斯坦福开发的AI可使地震监测系统接收极低强度地震的信号

编译:chux

出品:ATYUN订阅号

2011年3月发生在日本海岸的9.0级这样的大地震不难被监测到,但很少有如此严重的事件。微地震,即低强度地震,在瞬时震级上达到2.0或更小的震级,很少造成财产损失。由于背景噪声,小事件和误报,它们并不总是被地震监测系统所接收。

斯坦福大学地球物理系的一篇新论文描述了一种可能的解决方案,科学家开发了一种AI系统:Cnn-Rnn地震探测器(CRED),可以从历史和连续的数据中分离和识别一系列的地震信号。

它建立在哈佛和谷歌的工作基础上,谷歌在8月创建了一个AI模型,能够预测大地震发生后一年内余震的位置。

研究人员的系统由神经网络层组成,有两种类型:卷积神经网络和递归神经网络。前者从地震仪中提取特征,而后者可以结合记忆和输入以提高其预测的准确性,学习所述地震仪的顺序特征。

这两个构成了一个residual-learning框架,一个缓解多层神经网络常见问题的架构。通常,随着分层节点数量的增加,精度饱和并降低。但是由于residual-learning函数处理函数的方式,其中的神经网络既能够保持准确性,又能够从数据集中学习更多高级特征。好处是它们更容易优化。

为了训练和验证地震探测AI系统,研究人员在2011年期间采集了记录在阿肯色州Guy-Greenbrier的连续数据,其目录包含3788个事件,此外还有北加州889个监测站,550,000个30秒3分量地震图。

大约550000个数据集的50000个样本用于评估性能。无论地震事件是大型,小型,局部还是包含高度的背景噪声,网络都能够预测地震信号。至关重要的是,AI不需要全长的信号来检测地震,部分记录就足够了。

当从Guy-Greenbrier数据集中获取连续数据时,该模型花费了一个多小时在笔记本电脑上进行训练,检测到由水力压裂,废水注入和构造板运动引起的1102次微震和地震,包括77次以前没有编目的。

他们写道:“远离训练区域,我们的模型能够探测到超过700个微震,即使震级只有-1.3 。”

研究人员报告说,在所有测试中,与两个广泛部署的地震系统相比,学习模型获得了优越的性能。他们指出,它很好地概括了它没有看到的地震数据。

“他们对网络进行了训练,可以实时应用于地震数据流,”他们写道,“该架构非常灵活,可以轻松扩展。由于基于其光谱结构的地震信号的高分辨率建模,误报率很小。”

该团队认为,机器学习模型可以轻松扩展到多个传感器,可以在构造活动区域进行实时监控,也可以作为早期地震预警系统的基础。

论文:arxiv.org/ftp/arxiv/papers/1810/1810.01965.pdf

  • 发表于:
  • 原文链接:https://kuaibao.qq.com/s/20181008B1ILW900?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券