Forskargruppen ledd av prof. Zhang Jie från University of Science and Technology of China (USTC) vid den kinesiska vetenskapsakademin gjorde framsteg med realtidsbestämning av jordbävningsfokusmekanismer genom djupinlärning. Verket publicerades i Naturkommunikation .

Eftersom det finns samband mellan egenskaperna hos källans brottyta och seismiska vågor som utstrålas av källan, det är viktigt att övervaka jordbävningen genom att omedelbart fastställa källans fokalmekanism, som härleds från flera markseismiska uppgifter.

Dock, det är svårt att beräkna mekanismen från de enkla uppgifterna. Parametrarna om fokalmekanismer rapporteras antingen bara eller rapporteras efter några minuter eller ännu längre.

I den här studien, Prof. Zhangs team tillämpade ett nytt konvolutionellt neuralt nätverk för att effektivt lösa detta problem, banar väg för att påskynda utredningen av detaljer om jordbävningar.

Det neurala nätverket, som heter 'Focal Mechanism Network (FMNet), ' tränades först för att uppskatta källans fokalmekanism snabbt med hjälp av hela vågformer. Sedan, modellen för neurala nätverk utbildades av en omfattande datamängd, som ändrade rapportsystemet. Efter jordbävningen, real-dataseten introduceras i träningssystemet, och de uppskattade parametrarna om jordbävningskällan kan beräknas inom en sekund med ett minimikrav på beräkningsresurser och minneslagring.

Ett stort antal praktiska datatester har bevisat metodens effektivitet.

Resultaten av denna studie översätts nu till praktiska funktioner och kommer snart att sättas i provdrift på det intelligenta jordbävningsövervakningssystemet med artificiell intelligens för markrörelser som utvecklats gemensamt av USTC och China Earthquake Administration.