Seismology'de Deep Neural Networks'e Giriş
Seismic data analizi uzun zamandır deprem mühendisliğinin temel taşı olmuştur, araştırmacılar ve mühendislerin bu alanda bir dönüşüm aracı olarak ortaya çıkmasına izin verir ve geleneksel yöntemler, geleneksel tekniklerin özlediği ince tasarımlara ve istatistiksel modellere dayanır.İnsan beyninin ses ve karmaşıklığıyla mücadele ederken, DNN'ler bu alanda dönüştürücü bir araç olarak ortaya çıkmaktadır.
DNN'lerin seismolojideki benimsenmesi sadece artımlı bir gelişme meselesi değildir.Bu, mikrozorunlulukta ve alan bazlı özelliklere dayalı mühendislik, derin öğrenme modellerinin ham veya minimum işlenmiş sinyalleri üzerinde çalışabileceği, insan önyargısını azaltır ve teknik, mikrozorunlulukta gerçek zamanlı deprem erken uyarı sistemlerindeki tespitinde daha merkezi hale gelen görevlerde zaten başarı göstermiştir.
Seismic Data için Deep Neural Networks Mimarisi
Derin sinir ağları genellikle birkaç mimari aileden birine ait, her biri verinin farklı yönlerine uygundur. Convolutional sinir ağları (CNNs) özellikle zaman dizili sinyalleri işleme zamanı açısından etkilidir, girişte modellemek, yerel sismik aktivite biçimlerine sahip olmak gibi görevleri yürütmek.Daha yakın zamanda dönüşümler ve değişkenlik gibi uzun süreli bellek (LSTM) gibi farklı şekillerdeki kullanım biçimlerine uygun olarak, sürekli olarak optimize edilir.
Tipik bir sismik DNN hattı veri işleme öncesi ile başlar: dalgalama, normalleştirme ve genelleştirmeyi geliştirmek için bir teşvik. Ağ daha sonra, veri kümeleri üzerinde eğitilmiştir, bu model, yeni sismik kayıtların aşama zamanları ile not edilebilir, olay büyüklüğü veya kaynak mekanizmaları ile yapılır.Eğitim sırasında, ağ, iç ağırlıklarını geri dönüşüm yoluyla ayarlar, tahmin edilen hataları ölçen bir kayıp fonksiyonunu birleştirir.
Bu mimarilerin hesaplama talepleri önemli, genellikle grafik işleme birimleri (GPUs) veya onor işleme birimleri (TPUs) verimli bir şekilde yapılandırılabilir. Ancak, bir kez, inference gerçek zamanlı uygulamalar için yeterince hızlı olabilir. Araştırma, özellikle de sismik sensörler üzerinde dağıtım için hafif ağ tasarımları araştırıyor, izleme ağları içinde dağıtılabilir. Bu mimari çeşitlilik mühendisler DNN çözümlerini belirli deprem mühendislik problemlerine, dengelemek, hız ve kaynak kısıtlamalarına göre uyarladı.
Deprem Mühendisliğinde Anahtar Uygulamaları
Deprem Tespiti ve Faz Picking
DNN'lerin seismolojideki en olgun uygulamaları otomatik deprem tespiti ve faz toplamadır. Geleneksel algoritmaları kısa vadeli ortalama / uzun vadeli ortalama (STA/LTA) oranları, fazNet ve EQTransformer gibi modeller, insan analistlerinin, özellikle de gürültülü kentsel ortamlardaki ve yeniden akış mimarisine yaklaşırken, sürekli dalga akış akışlarından gelen depremlerin tespit edilmesinde üstün performansları tespit eder.
DNN tabanlı algılamanın hızı ve güvenilirliği, yoğun sismik dizilerden gelen geniş miktarda sürekli veri işlemesini sağlar. Kaliforniya ve Japonya gibi bölgelerde, binlerce sensör veriyi gerçek zamanlı olarak, biyoenerji ekstraksiyon sistemleri aksi takdirde kaçırılabilir olayları tespit edebilir. Bu, tehlike modellerini ve hata davranışını geliştirmek için daha eksiksiz bir şekilde katkıda bulunur.
