Модель нейронной сети помогает прогнозировать последствия землетрясений для конкретных участков

При планировании смягчения последствий стихийных бедствий в случае будущих сильных й прогнозирование сейсмических колебаний грунта является важной частью систем раннего предупреждения и картирования сейсмической опасности. То, как движется земля, зависит от того, как слои почвы усиливают сейсмические волны (описано на математическом сайте «Коэффициент усиления»). Однако геофизические исследования для понимания почвенных условий являются дорогостоящими, что на сегодняшний день ограничивает определение характеристик коэффициентов усиления на участке.


Новое исследование ученых из Университета Хиросимы, опубликованное 5 апреля в Бюллетень сейсмологического общества Америки представила новую методику на основе искусственного интеллекта (ИИ) для оценки коэффициентов усиления площадки на основе данных об окружающих вибрациях или микродрожаниях земли.

Состояние подповерхностного грунта, определяющее влияние землетрясений на участок, существенно различается. Мягкие почвы, например, имеют тенденцию усиливать движение грунта от землетрясения, в то время как твердые основания могут его гасить. Окружающие колебания земли или микротреморы, возникающие на всей поверхности Земли, вызванные человеческими или атмосферными возмущениями, могут быть использованы для исследования почвенных условий. Измерение микротреморов дает ценную информацию о коэффициенте усиления (AF) участка, таким образом, о его уязвимости к повреждениям от землетрясений из-за его реакции на толчки.

Недавнее исследование, проведенное учеными из Университета Хиросимы, представило новый способ оценки местных эффектов на основе данных микротремора. «Предложенный метод будет способствовать более точным и подробным прогнозам сейсмических движений грунта для будущих землетрясений», — говорит ведущий автор и доцент Хироюки Миура из Высшей школы передовых наук и инженерии. В исследовании изучалась взаимосвязь между данными о микротреморе и коэффициентами усиления участка с использованием глубокой ной сети с целью разработки модели, которую можно было бы применять в любом месте по всему миру.

Исследователи изучили распространенный метод, известный как спектральные отношения по горизонтали и вертикали (MHVR), который обычно используется для оценки резонансной частоты сейсмического грунта. Его можно сгенерировать из данных микротремора; окружающие сейсмические колебания анализируются в трех измерениях, чтобы определить резонансную частоту слоев отложений поверх коренных пород при их вибрации. Предыдущие исследования, однако, показали, что MHVR нельзя надежно использовать непосредственно в качестве фактора усиления сайта. Итак, в этом исследовании была предложена модель глубокой нейронной сети для оценки коэффициентов усиления сайта по данным MHVR.

В исследовании использовались данные о микротреморах за 2012–2020 годы со 105 участков в районе Тюгоку на западе Японии. Эти участки являются частью национальной сети сейсмографов Японии, которая включает около 1700 станций наблюдения, распределенных по территории Японии в виде единой сетки с интервалом в 20 км. Используя обобщенный метод спектральной инверсии, который разделяет параметры источника, распространения и места, исследователи проанализировали усиления для конкретных мест.

Данные с каждого сайта были разделены на обучающую выборку, проверочную выборку и тестовую выборку. Учебный набор использовался для обучения глубокой нейронной сети. Проверочный набор использовался в итеративной сетевой оптимизации модели для описания взаимосвязи между MHVR микротремора и коэффициентами усиления сайта. Тестовые данные представляли собой совершенно неизвестный набор, используемый для оценки производительности модели.

Модель хорошо зарекомендовала себя на тестовых данных, продемонстрировав свой потенциал в качестве прогностического инструмента для характеристики факторов усиления участка по данным микротремора. Однако, отмечает Миура, «количество обучающих выборок, проанализированных в этом исследовании (80) по-прежнему ограничено», и его следует расширить, прежде чем предполагать, что модель нейронной сети применима в национальном или глобальном масштабе. Исследователи надеются дополнительно оптимизировать модель с большим набором данных.

Для более точного прогнозирования сейсмических движений грунта необходимы быстрые и экономичные методы, поскольку взаимосвязь не всегда линейна. Объясняет Миура: «Применяя предложенный метод, можно автоматически и точно оценить коэффициенты усиления на основе данных о микротреморе, наблюдаемых в произвольном месте». В будущем авторы исследования намерены продолжать совершенствовать передовые методы искусственного интеллекта для оценки нелинейных реакций земли на землетрясения.