Twee onderzoekers van de University of Wyoming hebben een machine learning-model ontwikkeld dat de nauwkeurigheid van het detecteren van aardbevingen met 14,5 procent verbetert in vergelijking met het meest nauwkeurige huidige bestaande model.

Pejman Tahmasebi, een universitair hoofddocent aan het UW College of Engineering and Applied Science, leidde een onderzoek waarin ze een methode hebben voorgesteld die efficiënter is in het detecteren van seismische activiteit.

"Ons ontwikkelde model kan de signaalgegevens die zijn geregistreerd door seismometers efficiënt verwerken. Het kan automatisch onderscheid maken tussen seismische gebeurtenissen, die gerelateerd zijn aan aardbevingen en belangrijk voor ons zijn, van seismisch geluid, "zegt Tahmasebi. "Bovendien, wanneer de seismische gebeurtenis wordt gedetecteerd, het voorgestelde model kan een geschatte schatting geven van de geografische locatie waar het gebeurt. Het belangrijkste is dat ons model nauwkeuriger is in termen van de schattingsnauwkeurigheid van de geografische locatie, waar een verbetering van 14,5 procent wordt bereikt ten opzichte van de bestaande."

Tahmasebi is corresponderend auteur van een paper getiteld "Attention-Based LSTM-FCN for Earthquake Detection and Location", dat op 5 oktober werd gepubliceerd in Geofysisch tijdschrift internationaal . Het is een van 's werelds toonaangevende primaire onderzoekstijdschriften op het gebied van geofysica van de vaste aarde en publiceert hoogwaardige onderzoekspapers over alle aspecten van theoretische, rekenkundig, experimenteel, toegepaste en observationele geofysica.

Tao Bai, een vierdejaars Ph.D. student aan het UW College of Engineering and Applied Science, is de hoofdauteur van de krant. Bai ontwikkelde de computercodes voor dit onderzoek.

Het detecteren en lokaliseren van aardbevingen is een uitdaging omdat een seismisch signaal gewoonlijk veel ruis bevat en micro-aardbevingen verborgen zijn in de seismische ruis. volgens het papier. Traditionele detectie- en lokalisatiemethoden zijn vaak afhankelijk van handmatig gekozen fasen of rekenintensieve algoritmen.

Om seismische gebeurtenissen beter te onderscheiden van seismische ruis en de regio's te identificeren waarin seismische gebeurtenissen plaatsvinden, Tahmasebi en Bai ontwikkelden een model dat een combinatie is van bestaande lange-kortetermijngeheugen (LSTM) en volledig convolutionele netwerk (FCN) machine learning-modellen, een combinatie die nog niet eerder is gebruikt. Het LSTM-model wordt gebruikt voor het vastleggen van de temporele dynamiek, of hoe een signaal in de loop van de tijd verandert, Van de gegevens. Het FCN-model wordt gebruikt voor het extraheren van belangrijke en verborgen kenmerken van seismische gebeurtenissen, die moeilijk te extraheren zijn om visueel waar te nemen.

"Deze gegevens hebben eigenlijk twee componenten - tijd en ruimte - omdat ze in de loop van de tijd worden verzameld, ' zegt Tahmasebi.

Het model dat de UW-onderzoekers hebben gemaakt, heeft een classificatienauwkeurigheid van 89,1 procent, wat een verbetering van 14,5 procent vertegenwoordigt ten opzichte van het ConvNetQuake-model, de modernste methode, zegt Tahmasebi. Bovendien, terwijl het ConvNetQuake-model seismische gebeurtenissen kan classificeren in een van de zes geografische regio's, het model dat door de UW-onderzoekers is gemaakt, kan seismische gebeurtenissen met een hogere resolutie lokaliseren door seismische gebeurtenissen in 15 regio's te classificeren.

"In ons voorgestelde model, dezelfde regio was verdeeld in 15 kleine subregio's, wat betekent dat de voorspelde geografische locatie van de seismische gebeurtenis nauwkeuriger zal zijn, ' zegt Tahmasebi.

De twee testten de effectiviteit en efficiëntie van hun voorgestelde model op seismische gegevens verzameld uit Oklahoma, die de afgelopen jaren een toenemend aantal aardbevingen heeft meegemaakt als gevolg van afvalwaterafvoer, zegt Tahmasebi.

Gegevens verzameld voor de trainingsset van de studie omvatten 2, 709 seismische gebeurtenissen en 700, 039 seismische ruismetingen, terwijl de testset 2 bevatte, 111 seismische gebeurtenissen en 129, 170 seismische ruismetingen. Hoewel hun model niet alle seismische gebeurtenissen identificeerde (er werden er drie gemist), minder seismische geluiden werden verkeerd geclassificeerd als seismische gebeurtenissen, volgens de studie.

"De resultaten van deze studie zijn niet beperkt tot aardbevingsproblemen, ", zegt Tahmasebi. "De voorgestelde methode kan worden gebruikt om vulkanische activiteiten te volgen, infrastructuur modellering, schone energie, geothermische systemen en andere problemen waarbij het verwerken van grote data een uitdaging is."