Seismic Signal Sınıflama
Basit algılamanın ötesinde, DNN'ler, doğal depremler, patlamalar, kurry patlamalar veya okyanus mikrozurumları gibi kategorilere kadar çok etkilidir. Bu ayrımcılığa karşı doğru deprem katalogları ve nükleer test yasağı doğrulama gibi uygulamalar için önemlidir. Farklı veri setlerinde eğitilmiş Deep learning modelleri, bu kaynakları ayırt eden ince ⁇ ve zamansal özellikleri öğrenebilir. Örneğin, patlamalar daha yüksek frekans içeriğine ve farklı P-yoğuk depremlere kıyasla daha yüksek dalga oranlarına sahip olma eğilimindedir.
Sınıf görevleri ayrıca, bir olaydaki farklı sismik dalga türlerini tanımlamak için genişletir, örneğin vücut dalgaları, yüzey dalgaları ve dağınık enerji. Bu bilgi, daha farklı tectonik ortamlar ve kaynak türlerini içerecek şekilde, temel hata mekanizmalarını veya stres rejimini dalgaform verisinden sınıflandırmaya devam eder.
Ground Motion Prediction
Ground action tahmin denklemleri (GMPEs) sismik tehlike değerlendirme ve yapısal tasarım için temeldir. Geleneksel GMPEs, kayıt edilen zemin hareket verilerinin regresyon analizinden elde edilen ampirik formüllerdir. Deep sinir ağları özellikle karmaşık site etkileri ve yakın uzay hareketleri ile ilgili alternatif bir yaklaşım sunar.
Bu modeller şu anda büyüklüğü, hipo merkezi mesafe, hear- dalga hız profilleri ve hata tarzı ve yüksek zemin hız (PGA) gibi yoğunluk önlemleri, DNN'ler uzaysal olarak ilişkili zemin hareket alanları oluşturmak için de kullanılabilir. Derin öğrenme esnekliği ek özellikler için - örneğin, kara kutulu dinamik analizleri için gerçekçi giriş için mühendisler için - bu tür uygulamalar analitik olarak geliştirilir. Bazı çalışmalar da DNN'ler, uzaysal olarak ilişkili zemin hareket alanları oluşturmak için de kullanılır.
Aftershock Tahmini
Büyük bir depremden sonra, doğru Aftershock tahminleri acil yanıt için kritik, halk güvenliği ve yapısal denetim planlama. Geleneksel Aftershock modelleri, Omori'nin yasası ve Epidemiyoloji (ETAS) modeli gibi işlem özellikleri, tarihsel desenlere dayanan istatistik tahminleri sağlayabilir. Deep sinir ağları, bu tahminleri daha karmaşık spatiotemporalleri öğrenmek için daha karmaşık spatiotemporal hızları büyük Aftershock dizilerinden bağlıdır.
Son zamanlarda yapılan çalışmalar, mevcut ve grafik tabanlı sinir ağları, yakın zamanda yeni olaylar tespit edilen fenomenler arasında etkileşimler yakalayabilir ve etkilenen topluluklar için dinamik olarak gelişen risk değerlendirmeleri sağlar.Bu, kritik altyapı incelemelerine yardımcı olur ve bazı bölgelere yönelik kararlara öncelik verir.
Yapısal Sağlık İzleme
Derin sinir ağları ayrıca deprem mühendisliğinde yapısal sağlık izleme (SHM) dönüştürmektir. Instrumented binalar, köprüler ve barajlar hasar tespiti ve koşul değerlendirme için analiz edilebilir sürekli titreşim verileri üretir. Geleneksel SHM yöntemleri genellikle manuel özellik çıkarma ve eşgüdümlü karar kuralları gerektirir. DNNs, özellikle de otoencoders ve convolutional ağlar, bir yapının normal titreşim kalıplarını öğrenebilir ve hasar tespit edebilir. Bir depremden sonra, bu modeller bir yapının deneyimlediği veya başka bozulma biçimlerini çabucak değerlendirebilir.
