Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress

要約

地震の予測と予測には長い歴史があり、場合によっては悲惨な歴史がありますが、最近の研究では、早期警報の進歩、誘発された地震の危険性評価、実験室の地震の予測の成功に基づいて関心が再燃しています。
研究室では、摩擦によるスティックスリップ現象が地震と地震サイクルの類似物を提供します。
Labquakesは、制御された条件下で長いシーケンスで生成できるため、機械学習（ML）の理想的なターゲットです。
最近の研究は、MLが断層帯のアコースティックエミッションを使用して実験室の地震のいくつかの側面を予測できることを示しています。
ここでは、これらの結果を一般化し、labquake予測と自己回帰（AR）予測のための深層学習（DL）手法を検討します。
DLは、labquake予測の既存のML手法を改善します。
ARメソッドを使用すると、反復予測を介して将来の展望を予測できます。
長短期記憶（LSTM）と畳み込みニューラルネットワークに基づくDLモデルがいくつかの条件下での実験室地震を予測し、断層帯の応力を忠実に予測できることを示し、音響エネルギーが断層帯の応力の指紋であることを確認します。
実験室の地震については、故障の開始までの時間（TTsF）と故障の終了までの時間（TTeF）も予測します。
興味深いことに、TTeFはすべての地震サイクルで正常に予測されますが、TTsFの予測は地震前の断層クリープの量によって異なります。
LSTM、Temporal Convolution Network、Transformer Networkの3つのシーケンスモデリングフレームワークを使用して、断層応力の進展を予測するAR手法を報告します。
AR予測は、特定の時間にターゲット変数のみを予測する既存の予測モデルとは異なります。
単一の地震サイクルを超えて予測するための結果は限られていますが、有望です。
ML / DLモデルは最先端のモデルよりも優れており、自己回帰モデルは、地震予測の現在の方法を強化できる新しいフレームワークを表しています。

要約(オリジナル)

Earthquake forecasting and prediction have long and in some cases sordid histories but recent work has rekindled interest based on advances in early warning, hazard assessment for induced seismicity and successful prediction of laboratory earthquakes. In the lab, frictional stick-slip events provide an analog for earthquakes and the seismic cycle. Labquakes are ideal targets for machine learning (ML) because they can be produced in long sequences under controlled conditions. Recent works show that ML can predict several aspects of labquakes using fault zone acoustic emissions. Here, we generalize these results and explore deep learning (DL) methods for labquake prediction and autoregressive (AR) forecasting. DL improves existing ML methods of labquake prediction. AR methods allow forecasting at future horizons via iterative predictions. We demonstrate that DL models based on Long-Short Term Memory (LSTM) and Convolution Neural Networks predict labquakes under several conditions, and that fault zone stress can be predicted with fidelity, confirming that acoustic energy is a fingerprint of fault zone stress. We predict also time to start of failure (TTsF) and time to the end of Failure (TTeF) for labquakes. Interestingly, TTeF is successfully predicted in all seismic cycles, while the TTsF prediction varies with the amount of preseismic fault creep. We report AR methods to forecast the evolution of fault stress using three sequence modeling frameworks: LSTM, Temporal Convolution Network and Transformer Network. AR forecasting is distinct from existing predictive models, which predict only a target variable at a specific time. The results for forecasting beyond a single seismic cycle are limited but encouraging. Our ML/DL models outperform the state-of-the-art and our autoregressive model represents a novel framework that could enhance current methods of earthquake forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google