Использование глубоких нейронных сетей в анализе сейсмических данных для инженерии землетрясений

Введение в глубокие нейронные сети в сейсмологии

Анализ сейсмических данных уже давно является краеугольным камнем сейсморазведки, позволяя исследователям и инженерам интерпретировать движение грунта, выявлять неисправности и оценивать структурные риски. Традиционные методы в значительной степени полагаются на ручную извлечение признаков и статистические модели, которые, хотя и эффективны, часто борются с огромным объемом и сложностью современных сейсмических наборов данных. Глубокие нейронные сети (DNN) появились в качестве преобразующего инструмента в этой области, предлагая основанный на данных подход, способный обнаруживать тонкие шаблоны, которые могут упустить обычные методы. Вдохновленные иерархической обработкой человеческого мозга, DNN состоят из нескольких взаимосвязанных слоев, которые изучают все более абстрактные представления входных данных. В сейсмологии это означает, что исходные данные формы волны могут подаваться непосредственно в сеть, которая затем автономно учится обнаруживать землетрясения, классифицировать типы волн и прогнозировать интенсивность движения земли. Результатом является сдвиг парадигмы в том, как сейсмическая информация обрабатывается, интерпретируется и применяется к проблемам сейсморазведки.

Принятие DNN в сейсмологии — это не просто вопрос постепенного совершенствования. Оно представляет собой фундаментальное изменение аналитических возможностей. Там, где традиционные алгоритмы требуют обширной предварительной обработки и разработки специфических для домена функций, модели глубокого обучения могут работать на необработанных или минимально обработанных сигналах. Это уменьшает предвзятость человека, ускоряет анализ и часто повышает точность. Метод уже продемонстрировал успех в задачах, начиная от обнаружения микросейсмических событий в геотермальных резервуарах до систем раннего предупреждения о землетрясениях в реальном времени. По мере расширения сейсмических сетей и увеличения объемов данных роль глубоких нейронных сетей в извлечении действенных идей из этой информации станет только более центральной.

Архитектура глубоких нейронных сетей для сейсмических данных

Глубокие нейронные сети, используемые в сейсмическом анализе, обычно принадлежат к одному из нескольких архитектурных семейств, каждое из которых подходит для различных аспектов данных. Свёрточные нейронные сети (CNN) особенно эффективны для обработки сигналов временных рядов, таких как сейсмические формы волн. Они применяют обучаемые фильтры по всему входу, захватывая локальные шаблоны, такие как P-волны прибытия или вариации частоты. Рекуррентные нейронные сети (RNN) и их варианты, такие как сети с длинной кратковременной памятью (LSTM), преуспевают в моделировании последовательных зависимостей, что делает их идеальными для задач, связанных с временной эволюцией сейсмической активности. Совсем недавно архитектуры на основе трансформаторов были адаптированы для сейсмологии, предлагая параллельную обработку и захват контекста на большие расстояния, что приносит пользу таким задачам, как моделирование послешоковых последовательностей.

Типичный сейсмический трубопровод DNN начинается с предварительной обработки данных: обрезка формы волны, нормализация и увеличение для улучшения обобщения. Затем сеть обучается на меченых наборах данных, которые могут включать миллионы сейсмических записей, аннотированных временем прибытия фазы, величинами событий или механизмами источника. Во время обучения сеть корректирует свои внутренние веса посредством обратного распространения, сводя к минимуму функцию потерь, которая количественно определяет ошибку прогнозирования. После обучения модель может обрабатывать новые сейсмические данные в режиме реального времени, выводя прогнозы, такие как вероятность события, классификация типа волны или параметры движения земли. Иерархическая природа глубоких сетей означает, что ранние слои изучают простые функции, такие как амплитудные шипы или полосы частот, в то время как более глубокие слои объединяют их в сложные представления сейсмических явлений.

