Инженеры Пенсильванского университета разработали усовершенствованный подход на базе искусственного интеллекта для прогнозирования лабораторных землетрясений (labquakes). Это открытие может стать шагом к прогнозированию реальных землетрясений.
“Мы ещё далеки от прогнозирования природных землетрясений, но изучение физики лабораторных землетрясений позволяет лучше понять механику реальных,” — отметила профессор инженерных наук и акустики Париса Шокухи, ведущий автор работы, опубликованной в Scientific Reports.
Лабораторные землетрясения создаются путём трения блоков горной породы, что позволяет моделировать землетрясения в контролируемых условиях. Это даёт возможность детально измерять такие параметры, как напряжение, шероховатость разлома или роль мелких частиц в зоне трения.
Команда разработала модель машинного обучения, способную автоматически извлекать ключевые параметры, известные как параметры трения “скорость-состояние” (rate and state friction parameters), из данных ультразвукового мониторинга. Эти параметры указывают на прочность разлома и его близость к срыву, что позволяет предсказывать момент возникновения землетрясения.
Для повышения точности модель основана на физически информированной нейронной сети (PINN), которая учитывает законы трения “скорость-состояние”. Такой подход позволяет:
- Предсказывать лабораторные землетрясения с такой же или большей точностью, чем традиционные нейросети.
- Делать более дальние прогнозы.
- Использовать меньшее количество данных для обучения.
“Мы показали, что модели PINN дают точные предсказания при меньшем объёме обучающих данных, а технология переноса обучения позволяет применять обученные модели к новым задачам. Это ключевой момент в вопросе: как перенести успехи с лабораторных землетрясений на реальные?” — пояснил Жак Ривьер, соавтор исследования и доцент инженерных наук.
Конечной целью учёных является создание моделей, которые смогут предсказывать реальные землетрясения на основе этих методов. Для разработки PINN использовались данные из лаборатории механики горных пород, собранные под руководством профессора геонаук Криса Мароне.
“Мы обучали PINN модели следовать законам трения “скорость-состояние”, наказывая её за отклонения от этих законов,” — рассказал соавтор исследования, аспирант Прабхав Борате.
Этот подход не только обеспечил высокую точность предсказаний при использовании небольших данных, но и позволил лучше понять механику землетрясений через анализ параметров трения.
