseringsmetoder afhænger ofte af manuelt valgte faser eller beregningsmæssigt intensive algoritmer.

For bedre at skelne seismiske begivenheder fra seismisk støj og identificere de områder, hvor seismiske hændelser opstår, Tahmasebi og Bai udviklede en model, der er en kombination af eksisterende langtidshukommelse (LSTM) og fuldt konvolutionelt netværk (FCN) machine learning-modeller, en kombination, der ikke har været brugt før. LSTM -modellen bruges til at fange den tidsmæssige dynamik, eller hvordan et signal ændres i løbet af tiden, af data. FCN -modellen bruges til at udtrække vigtige og skjulte træk ved seismiske begivenheder, som er svære at udtrække for at observere visuelt.

"Disse data har faktisk to komponenter - tid og rum - da de indsamles over tid, "Siger Tahmasebi.

Den model, UW -forskerne oprettede, har en klassificeringsnøjagtighed på 89,1 procent, hvilket repræsenterer en forbedring på 14,5 procent i forhold til ConvNetQuake -modellen, den topmoderne metode, Siger Tahmasebi. I øvrigt, mens ConvNetQuake -modellen har mulighed for at klassificere seismiske begivenheder i en af ​​seks geografiske områder, modellen skabt af UW -forskerne kan lokalisere seismiske begivenheder med en højere opløsning ved at klassificere seismiske begivenheder i 15 regioner.

"I vores foreslåede model, den samme region var opdelt i 15 små underregioner, hvilket betyder, at den forudsagte geografiske placering af den seismiske begivenhed vil være mere præcis, "Siger Tahmasebi.

De to testede effektiviteten og effektiviteten af ​​deres foreslåede model om seismiske data indsamlet fra Oklahoma, som har oplevet et øget antal jordskælv i de seneste år på grund af bortskaffelse af spildevand, Siger Tahmasebi.

Data indsamlet til undersøgelsens træningssæt omfattede 2, 709 seismiske begivenheder og 700, 039 seismiske støjmålinger, mens testsættet indeholdt 2, 111 seismiske begivenheder og 129, 170 seismiske støjaflæsninger. Selvom deres model ikke identificerede alle seismiske begivenheder (tre blev savnet), færre seismiske lyde blev forkert klassificeret som seismiske hændelser, ifølge undersøgelsen.

"Resultaterne af denne undersøgelse er ikke begrænset til jordskælvsproblemer, "Tahmasebi siger." Den foreslåede metode kan bruges til at overvåge vulkanske aktiviteter, infrastruktur modellering, ren energi, geotermiske systemer og andre problemer, hvor behandling af store data er en udfordring. "