מבוא ל-Deep Neural Networks in Seismology

ניתוח נתונים סיסמית'י כבר זמן רב אבן הפינה של הנדסה רעידת אדמה, המאפשר לחוקרים ולמהנדסים לפרש את התנועה הקרקעית, לזהות התנהגויות שגויות, ולהעריך סיכונים מבניים.שיטות מסורתיות מסתמכות רבות על הפקת תכונות ידניות ומודלים סטטיסטיים, אשר, תוך כדי יעילות, לעתים קרובות מתפרשים עם נפח הפיגור והמורכבות של נתונים סיסמית'יים מודרניים, אשר עשויים ללמוד באופן יותר ויותר את רמות עיבוד נתונים מופשטות של נתונים.

אימוץ של DNNs בסאולוגיה אינו רק עניין של שיפור מצטבר.זה מייצג שינוי בסיסי ביכולת אנליטית. שבו אלגוריתמים מסורתיים דורשים הנדסה מקיפה תכונות ספציפיות לתחום, מודלים למידה עמוקה יכולים לפעול על אותות גלם או מעובד מינימלי.זה מקטין את ההטיה האנושית, מאיץ ניתוח, ולעתים קרובות משפר את הדיוק.

אדריכלות של רשתות עמוקות של נתונים סיסמית

רשתות עצביות עמוקות המשמשות בניתוח סיסמי בדרך כלל שייכות לאחת מכמה משפחות ארכיטקטוניות, כל אחת מתאימה להיבטים שונים של הנתונים.רשתות עצביות מהפכתיות (CNN) הן יעילות במיוחד לעיבוד אותות של זמן כגון גלפורים סיסמיים.הם ליישם מסננים לוכדים שונים על פני הקלט, ללכוד דפוסים מקומיים כגון כניסות P-waves או וריאציות תדרים.

צינור DNN טיפוסי מתחיל עם עיבוד נתונים: גלפורת גלים, נורמליזציה, והגדלת ההכללה.הרשת מאומנת על נתונים מתוייגים, אשר עשוי לכלול מיליוני הקלטות סיסמיות שלא ניתן להבחין עם זמני הגעה בשלב, גודל אירועים, או מנגנוני מקור. במהלך אימון, הרשת מאמת את המשקל הפנימי שלה באמצעות backprogation, צמצום חיזוי סוג זה של תופעות לוואי מורכבות, ברגע שגרסאות מהירות של גלקסיות מהירות או גלקסיות מהירות של גלקסיות מהירות של קידודיות.

הדרישות החישוביות של האדריכלות הללו הן משמעותיות, לעתים קרובות דורשות יחידות עיבוד גרפיקה (GPUs) או יחידות עיבוד עשרות (TPUs) עבור הכשרה יעילה.עם זאת, פעם פרוסה, אי-השוויון יכול להיות מהיר מספיק עבור יישומים בזמן אמת.מחקר חקר גם עיצובים רשת קלה במיוחד עבור הפריסה קצה על חיישניים סיסמיים, המאפשרת מודיעין מבוזר בתוך רשתות ניטור.

יישומים מרכזיים בהנדסת רעידות אדמה

גילוי רעידת אדמה ושלב Picking

אחת האפליקציות הבוגרות ביותר של DNNs ב סיאולוגיה היא זיהוי רעידת אדמה אוטומטית ובחירת שלב. אלגוריתמים מסורתיים מסתמכים על ממוצע/טווח קצר טווח ממוצע (STA/LTA) ביחס לזהות אירועים סיסמיים, אך שיטות אלה נוטות לגרום לגרורות כוזבות מרעש ולעתים קרובות מפספסות אירועים גאותיים קטנים או מצופים.

המהירות והאמינות של DNN מבוסס זיהוי גם מאפשרים עיבוד של כמויות עצומות של נתונים מתמשכים מערכים סיסמיים צפופים.באזורים כמו קליפורניה ויפן, שבו אלפי חיישנים מזרימים נתונים בזמן אמת, מערכות זיהוי אוטומטיות המופעלות על ידי למידה עמוקה יכולות לזהות אירועים שאחרת יחמיצו.זה תורם לקטלוגי רעידת אדמה מלאים יותר, אשר בתורו משפרים מודלים של סיכונים והבנה של התנהגות.