Вычислительные требования этих архитектур существенны, часто требуя графических процессоров (GPU) или тензорных процессоров (TPU) для эффективного обучения. Однако после развертывания вывод может быть достаточно быстрым для приложений в реальном времени. Исследования также исследовали легкие сетевые конструкции специально для развертывания на кромках сейсмических датчиков, что позволяет распределять интеллект в сетях мониторинга. Это архитектурное разнообразие позволяет инженерам адаптировать решения DNN к конкретным проблемам сейсмостроения, балансируя точность, скорость и ограничения ресурсов.

Ключевые применения в инженерии землетрясений

Обнаружение землетрясений и выбор фазы

Одно из наиболее зрелых применений DNN в сейсмологии — автоматическое обнаружение землетрясений и фазовый отбор. Традиционные алгоритмы полагаются на краткосрочные средние/долгосрочные средние (STA/LTA) соотношения для идентификации сейсмических событий, но эти методы склонны к ложным триггерам от шума и часто пропускают небольшие или возникающие события. Глубокие нейронные сети, особенно сверточные и повторяющиеся архитектуры, продемонстрировали превосходную производительность в обнаружении землетрясений из непрерывных волновых потоков. Такие модели, как PhaseNet и EQTransformer, могут идентифицировать прибытие P-волн и S-волн с точностью, приближающейся к таковой у аналитиков-людей, даже в шумных городских средах или районах со сложной геологией. Эта способность имеет решающее значение для систем раннего предупреждения о землетрясениях, где каждая секунда задержки сокращает время, доступное для защитного действия.

Скорость и надежность обнаружения на основе DNN также позволяют обрабатывать огромные объемы непрерывных данных из плотных сейсмических массивов. В таких регионах, как Калифорния и Япония, где тысячи датчиков передают данные в реальном времени, автоматизированные системы обнаружения, работающие на глубоком обучении, могут идентифицировать события, которые иначе были бы пропущены. Это способствует более полным каталогам землетрясений, которые, в свою очередь, улучшают модели опасности и понимание поведения разломов. Кроме того, способность обнаруживать микросейсмические события поддерживает индуцированный мониторинг сейсмичности, связанный с геотермальной добычей энергии, гидравлическим разрывом и проектами секвестрации углерода.

Сейсмическая классификация сигналов

Помимо простого обнаружения, DNN очень эффективны при классификации сейсмических сигналов по категориям, таким как природные землетрясения, взрывы, взрывы карьеров или океанические микросейсмы. Эта дискриминация необходима для поддержания точных каталогов землетрясений и для таких приложений, как проверка запрета ядерных испытаний. Модели глубокого обучения, обученные на различных наборах данных, могут изучать тонкие спектральные и временные характеристики, которые дифференцируют эти источники. Например, взрывы, как правило, имеют более высокое содержание частоты и различные соотношения P-волн к S-волнам по сравнению с тектоническими землетрясениями. Хорошо обученный DNN может делать эти различия автономно, уменьшая нагрузку на аналитиков-людей и позволяя быстрее производить каталог.

Задачи классификации также распространяются на выявление различных типов сейсмических волн в записи, таких как волны тела, поверхностные волны и рассеянная энергия. Эта информация подается в характеристику источника и моделирование движения земли. Некоторые модели даже классифицируют основной механизм разлома или режим напряжения из данных формы волны, обеспечивая понимание геофизического контекста события. По мере того, как наборы данных обучения становятся все более разнообразными тектоническими средами и типами источников, обобщаемость этих систем классификации продолжает улучшаться.

Прогноз движения земли

Уравнения прогнозирования движения грунта (GMPE) имеют основополагающее значение для оценки сейсмической опасности и структурного проектирования. Традиционные GMPE являются эмпирическими формулами, полученными из регрессионного анализа записанных данных движения грунта. Глубокие нейронные сети предлагают альтернативный подход, который может захватывать нелинейные взаимодействия между величиной, расстоянием, условиями участка и характеристиками источника, не будучи ограниченным заранее определенной функциональной формой. Модели движения грунта на основе DNN показали способность уменьшать остаточные показатели прогнозирования по сравнению с классическими GMPE, особенно для сложных эффектов участка и движений ближнего поля.

