Kredit:Pixabay/CC0 Public Domain
Med hjälp av maskininlärning för att sålla igenom ett decenniums värde av seismisk data, har forskare identifierat hundratusentals mikrojordbävningar längs några tidigare okända förkastningsstrukturer i Oklahoma och Kansas.
De nyligen identifierade mikrojordbävningarna gjorde det möjligt för seismologerna att kartlägga och mäta jordbävningskluster i regionen, som har upplevt ovanliga nivåer av seismicitet på grund av okonventionell olje- och gasproduktion.
Som de rapporterar i The Seismic Record , fann forskarna att 80 % av de jordbävningar på magnituden 4 och större som inträffade under det senaste decenniet kunde ha förutsetts baserat på den rumsliga omfattningen av seismicitetskluster som inkluderade den stora jordbävningen innan den inträffade.
De fann också att när ett kluster nått en längdskala som är tillräckligt stor för att vara värd för en jordbävning med magnitud 4 eller större, var det nästan 5 % chans att det skulle göra det inom ett år efter att man uppnådde den längdskalan, enligt Yongsoo Park, en Ph. .D. student vid Stanford University och kollegor.
Klusterinformationen skulle kunna användas av företag och tillsynsmyndigheter för att övervaka olje- och gasverksamheten i framtiden, föreslår Park och kollegor.
Med liten naturlig seismicitet och ofullständig kartläggning av fel i Oklahoma och Kansas före okonventionell kolväteutveckling, har forskare letat efter nya sätt att förstå regionens seismiska fara.
Park och kollegor hade använt en maskininlärningsteknik för att hitta nästan 90 000 okända mikrojordbävningar i Arkansas i en tidigare studie. "Vi blev imponerade av resultatet, särskilt för att katalogen avslöjade tidigare okända kluster," sa Park. "Vi visste att de flesta jordbävningar i Oklahoma-Kansas-området inträffade på dolda fel i källaren, så vi ville använda arbetsflödet för att avslöja dessa fel."
Forskarna analyserade om seismiska data som samlats in från 17 allmänt tillgängliga seismiska nätverk i Oklahoma och Kansas från 2010 till 2019. Genom att använda ett neuralt nätverk för att upptäcka jordbävningar och deras ankomsttider för P- och S-vågor fann de över 300 000 jordbävningar i data.
När de kartlades "förband de ytterligare mikrojordbävningarna prickarna" mellan spridda jordbävningar och de små klustren som bildades av de 60 magnitud 4 eller större jordbävningar som ingick i studien. De nyupptäckta mikrojordbävningarna upplyste den överraskande närvaron av många tidigare okända fel, sa Park.
"Men det mer överraskande var att många av de kluster som man trodde var separerade i tidigare studier faktiskt var sammankopplade av mikrojordbävningar. Att hitta små jordbävningar är med andra ord förmodligen inte längre ett alternativ, utan snarare ett krav när vi är försöker göra klusteranalys på jordbävningsdata", sa han.
Park sa att tillsynsmyndigheter kunde anpassa det vanliga "trafikljus"-protokollet – som olje- och gasoperatörer använder för att övervaka och stoppa eller bromsa sina aktiviteter för att minska risken för seismisk risk – för att inkludera längdskalan för ett jordbävningskluster.
Det ursprungliga trafikljusprotokollet styrs av observerade jordbävningsstorlekar och styrs av händelsen med den största magnituden. Att uppskatta jordbävningens magnituder från längdskalan kan göra denna process proaktiv och kontrollerad av både stora och små jordbävningar, konstaterar forskarna.
"Men eftersom storleken bara är uppskattningar, bör de nödvändiga åtgärderna förmodligen vara annorlunda," förklarade Park. Om en längdskala för klustret väcker oro, till exempel, "kan tillsynsmyndigheterna be operatörerna att placera ut fler seismometrar runt det berörda klustret för att bättre kartlägga det dolda felet." + Utforska vidare