המונחים: סיגנל

מעבר לגילוי פשוט, DNNs יעילים מאוד בסווגת אותות סיסמית לקטגוריות כגון רעידות אדמה טבעיות, פיצוצים, התפרצויות quarry, או microseisms האוקיינוסים. אפליה זו חיונית לשמירה על קטלוגים מדויקים ויישומים כמו אימות בדיקה גרעינית.ד עומס למידה עמוק על נתונים מגוונים יכול ללמוד את המאפיינים ספקטרום עדין וזמני כי הבחנה מקורות אלה, נוטה להפחתה מהירה יותר של פיצוצים גרעיניים, לעומת אנליסטים ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

משימות סיווג גם להרחיב לזיהוי סוגים שונים של גלים סיסמיים בתוך הקלטה, כגון גלי גוף, גלי פני השטח, אנרגיה מפוזרת. מידע זה להאכיל לתוך סיווג מקור ומודלים קרקעיים. כמה דגמים אפילו סיווג מנגנון האשמה הבסיסית או משטר הלחץ מהנתונים גלפורמפור, מתן תובנות בהקשר הגיאוגרפי של אירוע.

תחזית התנועה

משוואות חיזוי תנועה קרקעיות (GMPEs) הן בסיסיות לבחינת סיכונים סיסמיים ועיצוב מבני. GMPEs מסורתיים הם נוסחאות אמפיריות הנגזרות מניתוח של נתונים מקודמים של תנועה שטחית.רשתות עצביות עמוקות מציעות גישה חלופית שיכולה ללכוד אינטראקציות לא ליניאריות בין גודל, מרחק, תנאי אתר, ומאפיינים מקור מבלי להיות מחוסנים לצורה פונקציונלית מוגדרת מראש.

מודלים אלה ingest הפרמטרים כגון גודל הרגע, מרחק hypocentral, פרופיל מהירות הגלים, וסגנון הונאה, ואפקטים פלט כמו האצה הקרקעית שיא (PGA), מהירות הקרקע שיא (PGV), ותגובה תואמים ספקטרום spectral תואמים את הגמישות של למידה עמוקה מאפשר שילוב של תכונות הנדסיות נוספות - כגון עומק, הערכה אטומית העליון, או אפקטים ישירים - כי הם לעתים קרובות לייצר ניסויים המבוססים על ידי ניתוח מאובטח של תכונות אסטרטגיות.

תחזיות לאחר מכן

לאחר רעידת אדמה גדולה, תחזיות לאחר הזעזוע המדויקות הן קריטיות עבור תגובה חירום, בטיחות הציבור ותכנון פיקוח מבני.מודלים מסורתיים לאחר הפקד, כגון חוק אורי ודגם האפילמי סוג לאחר שהוק (ETAS) מספקים תחזיות סטטיסטיות המבוססות על דפוסים היסטוריים.רשתות עצביות עמוקות יכולות לשפר את התחזיות הללו על ידי למידה של תלות מורכבת יותר מגדולות לאחר רצף של צמיגים עתידיים, כגון 5.4, שינויים, לאחר שיפור רמת הגמישות, לאחר שיפור, לאחר 5.4, לאחר שינויים מוקדמים, לאחר רזולוציה, לאחר רזולוציה, ורזולוציה גבוהה יותר, לאחר 5.4, לאחר רזולוציה גבוהה יותר, לאחר 5.4 תכונות של 5.4, לאחר רזולוציה, לאחר 5.4 תכונות של רזולוציה, 5.4, לאחר שיפור של רזולוציה, לאחר 5.4, לאחר שינויים מוקדמים של רזולוציה, לאחר שיפור רזולוציה, לאחר רזולוציה של רזולוציה, לאחר שיפור רזולוציה של , לאחר שינויים גיאוכות, לאחר שיפור רזולוציה גבוהה יותר, לאחר שיפור 5.4, לאחר רזולוציה של רזולוציה של רזולוציה גבוהה יותר של 5.4, לאחר שיפור רזולוציה של רזולוציה של רזולוציה של רזולוציה של רזולוציה של רזולוציה, לאחר שיפור רזולוציה, לאחר 5.4, לאחר

עבודה חדשה הוכיחה כי רשתות עצביות מבוססות גרף וגרף יכולות ללכוד אינטראקציות בין תקלות וצלחות מתח, תופעות מאתגרות עבור מודלים סטטיסטיים קונבנציונליים.מודלים אלה מאומן על קטלוגי רעידת אדמה גלובליים, וניתן לתקן אותם היטב לאזורים ספציפיים. בהגדרות תפעוליות, DNN מבוסס לאחר תחזיות דיקור יכול להיות מעודכן בתקופות ממשיות כמו מבנים חדשים שזוהו, לספק הערכות מתפתחות דינמיות עבור קהילות קודמות של דיקור עוזרות.