Эти модели принимают такие параметры, как величина момента, гипоцентральное расстояние, профили скорости сдвига волны и стиль неисправности, а также показатели интенсивности выхода, такие как пиковое ускорение грунта (PGA), пиковая скорость грунта (PGV) и спектральные ординаты ответа. Гибкость глубокого обучения позволяет включать дополнительные функции, такие как глубина бассейна, топографическое усиление или эффекты направленности, которые трудно моделировать аналитически. Некоторые исследования также использовали DNN для генерации пространственно коррелированных полей движения земли для оценки рисков на основе сценариев, предоставляя инженерам реалистичный вход для нелинейного динамического анализа структур. В то время как проблемы черного ящика остаются, исследователи разрабатывают методы интерпретируемости, чтобы понять, какие функции приводят к предсказаниям, создавая доверие к этим моделям для инженерных приложений.

Прогнозирование афтершока

После крупного землетрясения точные прогнозы афтершока имеют решающее значение для реагирования на чрезвычайные ситуации, общественной безопасности и планирования структурных проверок. Традиционные модели афтершока, такие как закон Омори и модель эпидемической последовательности афтершока (ETAS), предоставляют статистические прогнозы на основе исторических моделей. Глубокие нейронные сети могут улучшить эти прогнозы, изучая более сложные пространственно-временные зависимости от больших последовательностей афтершока. Обрабатывая такие функции, как магнитуда афтершока, геометрия разрыва, изменения напряжения и ранние места афтершока, DNN могут прогнозировать скорость и распределение будущих афтершоков с улучшенным разрешением.

Недавние работы показали, что рекуррентные и основанные на графах нейронные сети могут фиксировать взаимодействия между близлежащими разломами и стрессовыми тенями, явлениями, которые являются сложными для обычных статистических моделей. Эти модели обучаются на глобальных каталогах землетрясений и могут быть точно настроены для конкретных регионов. В оперативных условиях прогнозы послетравм на основе DNN могут обновляться в режиме реального времени по мере обнаружения новых событий, обеспечивая динамически развивающиеся оценки рисков для пострадавших сообществ. Это помогает определить приоритетность проверки критической инфраструктуры и информировать о решениях о повторном заселении поврежденных зданий.

Контроль структурного здоровья

Глубокие нейронные сети также трансформируют структурный мониторинг здоровья (SHM) в сейсмостроении. Приборные здания, мосты и плотины генерируют непрерывные вибрационные данные, которые можно анализировать для обнаружения повреждений и оценки состояния. Традиционные методы SHM часто требуют ручного извлечения признаков и правил принятия решений на основе пороговых значений. DNN, особенно автокодировщики и сверточные сети, могут изучать нормальные вибрационные модели структуры и обнаруживать аномалии, указывающие на повреждение. После землетрясения эти модели могут быстро оценить, испытала ли структура снижение жесткости, выход или другие формы деградации.

Некоторые системы используют DNN для непосредственной оценки коэффициентов дрейфа между этажами или вращения пластиковых шарниров из записей ускорения, минуя необходимость в подробных моделях конечных элементов. Другие используют обучение передаче, где сеть, предварительно обученная моделированным данным из многих типов структур, тонко настраивается на данные из конкретного здания. Это уменьшает количество меченых данных, необходимых для каждой новой структуры. Интеграция DNN в системы SHM обещает более автоматизированные, точные и своевременные оценки повреждений после землетрясения, поддерживая более быстрое восстановление и более обоснованные инженерные решения.