Bazı sistemler DNN'ler doğrudan hikayelerarası sürüklenme oranları veya plastik rotasyonlar hızlanan rekorlardan dolayı kullanıyor, DNN'lerin sonlu elemanlar modellerine olan entegrasyonunu atlıyor.Diğerleri, önceden belirlenmiş bir veri üzerinde simülasyonlanmış birçok yapı türünden daha hızlı bir şekilde yararlanıyor ve daha fazla bilgilendirilmiş mühendislik kararları destekliyor.
Geleneksel Seismic Analiz Yöntemleri Üzerindeki Avantajları
Derin sinir ağlarının sismik veri analizindeki güçlü yönleri karmaşık, doğrusal olmayan ilişkileri doğrudan veriden öğrenmek için kapasitelerinden kaynaklanıyor.En önemli avantajlardan biri manuel özellik mühendisliğinde azalmadır. Geleneksel yöntemler, dalga yayılımı gibi özellikleri tanımlamak için semolojistler gerektirir, ⁇ oranları veya kutuplaşma özellikleri. DNNs analog özelliklerden bağımsız olarak, genellikle ortaya çıkanları keşfeder.
Başka bir anahtar avantajı ölçeklenebilir. Modern sismik ağlar günlük olarak, insan analistlerinin veya geleneksel algoritmaların kapasitelerini aştıktan çok daha fazla veri üretmektedir. DNNs, bir kez eğitilmiş, bu verileri yüksek kodlardan, gerçek zamanlı veya yakın zamanlı analizlere olanak sağlar. Bu transfer modelleri her yeni dağıtım için yeniden programlamaya veya hesaplamak için optimize etmek için ihtiyaç duyar.
Deep sinir ağları aynı zamanda çıktı türlerinde esneklik sunar.Tek modeller aynı anda birden fazla görevi gerçekleştirmek için tasarlanmıştır - örneğin, aynı anda olayları tespit etmek, faz gelişini ve tehlike değerlendirme ve yanıt için iş akışınızı tespit etmek.Bu çoktask öğrenme yaklaşımı paylaşılan temsilleri geliştirir ve genellikle her bir bireysel görevde performans geliştirir.
Meydanlar ve Sınırlar
Sözlerine rağmen, derin sinir ağları sismik veri analizinde birkaç engelle karşı karşıyadır. En belirgin olan veri kümesi, büyük yüksek kaliteli etiketli veri kümeleri gibi nadir olaylar için ihtiyaçtır. Araştırmacılar, belirli bir tektonik ayarlar için veri toplama, ölçeklendirme ve kaynak türleri zaman alıcı ve bu sorunu azaltmak için zamanlayıcıdır, ancak bu konuda özellikle akut bir kısıtlamadır.
Analiz, mühendisler ve semmanologlar genellikle bir modelin neden belirli bir tahmin yaptığını anlamaları gerekir, özellikle de bu tahmin güvenlik-könemli kararlara karşı yapılan tahminler. Deep sinir ağları genellikle kara kutular olarak tanımlanabilir, ancak ilerleme altyapı tasarımlarında sertifikalandırmak için tekniklerle yapılır.
C ⁇ kaynak talepleri de yasaklanabilir. Eğitim durumu-of-the-art DNNs, yüksek performanslı hesaplama donanım ve önemli enerji tüketimi gerektirir.Inference daha az talep edilirken, dağıtılmış izleme için karmaşık modelleri dağıtmaya devam edebilir. Model sıkıştırma, ölçümleme, ve özel donanımlar bu kısıtlamaları ele alan aktif araştırma alanlarıdır. Ek olarak, DNNs, yeni sensör yüklemeleri nedeniyle sismik veri değişimin özelliklerine duyarlı olabilir - yeni sensör yüklemeleri, site modifikasyonları veya gelişmekte olan gürültü modelleri dağıtmaya devam edebilir.
