Två forskare vid University of Wyoming har utvecklat en maskininlärningsmodell som förbättrar noggrannheten för att upptäcka jordbävningar med 14,5 procent jämfört med den mest exakta nuvarande befintliga modellen.

Pejman Tahmasebi, docent vid UW College of Engineering and Applied Science, ledde en studie där de har föreslagit en metod som är mer effektiv för att upptäcka seismisk aktivitet.

"Vår utvecklade modell kan effektivt bearbeta signaldata som registrerats av seismometrar. Det kan automatiskt skilja seismiska händelser, de som är relaterade till jordbävningar och viktiga för oss, från seismiskt ljud, "Säger Tahmasebi." Dessutom, när den seismiska händelsen upptäcks, den föreslagna modellen kan ge en ungefärlig uppskattning av den geografiska platsen där den sker. Det viktigaste är att vår modell är mer exakt när det gäller uppskattningsnoggrannheten för den geografiska platsen, där en förbättring på 14,5 procent uppnås jämfört med den befintliga. "

Tahmasebi är motsvarande författare till en uppsats med titeln "Attention-Based LSTM-FCN for Earthquake Detection and Location" som publicerades den 5 oktober i Geophysical Journal International . Det är en av världens ledande primära forskningstidskrifter inom solid-earth geofysik och publicerar högkvalitativa forskningsartiklar om alla aspekter av teoretisk, beräkning, experimentell, tillämpad och observationsgeofysik.

Tao Bai, en fjärde års doktorsexamen student vid UW College of Engineering and Applied Science, är tidningens huvudförfattare. Bai utvecklade datorkoder för denna forskning.

Jordbävningsdetektering och lokalisering är utmanande eftersom en seismisk signal vanligtvis är bullrig och mikro jordbävningar är dolda i det seismiska bullret, enligt tidningen. Traditionella detekterings- och lokaliseringsmetoder förlitar sig ofta på manuellt valda faser eller beräkningsintensiva algoritmer.

För att bättre skilja seismiska händelser från seismiskt buller och identifiera de regioner där seismiska händelser inträffar, Tahmasebi och Bai utvecklade en modell som är en kombination av befintliga långtidsminne (LSTM) och fullt konvolutionellt nätverk (FCN) maskininlärningsmodeller, en kombination som inte har använts tidigare. LSTM -modellen används för att fånga den tidsmässiga dynamiken, eller hur en signal förändras under tiden, av data. FCN -modellen används för att extrahera viktiga och dolda funktioner i seismiska händelser, som är svåra att extrahera för att observera visuellt.

"Dessa data har faktiskt två komponenter - tid och rum - eftersom de samlas in över tid, "Säger Tahmasebi.

Modellen som UW -forskarna skapade har en klassificeringsnoggrannhet på 89,1 procent, vilket representerar en förbättring på 14,5 procent jämfört med ConvNetQuake -modellen, den toppmoderna metoden, Säger Tahmasebi. Dessutom, medan ConvNetQuake -modellen har förmågan att klassificera seismiska händelser i en av sex geografiska regioner, modellen som skapats av UW -forskarna kan lokalisera seismiska händelser med en högre upplösning genom att klassificera seismiska händelser i 15 regioner.

"I vår föreslagna modell, samma region delades upp i 15 små delregioner, vilket innebär att den förutspådda geografiska platsen för den seismiska händelsen blir mer exakt, "Säger Tahmasebi.

De två testade effektiviteten och effektiviteten av deras föreslagna modell om seismiska data som samlats in från Oklahoma, som har upplevt ett ökat antal jordbävningar de senaste åren på grund av bortskaffande av avloppsvatten, Säger Tahmasebi.

Data som sammanställts för studiens utbildningsuppsättning inkluderade 2, 709 seismiska händelser och 700, 039 seismiska brusavläsningar, medan testuppsättningen innehöll 2, 111 seismiska händelser och 129, 170 seismiska brusavläsningar. Även om deras modell inte identifierade alla seismiska händelser (tre missades), färre seismiska ljud klassificerades felaktigt som seismiska händelser, enligt studien.

"Resultaten av denna studie är inte begränsade till jordbävningsproblem, "Tahmasebi säger." Den föreslagna metoden kan användas för att övervaka vulkanisk verksamhet, infrastrukturmodellering, ren energi, geotermiska system och andra problem där bearbetning av stora data är en utmaning. "