מעקב אחר בריאות

רשתות עצביות עמוקות הופכות גם ניטור בריאות מבני (SHM) בהנדסה רעידת האדמה.בניינים, גשרים וסכרים מייצרים נתונים רטט מתמשך שניתן לנתח עבור נזק והערכה מותנית של שיטות SHM לעתים קרובות דורשים מיצוי ידני וכללי החלטות מבוסס הסף. DNNs, במיוחד קוד זדוניים ורשתות convolutional, יכול ללמוד את דפוסי הרטט הרגילים של מבנה וגילוי של תסרוקנות במהירות של צורות אחרות, לאחר ירידה או ירידה מהירה של רעידות אדמה.

כמה מערכות משתמשות DNNs כדי להעריך ישירות יחסי סחף בין קומות או סיבובי פלסטיק מרשומות האצה, עקיפה את הצורך במודלים בסיסיים של יסוד סופיים מפורטים. אחרים משתמשים בהעברה למידה, שבו רשת שהונעה מראש על נתונים מטיפוסים רבים במבנה הוא בסדר על נתונים ממבנה ספציפי הנדסה.זה מקטין את כמות הנתונים המובאים לכל מבנה חדש.

יתרונות על שיטות ניתוח מסורתיות

החוזקות של רשתות עצביות עמוקות בניתוח נתונים סיסמית נובעות מיכולתן ללמוד מערכות יחסים מורכבות, לא ליניאריות ישירות מהנתונים.אחד היתרונות המשמעותיים ביותר הוא ההפחתה בהנדסה ידנית.שיטות מסורתיות דורשות סילוגים להגדיר תכונות כגון שיעורי אפס-crossing, יחסי ספקטרליים, או תכונות קיטובות. DNNs לומדות תכונות אנלוגיות אוטונומיות, לעתים קרובות מגלה כי performing יד זה הוא מורכב במיוחד.

יתרון מפתח נוסף הוא קנה מידה. רשתות סיסמית מודרניות לייצר terabytes של נתונים מדי יום, הרבה יותר מעל היכולת של אנליסטים אנושיים או אלגוריתמים קונבנציונליים. DNNs, פעם לאומן, יכול לעבד את זרם הנתונים הזה בתפוקה גבוהה, המאפשר בזמן אמת או ליד ניתוח זמן אמתי. הביצועים שלהם לעתים קרובות משתפרים עם יותר נתונים, בניגוד כמה מודלים מסורתיים כי הרמה או להפוך חישובית ב-retractractractracleretracal.

רשתות עצביות עמוקות מציעות גמישות בסוגי פלט.מודלים בודדים יכולים להיות נועדו לבצע משימות מרובות בו זמנית - לדוגמה, בו זמנית לזהות אירועים, בחירת כניסות שלב, ומדמים גודל זה. גישה למידה רב-פנטק זו מממנת ייצוגים משותפים ולעתים קרובות משפרת את הביצועים על כל משימה אישית.בהנדסת רעידת אדמה, זה אומר DNN יחיד יכול לספק ניתוח מקיף של אירוע סיסמי, מגילוי לחיזוי תנועה, זרימת עבודה.

אתגרים ומגבלות

למרות ההבטחה שלהם, רשתות עצביות עמוקות להתמודד עם כמה מכשולים בניתוח נתונים סיסמי.הידוע ביותר הוא הצורך בנתונים גדולים, באיכות גבוהה מתוייגים. בעוד שמיליוני הקלטות סיסמיות קיימות, תוויות ידנית עקבית של כניסות, גודל, וסוגי מקור הם זמן-consuming וכפוף לגמישות.

אי-הסתברות היא עוד דאגה משמעותית.מהנדסים ו סיאולוגים לעתים קרובות צריכים להבין מדוע מודל קיבל תחזית מסוימת, במיוחד כאשר החיזוי משפיע על החלטות קריטיות בטיחותיות.רשתות עצביות עמוקות מתוארות לעתים קרובות כקופסאות שחורות, אם כי התקדמות מתבצעת עם טכניקות כמו מפות קשב, ניתוח סליחות, מודלים חלופיים.

