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

要約

地震予知と予知は長く、場合によっては卑劣な歴史を持っていますが、最近の研究は、早期警報、誘発地震のハザード評価、および実験室地震の成功した予知の進歩に基づいて関心を再燃させました。
実験室では、摩擦スティック スリップ イベントは、地震と地震サイクルの類似物を提供します。
Labquake 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。
最近の研究では、ML が断層帯音響放射を使用して実験室地震のいくつかの側面を予測できることが示されています。
ここでは、これらの結果を一般化し、実験室地震予測と自己回帰 (AR) 予測のための深層学習 (DL) メソッドを探ります。
DL は、実験室地震予測の既存の ML メソッドを改善します。
AR メソッドを使用すると、反復予測によって将来の視野での予測が可能になります。
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実証し、音響エネルギーが断層帯の応力のフィンガープリントであることを確認しました。
ラボ地震の故障開始時間 (TTsF) と故障終了時間 (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 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、障害ストレスの進化を予測する AR メソッドを報告します。
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た予測の結果は限られていますが、有望です。
私たちの 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