Преимущества перед традиционными методами сейсмического анализа

Сильные стороны глубоких нейронных сетей в анализе сейсмических данных проистекают из их способности изучать сложные, нелинейные отношения непосредственно из данных. Одним из наиболее значительных преимуществ является сокращение ручной инженерии признаков. Традиционные методы требуют от сейсмологов определения таких признаков, как скорости нулевого скрещивания, спектральные соотношения или атрибуты поляризации. DNN изучают аналогичные особенности автономно, часто обнаруживая представления, которые превосходят ручные. Это особенно ценно в сейсмологии, где физика распространения волн очень сложна и специфична для участка.

Еще одним ключевым преимуществом является масштабируемость. Современные сейсмические сети ежедневно производят терабайты данных, намного превышающие возможности аналитиков-людей или обычных алгоритмов. DNN, будучи обученными, могут обрабатывать этот поток данных с высокой пропускной способностью, позволяя анализировать в реальном времени или почти в реальном времени. Их производительность часто улучшается с большим количеством данных, в отличие от некоторых традиционных моделей, которые плато или становятся вычислительно неразрешимыми. Кроме того, DNN демонстрируют сильное обобщение при правильной регуляризации, хорошо выполняя данные из регионов или условий, не замеченных во время обучения. Эта переносимость уменьшает необходимость переучивания моделей с нуля для каждого нового развертывания.

Глубокие нейронные сети также обеспечивают гибкость в типах выходов. Единичные модели могут быть разработаны для одновременного выполнения нескольких задач - например, одновременного обнаружения событий, выбора фазовых приходов и оценки величины. Этот подход многозадачного обучения использует общие представления и часто улучшает производительность для каждой отдельной задачи. В сейсмостроении это означает, что один DNN может обеспечить всесторонний анализ сейсмического события, от обнаружения до прогнозирования движения земли, упорядочение рабочего процесса для оценки опасности и реагирования.

Проблемы и ограничения

Несмотря на свои обещания, глубокие нейронные сети сталкиваются с несколькими препятствиями в анализе сейсмических данных. Наиболее заметной является необходимость в больших, высококачественных маркированных наборах данных. В то время как существуют миллионы сейсмических записей, последовательная ручная маркировка фазовых приходов, величин и типов источников занимает много времени и подвержена изменчивости. Этот дефицит маркированных данных особенно остро проявляется при редких событиях, таких как землетрясения большой величины или для конкретных тектонических настроек. Исследователи обратились к увеличению данных, синтетическому генерированию данных и полуконтролируемому обучению, чтобы смягчить эту проблему, но он остается ограничением на разработку и валидацию моделей.

Еще одной серьезной проблемой является интерпретируемость. Инженерам и сейсмологам часто необходимо понять, почему модель сделала конкретное предсказание, особенно когда это предсказание влияет на критически важные решения в области безопасности. Глубокие нейронные сети часто описываются как черные ящики, хотя прогресс достигается с помощью таких методов, как карты внимания, анализ выносливости и суррогатные модели. Для укрепления доверия к предсказаниям DNN для приложений сейсмостроения требуется прозрачная проверка против независимых данных и проверка физической правдоподобности. Некоторые нормативные рамки также могут потребовать объяснимых моделей для сертификации в области проектирования инфраструктуры.

Требование к вычислительным ресурсам также может быть непомерным. Для обучения современных DNN требуется высокопроизводительное вычислительное оборудование и значительное потребление энергии. Хотя вывод менее требователен, развертывание сложных моделей на встроенных узлах датчиков для распределенного мониторинга остается сложной задачей. Сжатие модели, квантование и специализированное оборудование являются активными областями исследований, устраняющими эти ограничения. Кроме того, DNN могут быть чувствительны к сдвигу распределения - если характеристики сейсмических данных изменяются из-за новых установок датчиков, модификаций сайта или развивающихся моделей шума, производительность модели может ухудшаться без переподготовки.

Наконец, существует риск чрезмерной зависимости от методов, основанных на данных, за счет физического понимания. Наиболее надежные решения в сейсмостроении, вероятно, будут сочетать глубокое обучение с физическими моделями, используя каждую из них для компенсации слабостей другой. Гибридные подходы, которые встраивают физику распространения волн в сетевые архитектуры или используют DNN для расширения традиционных симуляций, представляют собой многообещающее направление.

