Un volcan endormi en Antarctique a aidé les chercheurs des laboratoires nationaux de Sandia à améliorer les lectures des données des capteurs pour mieux détecter les tremblements de terre et les explosions et éliminer les sons quotidiens tels que la circulation et les pas.

Trouver les réglages idéaux pour chaque capteur d'un réseau pour détecter les vibrations dans le sol, ou activité sismique, peut être un processus laborieux et manuel. Les chercheurs de Sandia s'efforcent de changer cela en utilisant un logiciel qui ajuste automatiquement les niveaux de détection d'activité sismique pour chaque capteur.

Sandia a testé le nouveau logiciel avec des données sismiques du volcan du mont Erebus en Antarctique et a obtenu 18 % de fausses détections en moins et 11 % de détections manquées de moins que les performances originales des capteurs du mont Erebus.

Jusqu'à maintenant, le principal moyen de s'assurer que les capteurs captent une activité sismique inhabituelle et ne signalent pas d'activité régulière était d'ajuster manuellement les paramètres de chaque capteur à son environnement spécifique. Malheureusement, obtenir ces paramètres exactement est difficile, surtout parce que ces paramètres idéaux changent avec les saisons et les conditions météorologiques.

Au cours d'un projet de trois ans financé par la recherche et le développement dirigés par un laboratoire, les chercheurs ont développé un logiciel qui ajuste automatiquement les paramètres de détection des données provenant de chaque capteur d'un réseau en utilisant une approche de « règles majoritaires », ce qui a conduit à moins de fausses détections d'activité sismique et à moins de détections manquées d'événements réels. L'ouvrage a été récemment publié dans un Bulletin de la Société sismologique d'Amérique papier, "Dynamic Tuning of Seismic Signal Detector Trigger Levels for Local Networks" et le logiciel open source basé sur Python sont disponibles en téléchargement.

« Sondage du quartier » pour détecter l'activité sismique

L'équipe de recherche, dirigé par Tim Draelos, chercheur en machine learning et traitement du signal chez Sandia, a développé un algorithme qui lit les données d'un voisinage de capteurs et compare les détections faites par chaque capteur. Si une majorité de capteurs dans un emplacement similaire ont détecté une activité sismique en même temps, alors le programme marque l'événement comme légitime. Si la plupart des capteurs n'ont pas détecté d'activité sismique, alors le programme ne marque pas l'événement et les niveaux de détection des capteurs qui ont faussement signalé un événement sont ajustés.

"Un quartier est un petit sous-ensemble de capteurs dans un réseau qui ont tous une vision similaire du monde ou une empreinte de détection similaire, " Draelos a dit. "Ils devraient être d'accord sur tout ce qu'ils voient. S'ils ne le font pas, nous sommes en mesure de déterminer quel capteur doit être réglé afin d'obtenir un meilleur accord à l'avenir, ce qui conduit à une meilleure qualité globale de détection du réseau. Nous ne voulons jamais manquer un événement comme une explosion nucléaire, par exemple."

Cette approche de « règles de la majorité » du traitement des données des capteurs sismiques est automatique pendant l'exécution de l'algorithme et permet des ajustements continus des niveaux de déclenchement qui détectent un événement sismique, rendant les lectures des capteurs plus précises que les lectures des capteurs statiques avec des paramètres fixes.

Draelos et l'équipe, dont Hunter Knox, Matt Peterson et Chris Young, testé l'algorithme à l'aide du réseau de capteurs sismiques du mont Erebus. Ils ont créé une base de données des événements sismiques sur le volcan en visualisant manuellement toute l'activité des capteurs enregistrée sur 24 heures, puis en marquant les événements sismiques. Pour être classé comme événement, trois capteurs ou plus dans le même quartier devaient détecter l'activité sismique.

L'équipe a ensuite analysé les données brutes des capteurs via le nouvel algorithme de règles de majorité pour voir comment il fonctionnait et a comparé les résultats par rapport à la base de données des détections légitimes aux résultats des capteurs fonctionnant sans le réglage dynamique de l'algorithme.

Les améliorations des taux de détection précis sont importantes car les réseaux de capteurs génèrent beaucoup de données. Par exemple, le bulletin révisé par les analystes du Centre international de données pour 2014 n'incluait que 8 pour cent des plus de 5,5 millions de détections sismiques du Système international de surveillance enregistrées à l'origine par les capteurs. Ce réseau mondial permet de vérifier le respect du Traité d'interdiction complète des essais nucléaires, qui a été signé, mais non ratifié par les États-Unis, en détectant les événements qui pourraient montrer que le traité a été violé.

"Une grande partie, mais pas tout, des 92 % des détections restantes étaient probablement des faux positifs, ce qui conduit à un stockage et un traitement de données superflus, " dit Draelos. " De plus, 39 % des détections incluses dans le bulletin ont été trouvées ou modifiées par un analyste humain, qui indique un pourcentage important de détections manquées et de détections mal mesurées par les capteurs, ce qui demande du temps et des efforts pour être amendé."

Certains détecteurs de signaux dynamiques existent, mais jusqu'à présent, aucun n'a utilisé des réseaux de capteurs pour optimiser les détections d'événements sismiques. La nouvelle approche de réglage des données pourrait également être appliquée à la surveillance environnementale, surveillance par capteur de mouvement avec caméras, surveillance chimique, surveillance des infrasons et plus encore.

"C'est une idée générale, " Draelos a dit. "Ce ne doit pas être des données sismiques. Cet algorithme peut potentiellement être utilisé partout où vous disposez d'un réseau ou d'un ensemble de capteurs pour détecter des événements."