Son olarak, fiziksel anlayış pahasına aşırı tahrik yöntemlerinin riski vardır. Deprem mühendisliğindeki en sağlam çözümler muhtemelen fizik tabanlı modeller ile derin öğrenmeyi, diğer zayıflıkları telafi etmek için her birini kullanarak, dalga yayılımını sağlayan Hibrit yaklaşımlar.
Future Research
Derin sinir ağ araştırmalarının semografi ve deprem mühendisliği alanlarındaki yönü, çeşitli heyecan verici sınırlara doğru işaret eder. Aktif gelişim alanı, sismik tomografi ve tam dalgaformu gibi görevlerin tam anlamıyla pahalı olduğu durumlarda, geleneksel yöntemlere ilişkin öngörüler üretebilir. PINNs, fiziksel yasalara saygı gösteren tahminler üretebilir ve büyük eğitim veri setlerine ihtiyaç duyar.
Başka bir yön, transfer öğrenme ve temel modellerin kullanımıdır. Büyük küresel sismik veri setleri üzerinde eğitim öncesi, bu modeller belirli bölgesel, yapısal veya sensör bazlı görevlerin kaynak sınırlı ortamlarda kabul edilmesi için bariyeri dramatik bir şekilde azaltabilecektir.
Gerçek zamanlı ve kenar dağıtım, model verimliliği ve özel donanımda gelişmeler tarafından ilerlemeye devam edecek. vizyonu, algılayabilen, sınıflandırmak ve rapor sismik olaylarla otonom olarak, merkezi sunucularla yalnızca en karmaşık analizler için geç kalmış bir ağdır.Bu mimari, sürekli iletişimin pratik olarak ortaya çıktığı uzak veya açık olmayan yerlerde izlemenin engelleyici bir ağdır. Standartlar, geçici öğrenme eğilimi, içebilirlik ve raporlanabilirlik alanlarıyla birlikte, aktif iş için yalnızca en karmaşık analizler ile ilgilidir.
DNN'lerin yapısal mühendislik uygulamaları ile entegrasyonu da gelişmektedir. Bina kodları performans tabanlı tasarıma doğru hareket ediyor, olasılıksal sismik tehlike analizi, derin öğrenmenin olanak sağladığı gelişmiş zemin hareket modellerinden faydalanacaktır.Yapısal simülasyonlarda ve hasar algılamada ilerlemeler ile çiftleşirken, bu da maliyet ve güvenlik optimize eden daha dayanıklı altyapı tasarımlarına yol açabilir.Eğitim modelleri ve karşılaştırma için Colative platformları hızlandırılırken, disiplinler arası eğitim programları her iki derin öğrenme ve deprem bilimi ile rahat mühendisler üretir.
Son olarak, DNN tahminlerinde belirsizlik kritik bir araştırma önceliğidir. Deprem mühendisliği kararları sadece nokta tahminleri değil aynı zamanda güven aralıkları gerektirir. Bayesian sinir ağları, benzeyen yöntemler ve uygun tahminler sismik tahminler için güvenilir belirsizlikler sağlamak için uyarlanabilir. Bu, mühendisler risk değerlendirmelerinde modelleme belirsizliklerini dikkate almak ve belirsizlik altında daha fazla bilgi sahibi olmak sağlar.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Derin sinir ağları kendilerini deprem mühendisliği için güçlü bir araç olarak kurdular, daha hızlı, daha doğru ve daha ölçeklenebilir karmaşık sismik sinyallerin yorumlanması. Deprem algılama ve fazdan temel öğrenme, öğrenme ve verimli dağıtım hızla bu sınırlamaları ele alıyor. DNNs, deprem mühendisliği uygulamaları için mevcut olan bilgilerin kalitesini ve zaman zaman çizelgesini geliştiriyor.Veri gereksinimleri, yorumlanabilirlik ve hesaplama maliyetleri gibi sorunlarla ilgili olarak devam ederken, deprem öğrenme, öğrenme, öğrenme ve verimli dağıtım hızla ele alıyor.