Forschung

Unsere Forschungsgruppe arbeitet an der Anwendung neuartiger, auf Deep Learning und maschinellem Lernen basierender Algorithmen auf seismische Signale, um das Erdbeben-Frühwarnsystem (EEWs) und die seismische Signalanalyse zu verbessern. Darüber hinaus versuchen wir durch die Implementierung von Modellen, die auf künstlicher Intelligenz beruhen, unterstützt durch statistische Analysen auf der Grundlage klassischer Modelle, die mit der Freisetzung seismischer Spannungen verbundenen Muster besser zu verstehen. Erdbeben sind unvermeidlich und gelten als äußerst schwer vorhersehbar. Die Analyse und Interpretation der immer umfangreicheren seismologischen Datensätze ist sehr zeitaufwendig und eine Herkulesaufgabe. Die Implementierung von künstlicher Intelligenz mit Hilfe von Deep-Learning-Algorithmen für die Erdbebensignalanalyse hat das Potenzial, klassische Ansätze wie STA/LTA zu übertreffen. 

Die Erkennung seismischer Ereignisse und die Bestimmung der seismischen Phase sind zwei wichtige Aufgaben für Seismologen. Insbesondere bei niedrigem Signal-Rausch-Verhältnis sind seismische Ereignisse kleiner Größenordnung mit klassischen Methoden extrem schwer zu erkennen, und Wissenschaftler versuchen, solche Mikroerdbeben manuell zu identifizieren. Wir arbeiten an einer einfachen, aber leistungsfähigen Deep-Learning-Architektur, die auf einem Encoder-Decoder-Algorithmus basiert, der aus eindimensionalen Faltungsschichten mit Skip-Verbindungen und Self- & Multi-Attention-Mechanismus besteht. Diese Architektur wird derzeit auf verschiedene seismische Datensätze aus unterschiedlichen Regionen angewendet und getestet, um ihre Leistung zu überprüfen. Es wird erwartet, dass dieses Modell aufgrund seiner höheren Empfindlichkeit besser abschneidet als der klassische Ansatz.

Darüber hinaus versuchen wir, die bestehenden EEWs-Modelle zu verbessern, indem wir die Länge der als Eingabe verwendeten Daten sowie die erforderliche Anzahl von Messpunkten reduzieren. Es werden verschiedene Kombinationen von neuronalen Faltungsnetzen und bi- und unidirektionalen Langzeitspeichern sowie Gated Recurrent Units getestet, um das leistungsfähigste Modell mit optimalen Hyperparametern zu erhalten. Diese Studie dürfte Seismologen dabei helfen, schnellere Warnungen herauszugeben und so den örtlichen Behörden ein größeres Zeitfenster für Evakuierungen zu verschaffen.