Инженеры из Университета штата Пенсильвания разрабатывают новаторский подход к прогнозированию землетрясений, основанный на искусственном интеллекте, информированном законами физики. Их целью является создание системы, способной предсказывать как лабораторные землетрясения (лабквейки), так и, в перспективе, реальные природные катастрофы.
Исследование лабораторных землетрясений предоставляет уникальную возможность для изучения механики реальных сейсмических событий в контролируемых условиях. В отличие от мониторинга природных землетрясений, который ведется с поверхности Земли, на значительном удалении от очага, лабквейки позволяют проводить детальные измерения непосредственно в зоне разлома. Это открывает путь к более глубокому пониманию процессов, приводящих к нестабильности земной коры.
В ходе экспериментов ученые воспроизводят лабквейки, вызывая скольжение каменных блоков друг относительно друга, имитируя трение на разломах. Для мониторинга этих процессов используются ультразвуковые преобразователи, регистрирующие акустические сигналы, возникающие при деформации и разрушении горных пород.
На основе полученных данных исследователи разработали модель машинного обучения, способную предсказывать возникновение лабквейков. Ключевой задачей модели является извлечение «параметров трения скорости и состояния» из ультразвукового мониторинга. Эти параметры играют решающую роль в определении механики лабквейков, указывая на прочность разлома и его приближение к критическому состоянию.
Для повышения точности и надежности прогнозов ученые применили модифицированный алгоритм машинного обучения, известный как физически информированная нейронная сеть (PINN). Особенность PINN заключается в интеграции «закона трения скорости и состояния» непосредственно в структуру нейронной сети. Такой подход позволяет модели не только анализировать данные, но и учитывать фундаментальные физические принципы, управляющие процессом возникновения землетрясений.
Использование PINN демонстрирует значительные преимущества. Эти модели не только не уступают по точности стандартным нейросетям, но и превосходят их в способности к долгосрочному прогнозированию. Включение физических законов обеспечивает более глубокое понимание механизмов, лежащих в основе сейсмических явлений, что повышает надежность предсказаний на более длительных временных интервалах.
Кроме того, PINN требуют значительно меньшего объема обучающих данных по сравнению с традиционными моделями машинного обучения. Это особенно важно в контексте сейсмологии, где сбор данных о землетрясениях – сложный и дорогостоящий процесс. Еще одним важным преимуществом PINN является улучшенная способность к «трансферному обучению», что открывает перспективы для применения моделей, обученных на лабквейках, к прогнозированию реальных землетрясений.
Конечной целью исследовательской группы под руководством профессора Парисы Шокухи, профессора инженерных наук и акустики, является разработка подобных моделей для прогнозирования реальных землетрясений в полевых условиях. В команду исследователей также входят доцент Жак Ривьер, профессор инженерных наук и механики, и профессор наук о Земле Крис Мароне, заведующий лабораторией механики горных пород Университета штата Пенсильвания.
В обучении PINN-модели использовались данные, собранные в лаборатории механики горных пород под руководством Криса Мароне. Аспирант Прабхав Борате играл ключевую роль в процессе обучения нейросети, обеспечив интеграцию закона трения в алгоритм, что позволило модели штрафовать себя за прогнозы, не соответствующие физическим принципам.
Исследование, проведенное в Университете штата Пенсильвания, открывает новые горизонты в области прогнозирования землетрясений. Интеграция физических законов в модели искусственного интеллекта представляет собой многообещающий путь к созданию более точных и надежных систем раннего предупреждения о сейсмических катастрофах, способных защитить жизни и инфраструктуру в сейсмоопасных регионах.
Изображение носит иллюстративный характер
Исследование лабораторных землетрясений предоставляет уникальную возможность для изучения механики реальных сейсмических событий в контролируемых условиях. В отличие от мониторинга природных землетрясений, который ведется с поверхности Земли, на значительном удалении от очага, лабквейки позволяют проводить детальные измерения непосредственно в зоне разлома. Это открывает путь к более глубокому пониманию процессов, приводящих к нестабильности земной коры.
В ходе экспериментов ученые воспроизводят лабквейки, вызывая скольжение каменных блоков друг относительно друга, имитируя трение на разломах. Для мониторинга этих процессов используются ультразвуковые преобразователи, регистрирующие акустические сигналы, возникающие при деформации и разрушении горных пород.
На основе полученных данных исследователи разработали модель машинного обучения, способную предсказывать возникновение лабквейков. Ключевой задачей модели является извлечение «параметров трения скорости и состояния» из ультразвукового мониторинга. Эти параметры играют решающую роль в определении механики лабквейков, указывая на прочность разлома и его приближение к критическому состоянию.
Для повышения точности и надежности прогнозов ученые применили модифицированный алгоритм машинного обучения, известный как физически информированная нейронная сеть (PINN). Особенность PINN заключается в интеграции «закона трения скорости и состояния» непосредственно в структуру нейронной сети. Такой подход позволяет модели не только анализировать данные, но и учитывать фундаментальные физические принципы, управляющие процессом возникновения землетрясений.
Использование PINN демонстрирует значительные преимущества. Эти модели не только не уступают по точности стандартным нейросетям, но и превосходят их в способности к долгосрочному прогнозированию. Включение физических законов обеспечивает более глубокое понимание механизмов, лежащих в основе сейсмических явлений, что повышает надежность предсказаний на более длительных временных интервалах.
Кроме того, PINN требуют значительно меньшего объема обучающих данных по сравнению с традиционными моделями машинного обучения. Это особенно важно в контексте сейсмологии, где сбор данных о землетрясениях – сложный и дорогостоящий процесс. Еще одним важным преимуществом PINN является улучшенная способность к «трансферному обучению», что открывает перспективы для применения моделей, обученных на лабквейках, к прогнозированию реальных землетрясений.
Конечной целью исследовательской группы под руководством профессора Парисы Шокухи, профессора инженерных наук и акустики, является разработка подобных моделей для прогнозирования реальных землетрясений в полевых условиях. В команду исследователей также входят доцент Жак Ривьер, профессор инженерных наук и механики, и профессор наук о Земле Крис Мароне, заведующий лабораторией механики горных пород Университета штата Пенсильвания.
В обучении PINN-модели использовались данные, собранные в лаборатории механики горных пород под руководством Криса Мароне. Аспирант Прабхав Борате играл ключевую роль в процессе обучения нейросети, обеспечив интеграцию закона трения в алгоритм, что позволило модели штрафовать себя за прогнозы, не соответствующие физическим принципам.
Исследование, проведенное в Университете штата Пенсильвания, открывает новые горизонты в области прогнозирования землетрясений. Интеграция физических законов в модели искусственного интеллекта представляет собой многообещающий путь к созданию более точных и надежных систем раннего предупреждения о сейсмических катастрофах, способных защитить жизни и инфраструктуру в сейсмоопасных регионах.
