Een nieuw machine learning-model dat realistische seismische golfvormen genereert, zal handmatige arbeid verminderen en de detectie van aardbevingen verbeteren, volgens een recent gepubliceerd onderzoek in JGR vaste aarde .

"Om de doeltreffendheid van ons generatieve model te verifiëren, we hebben het toegepast op seismische veldgegevens verzameld in Oklahoma, " zei Youzuo Lin, een computationele wetenschapper in de Geophysics-groep van Los Alamos National Laboratory en hoofdonderzoeker van het project. "Door een opeenvolging van kwalitatieve en kwantitatieve tests en benchmarks, we zagen dat ons model hoogwaardige synthetische golfvormen kan genereren en op machine learning gebaseerde algoritmen voor aardbevingsdetectie kan verbeteren."

Het snel en nauwkeurig detecteren van aardbevingen kan een uitdagende taak zijn. Visuele detectie door mensen wordt lange tijd als de gouden standaard beschouwd, maar vereist intensief handwerk dat slecht kan worden geschaald naar grote datasets. In recente jaren, automatische detectiemethoden op basis van machine learning hebben de nauwkeurigheid en efficiëntie van gegevensverzameling verbeterd; echter, de nauwkeurigheid van die methoden is afhankelijk van toegang tot een grote hoeveelheid hoogwaardige, gelabelde trainingsgegevens, vaak tienduizenden records of meer.

Om dit datadilemma op te lossen, het onderzoeksteam ontwikkelde SeismoGen op basis van een generatief adversarial netwerk (GAN), dat is een soort diep generatief model dat hoogwaardige synthetische monsters in meerdere domeinen kan genereren. Met andere woorden, diepe generatieve modellen trainen machines om dingen te doen en nieuwe gegevens te creëren die voor echt kunnen doorgaan.

Eenmaal getraind, het SeismoGen-model is in staat om realistische seismische golfvormen van meerdere labels te produceren. Wanneer toegepast op echte seismische datasets op aarde in Oklahoma, het team zag dat gegevensvergroting van door SeismoGen gegenereerde synthetische golfvormen kan worden gebruikt om algoritmen voor aardbevingsdetectie te verbeteren in gevallen waarin slechts kleine hoeveelheden gelabelde trainingsgegevens beschikbaar zijn.