דרישות משאבים Computational יכול גם להיות אסרטיבי.אימון המדינה- of-the-art DNNs דורש חומרה מחשוב ביצועים גבוהה וצריכת אנרגיה משמעותית. בעוד הקצינה פחות תובענית, פריסת מודלים מורכבים על צמת חיישן מוטבעת עבור ניטור מבוזר נשאר מאתגר.מודל, דחיסה מודל, חומרה מיוחדת הם תחומי מחקר פעילים לטפל מגבלות אלה.

לבסוף, קיים הסיכון של over-reliance על שיטות מונעות נתונים על חשבון הבנה פיזית. הפתרונות החזקים ביותר בהנדסה רעידת אדמה ישלבו ככל הנראה למידה עמוקה עם מודלים המבוססים על פיזיקה, תוך שימוש זה כדי לפצות על החולשות של האחר.הגישות ההיברידיות אשר מטביעות את הפיזיקה של גל לאדריכלות רשת או להשתמש DNN כדי להגדיל סימולציות מסורתיות מייצגות מבטיחות.

כיוונים עתידיים למחקר

המסלול של מחקר רשת עצבי עמוק בסאולוגיה ובהנדסת רעידות אדמה מצביע על מספר גבולות מרגשים.אזור אחד של פיתוח פעיל הוא רשתות עצביות בעלות מידע פיזיקה (PINNs), אשר משלב משוואות שלטוניות כגון משוואה גל אלסטי לתוך תהליך הלמידה. pINN יכול לייצר תחזיות כי מכבדות חוקים פיזיים, שיפור כלליזציה וצמצום הצורך עבור אימוני נתונים גדולים.

כיוון נוסף הוא השימוש של העברת הלמידה והמודלים הבסיסיים.Pre-מאומנים על נתונים סיסמיים גלובליים מסיביים, מודלים אלה יכולים להיות מכוונן עבור משימות אזוריות, מבניות או ספציפיות חיישן עם דוגמאות מעטות יחסית מתוייגות. ניסויים מוקדמים עם למידה עצמית על נתונים גל מבוזרים לא מאומתים הוכיחו כי מודלים יכולים ללמוד ייצוגים שימושיים ללא כל תווית ידנית, אשר יכול להפחית באופן דרמטי את המחסום להגדרות משאבים להגדרה מוגבלת.

פריסת זמן וקצה אמיתיים תמשיך להתקדם, מונעת על ידי שיפורים ביעילות המודל וחומרה מיוחדת.החזון הוא רשת מבוזרת של חיישנים אינטליגנטיים שיכולים לזהות, לסווג, לדווח על אירועים סיסמיים באופן אוטונומי, עם שרתים מרכזיים המטפלים רק בניתוחים המורכבים ביותר.אדריכלות זו תפחית את הסבלנות לאזהרה מוקדמת רעידת אדמה, ותאפשר ניטור במקומות מרוחקים או בחו"ל שבו תקשורת קבועה היא סטנדרטית לגילויים.

שילוב של DNNs עם תרגול הנדסי מבני מתפתח גם. כמו קודים בנייה לנוע לעבר עיצוב מבוסס ביצועים, ניתוח סיסמי סיבביליסטי של סיסמיטי יהנה ממודלים משופרים תנועה הקרקע המאפשר למידה עמוקה. בשילוב עם התקדמות בסימולציות מבניות וגילוי נזק, זה יכול להוביל לתכנון תשתיות יעילות יותר כי אופטימיזציה עלויות ובטיחות.

לבסוף, אי הוודאות קוונטית בתחזיות DNN היא עדיפות מחקר קריטי.החלטות הנדסה רעידת אדמה דורשות לא רק הערכות נקודה אלא גם מרווחי ביטחון. רשתות עצביות Bayesian, שיטות הרכב, וחיזוי תואמים מותאמת לספק מגבלות אמינות לתחזיות סיסמיות.זה מאפשר למהנדסים לקחת בחשבון את חוסר הוודאות בהערכות הסיכון שלהם ולקבל החלטות מושכלות יותר תחת אי הוודאות.

מסקנה

רשתות עצביות עמוקות ביססו את עצמן ככלי רב עוצמה בניתוח נתונים סיסמי להנדסת רעידות אדמה, המאפשרות מהר יותר, מדויק יותר, ופירוש רב יותר של אותות סיסמית מורכבים.מגילוי רעידת אדמה ושלבים לחיזוי תנועה קרקעית, לאחר חיזוי מטושטש, ניטור בריאות מבני, DNN משפרים את איכות וזמן המידע הזמין למהנדסים ומנהלי חירום.