Due ricercatori dell'Università del Wyoming hanno sviluppato un modello di apprendimento automatico che migliora l'accuratezza del rilevamento dei terremoti del 14,5% rispetto al modello attuale più accurato.

Pejman Tahmasebi, un professore associato presso l'UW College of Engineering and Applied Science, hanno condotto uno studio in cui hanno proposto un metodo più efficiente nel rilevare l'attività sismica.

"Il nostro modello sviluppato può elaborare in modo efficiente i dati del segnale registrati dai sismometri. Può differenziare automaticamente gli eventi sismici, quelli che sono legati ai terremoti e importanti per noi, dal rumore sismico, " dice Tahmasebi. "Inoltre, quando viene rilevato l'evento sismico, il modello proposto può fornire una stima approssimativa della posizione geografica in cui avviene. La cosa più importante è che il nostro modello sia più accurato in termini di accuratezza della stima della posizione geografica, dove si ottiene un miglioramento del 14,5% rispetto a quello esistente."

Tahmasebi è l'autore corrispondente di un articolo intitolato "Attention-Based LSTM-FCN for Earthquake Detection and Location" che è stato pubblicato il 5 ottobre in Giornale geofisico internazionale . È una delle principali riviste di ricerca primaria al mondo in geofisica della Terra solida e pubblica documenti di ricerca di alta qualità su tutti gli aspetti della teoria, computazionale, sperimentale, geofisica applicata e osservativa.

Tao Bai, un quarto anno di dottorato studente presso l'UW College of Engineering and Applied Science, è l'autore principale del documento. Bai ha sviluppato i codici informatici per questa ricerca.

Il rilevamento e la localizzazione dei terremoti sono difficili perché un segnale sismico è solitamente rumoroso e i microterremoti sono nascosti all'interno del rumore sismico, secondo la carta. I metodi tradizionali di rilevamento e localizzazione spesso si basano su fasi scelte manualmente o algoritmi computazionalmente intensivi.

Per differenziare meglio gli eventi sismici dal rumore sismico e identificare le regioni in cui si verificano gli eventi sismici, Tahmasebi e Bai hanno sviluppato un modello che è una combinazione di modelli esistenti di memoria a lungo termine (LSTM) e reti completamente convoluzionali (FCN) di apprendimento automatico, una combinazione che non è stata utilizzata prima. Il modello LSTM viene utilizzato per catturare le dinamiche temporali, o come un segnale cambia nel tempo, di dati. Il modello FCN viene utilizzato per estrarre caratteristiche importanti e nascoste di eventi sismici, che sono difficili da estrarre da osservare visivamente.

"Questi dati hanno in realtà due componenti:tempo e spazio, poiché vengono raccolti nel tempo, " dice Tahmasebi.

Il modello creato dai ricercatori UW ha una precisione di classificazione dell'89,1 percento, che rappresenta un miglioramento del 14,5% rispetto al modello ConvNetQuake, il metodo all'avanguardia, Tahmasebi dice. Inoltre, mentre il modello ConvNetQuake ha la capacità di classificare gli eventi sismici in una delle sei regioni geografiche, il modello creato dai ricercatori dell'UW è in grado di localizzare eventi sismici con una risoluzione più elevata classificando gli eventi sismici in 15 regioni.

"Nel nostro modello proposto, la stessa regione era divisa in 15 piccole sottoregioni, il che significa che la posizione geografica prevista dell'evento sismico sarà più accurata, " dice Tahmasebi.

I due hanno testato l'efficacia e l'efficienza del loro modello proposto sui dati sismici raccolti dall'Oklahoma, che ha registrato un aumento del numero di terremoti negli ultimi anni a causa dello smaltimento delle acque reflue, Tahmasebi dice.

I dati compilati per il set di formazione dello studio includevano 2, 709 eventi sismici e 700, 039 letture di rumore sismico, mentre il set di test conteneva 2, 111 eventi sismici e 129, 170 letture di rumore sismico. Sebbene il loro modello non abbia identificato tutti gli eventi sismici (tre sono stati persi), meno rumori sismici sono stati erroneamente classificati come eventi sismici, secondo lo studio.

"I risultati di questo studio non si limitano ai problemi sismici, " dice Tahmasebi. "Il metodo proposto può essere utilizzato per monitorare le attività vulcaniche, modellazione delle infrastrutture, energia pulita, sistemi geotermici e altri problemi in cui l'elaborazione di dati di grandi dimensioni è una sfida".