Het onderzoeksteam onder leiding van prof. Zhang Jie van de Universiteit voor Wetenschap en Technologie van China (USTC) van de Chinese Academie van Wetenschappen boekte vooruitgang bij de realtime bepaling van de focale mechanismen van aardbevingen door middel van diepgaand leren. Het werk is gepubliceerd in Natuurcommunicatie .

Aangezien er verbanden zijn tussen kenmerken van het breukoppervlak van de bronfout en de seismische golf die door de bron wordt uitgestraald, het is van vitaal belang om de aardbeving te volgen door onmiddellijk het bronfocusmechanisme te bepalen dat wordt afgeleid uit meerdere seismische gegevens op de grond.

Echter, het is moeilijk om het mechanisme uit de eenvoudige records te berekenen. De parameters over focale mechanismen worden ofwel alleen gerapporteerd of gerapporteerd na een paar minuten of zelfs langer.

In dit onderzoek, Het team van prof. Zhang paste een nieuw convolutioneel neuraal netwerk toe om dit probleem effectief op te lossen, de weg vrijmaakt voor een versnelling van het onderzoek naar details over aardbevingen.

Het neurale netwerk, genaamd 'Focal Mechanism Network (FMNet), ' werd eerst getraind om het focale mechanisme van de bron snel te schatten met behulp van volledige golfvormen. Vervolgens, het neurale netwerkmodel werd getraind door een uitgebreide dataset, die het rapportagesysteem hebben gewijzigd. Na de aardbeving, de real-datasets worden geïntroduceerd in het trainingssysteem, en de geschatte parameters over de aardbevingsbron kunnen binnen één seconde worden berekend met een minimum aan computerbronnen en geheugenopslag.

Een groot aantal praktische datatesten hebben de effectiviteit van de methode bewezen.

De resultaten van deze studie worden nu vertaald naar praktische functies en zullen binnenkort in proef worden genomen op het intelligente, door USTC en China Earthquake Administration ontwikkelde intelligente aardbevingsbewakingssysteem met kunstmatige intelligentie op de grond.