Будущие направления исследований

Траектория глубокого исследования нейронных сетей в сейсмологии и сейсморазведке указывает на несколько захватывающих границ. Одной из областей активного развития являются нейронные сети, основанные на физике (PINN), которые включают в процесс обучения управляющие уравнения, такие как уравнение упругих волн. PINN могут создавать прогнозы, которые уважают физические законы, улучшая обобщение и уменьшая потребность в больших наборах данных обучения. Эти модели показывают перспективы для таких задач, как сейсмическая томография и инверсия в полноволновой форме, где традиционные методы являются вычислительно дорогостоящими.

Другое направление — использование моделей трансферного обучения и фундамента. Предварительно обученные массивным глобальным сейсмическим наборам данных, эти модели могут быть точно настроены для конкретных региональных, структурных или сенсорно-специфических задач с относительно небольшим количеством меченых примеров. Ранние эксперименты с самоконтролируемым обучением на немаркированных волновых данных продемонстрировали, что модели могут изучать полезные представления без какой-либо ручной маркировки, что может резко снизить барьер для входа для принятия DNN в условиях ограниченных ресурсов.

Развертывание в режиме реального времени и краев будет продолжать развиваться, что обусловлено повышением эффективности моделей и специализированного оборудования. Видение представляет собой распределенную сеть интеллектуальных датчиков, которые могут обнаруживать, классифицировать и сообщать о сейсмических событиях автономно, причем центральные серверы обрабатывают только самые сложные анализы. Эта архитектура уменьшит задержку раннего предупреждения о землетрясениях и позволит осуществлять мониторинг в отдаленных или морских местах, где постоянная связь непрактична. Появляются стандарты для вывода о машинном обучении на датчике, хотя совместимость и надежность остаются областями активной работы.

Интеграция DNN с практикой структурной инженерии также развивается. По мере того, как строительные коды движутся в направлении проектирования на основе производительности, вероятностный анализ сейсмической опасности выиграет от улучшенных моделей движения земли, которые позволяет глубокое обучение. В сочетании с достижениями в структурном моделировании и обнаружении повреждений это может привести к более устойчивым конструкциям инфраструктуры, которые оптимизируют стоимость и безопасность. Совместные платформы для обмена обученными моделями и наборами данных бенчмарков ускоряют прогресс, в то время как междисциплинарные учебные программы производят инженеров, удобных как с глубоким обучением, так и с наукой о землетрясениях.

Наконец, количественная оценка неопределенности в предсказаниях DNN является критическим приоритетом исследований. Решения о землетрясениях требуют не только точечных оценок, но и доверительных интервалов. Байесовские нейронные сети, методы ансамбля и конформное предсказание адаптируются для обеспечения надежных границ неопределенности для сейсмических прогнозов. Это позволяет инженерам учитывать неопределенность модели в своих оценках риска и принимать более обоснованные решения в условиях неопределенности.

Заключение

Глубокие нейронные сети зарекомендовали себя как мощный инструмент анализа сейсмических данных для сейсмостроения, позволяющий быстрее, точнее и масштабируемее интерпретировать сложные сейсмические сигналы. От обнаружения землетрясений и фазового отбора до прогнозирования движения земли, прогнозирования послетолкового шока и структурного мониторинга состояния здоровья, DNNs улучшают качество и своевременность информации, доступной инженерам и менеджерам по чрезвычайным ситуациям. В то время как такие проблемы, как требования к данным, интерпретируемость и вычислительные затраты, сохраняются, продолжающиеся исследования в области обучения с физической информацией, обучения передаче и эффективного развертывания быстро устраняют эти ограничения. Продолжающаяся интеграция глубокого обучения в практику сейсмостроения обещает повысить оценку сейсмической опасности, устойчивость инфраструктуры и безопасность сообщества перед лицом неизбежных будущих землетрясений.