توسعه مدل یادگیری ماشینی جدیدی که زلزله را با دقت بالاتری تشخیص میدهد
دو محقق از دانشگاه وایومینگ، مدلیادگیری ماشینی را توسعه دادهاند که دقت تشخیص زلزله را در مقایسه با دقیقترین مدل موجود، 14.5 درصد افزایش میدهد. «پژمان طهماسبی»، دانشیار دانشکده مهندسی و علوم کاربردی UW، سرپرستی ...
دو محقق از دانشگاه وایومینگ، مدلیادگیری ماشینی را توسعه دادهاند که دقت تشخیص زلزله را در مقایسه با دقیقترین مدل موجود، 14.5 درصد افزایش میدهد.
«پژمان طهماسبی»، دانشیار دانشکده مهندسی و علوم کاربردی UW، سرپرستی مطالعهای را برعهده داشت که تیم تحقیقاتی، روشی را پیشنهاد کردند که در تشخیص فعالیتهای لرزهای کارآمدتر از روشهای پیشین است.
طهماسبی میگوید: «مدل توسعه یافته ما میتواند دادههای سیگنال ثبت شده توسط لرزهسنجها را بهطور موثری پردازش کند. این پردازش میتوند وقایع لرزهای که مربوط به زلزله هستند و برای ما اهمیت دارند، از اختلالات لرزهای متمایز کند. علاوه بر این، هنگامی که رویداد لرزهای شناسایی میشود، مدل پیشنهادی میتواند یک تخمین تقریبی از موقعیت جغرافیایی زلزله ارائه دهد. مهمترین نکته این است که مدل ما از نظر دقت برآورد موقعیت جغرافیایی دقیقتر از دیگر مدلها است. به عبارت دیگر، مدل ما در حدود 14.5 درصد به نسبت سایر مدلها از دقت بیشتری برخوردار است.»
طهماسبی نویسنده مسئول مقالهای با عنوان «LSTM-FCN» برای تشخیص مکان زلزله است. این مقاله در ژورنال «ژنوفیزیکال بینالمللی» به چاپ رسیده. این مجله یکی از برجستهترین مجلات اصلی تحقیقاتی جهان در زمینه ژئوفیزیک است و مقالات تحقیقی با کیفیت بالا در تمام جنبههای ژئوفیزیک نظری، محاسباتی، تجربی، کابردی و مشاهدهای در آن به چاپ میرسند.
در حالت کلی، تشخیص و مکانیابی زمین لرزه کاری چالش برانگیز است زیرا سینگال لرزهای معمولا دارای اختلالات بسیار زیادی است. به همین دلیل زمین لرزهها در زیر چنین اختلالی پنهان میشوند.
طهماسبی و گروه تحقیقاتی وی، برای ایجاد تمایز مابین وقایع لرزهای از اختلالات و همچنین شناسایی مناطقی که وقایع لرزهای در آنها رخ میدهد، مدلی را توسعه دادند که ترکیبی از مدلهای یادگیری ماشینی حافظه کوتاه مدت (LSTM) و شبکه تحولی (FCN) است. این ترکیب هیچگاه پیش از این مورد استفاده قرار نگرفته بود. مدل LSTM برای ثبت پویایی زمانی یا نحوه تغییر سیگنال مورد استفاده قرار میگیرد. مدل FCN برای استخراج ویژگیهای مهم و پنهان حوادث لرزهای استفاده میشود. استخراج این ویژگیها بدون کمک کامپیوترها تقریبا غیرممکن است.
طهماسبی میگوید: «این دادهها در واقع دو جزء دارند – زمان و مکان – زیرا در طول زمان و برای نقاط مختلف جمعآوری میشوند. مدلی که ما ارائه دادیم، دارای دقت 89.1 درصد است که نسبت به مدل ConvNetQuake، از دقت 14.5 درصد بیشتری برخوردار است.» در حالیکه مدل ConvNetQuake قابلیت طبقهبندی رویدادهای لرزهای را در یکی از شش منطقه جغرافیایی دارد، مدل ایجاد شده توسط محققان دانشگاه UW میتواند با طبقهبندی رویدادهای لرزهای در 15 منطقه، وقایع لرزهای را با دقت و وضوح بیشتری ثبت کند. بیشتر شدن تعداد مناطق به معنای کوچکتر شدن نواحی مورد بررسی و یا به عبارت دیگر، افزایش دقت در مطالعه هر منطقه است.
برای بررسی صحت نتایج بدست آمده، این روش روی دادههای لرزهای جمعآوری شده از اوکلاهما که در سالهای اخیر به دلیل دفع فاضلاب تعداد زیادی زمین لرزه را تجربه کرده است، مورد آزمایش قرار گرفت.
طهماسبی میگوید: «نتایج این مطالعه تنها به مشکلات زلزله محدود نمیشود. از این روش میتوان برای نظارت بر فعالیتهای آتشفشانی، مدلسازی زیرساختها، انرژی پاک، سیستمهای زمین گرمایی و سایر مشکلاتی که پردازش دادههای بزرگ در آنها یک چالش است، استفاده کرد.»
برای گفتگو با کاربران ثبت نام کنید یا وارد حساب کاربری خود شوید.