Een diep spatiotemporaal neuraal netwerk getraind op meer dan 36, 000 aardbevingen biedt een nieuwe manier om snel de intensiteit van het schudden van de grond te voorspellen zodra een aardbeving aan de gang is, onderzoekers rapporteren op de jaarlijkse bijeenkomst van de Seismological Society of America (SSA) in 2021.

DeepShake analyseert seismische signalen in realtime en geeft een geavanceerde waarschuwing voor sterk schudden op basis van de kenmerken van de vroegst gedetecteerde golven van een aardbeving.

DeepShake is ontwikkeld door Daniel J. Wu, Avoy Datta, Weiqiang Zhu en William Ellsworth aan de Stanford University.

De aardbevingsgegevens die zijn gebruikt om het DeepShake-netwerk te trainen, zijn afkomstig van seismische opnames van de 2019 Ridgecrest, Californië reeks. Toen de ontwikkelaars het potentieel van DeepShake testten met behulp van het daadwerkelijke schudden van de Ridgecrest-aardbeving met een kracht van 7,1 op 5 juli, het neurale netwerk stuurde gesimuleerde waarschuwingen tussen 7 en 13 seconden voorafgaand aan de aankomst van grondschudden met hoge intensiteit naar locaties in het Ridgecrest-gebied.

De auteurs benadrukten de nieuwigheid van het gebruik van deep learning voor snelle vroegtijdige waarschuwing en voorspellingen rechtstreeks uit seismische gegevens alleen. "DeepShake is in staat om signalen op te pikken in seismische golfvormen over dimensies van ruimte en tijd, ", legt Datta uit.

DeepShake demonstreert het potentieel van machine learning-modellen om de snelheid en nauwkeurigheid van aardbevingswaarschuwingssystemen te verbeteren, hij voegde toe.

"DeepShake heeft tot doel de vroege waarschuwingen voor aardbevingen te verbeteren door zijn schudschattingen rechtstreeks te maken op basis van waarnemingen van grondbewegingen, het weglaten van enkele tussenstappen die worden gebruikt door meer traditionele waarschuwingssystemen, " zei Wu.

Veel systemen voor vroegtijdige waarschuwing bepalen eerst de locatie en de omvang van de aardbeving, en bereken vervolgens de grondbeweging voor een locatie op basis van de voorspellingsvergelijkingen voor grondbewegingen, Wu legde uit.

"Elk van deze stappen kan fouten introduceren die de voorspelling voor het schudden van de grond kunnen verslechteren, " hij voegde toe.

Dit behandelen, het DeepShake-team koos voor een neurale netwerkbenadering. De reeks algoritmen waaruit een neuraal netwerk bestaat, worden getraind zonder dat de onderzoeker identificeert welke signalen "belangrijk" zijn voor het netwerk om te gebruiken in zijn voorspellingen. Het netwerk leert direct uit de gegevens welke functies de sterkte van toekomstige trillingen optimaal voorspellen.

"We hebben gemerkt door het bouwen van andere neurale netwerken voor gebruik in seismologie dat ze allerlei interessante dingen kunnen leren, en dus hebben ze het epicentrum en de omvang van de aardbeving misschien niet nodig om een ​​goede voorspelling te maken, " zei Wu. "DeepShake wordt getraind op een vooraf geselecteerd netwerk van seismische stations, zodat de lokale kenmerken van die stations onderdeel worden van de trainingsgegevens."

"Als je een machine learning-model van begin tot eind traint, we denken echt dat deze modellen deze aanvullende informatie kunnen gebruiken om de nauwkeurigheid te verbeteren, " hij zei.

Wu, Datta en hun collega's zien DeepShake als een aanvulling op de operationele ShakeAlert in Californië, toevoegen aan de toolbox van vroegtijdige waarschuwingssystemen voor aardbevingen. "We zijn erg enthousiast over het uitbreiden van DeepShake buiten Ridgecrest, en het versterken van ons werk voor de echte wereld, inclusief fail-cases zoals uitgevallen stations en hoge netwerklatentie, ", voegde Datta eraan toe.