Deux chercheurs de l'Université du Wyoming ont développé un modèle d'apprentissage automatique qui améliore la précision de détection des tremblements de terre de 14,5% par rapport au modèle actuel le plus précis.

Pejman Tahmasebi, professeur agrégé au UW College of Engineering and Applied Science, ont mené une étude dans laquelle ils ont proposé une méthode plus efficace pour détecter l'activité sismique.

"Notre modèle développé peut traiter efficacement les données de signal enregistrées par les sismomètres. Il peut différencier automatiquement les événements sismiques, ceux qui sont liés aux tremblements de terre et importants pour nous, du bruit sismique, " dit Tahmasebi. " De plus, lorsque l'événement sismique est détecté, le modèle proposé peut fournir une estimation approximative de l'emplacement géographique où cela se produit. Le plus important est que notre modèle est plus précis en termes de précision d'estimation de la localisation géographique, où une amélioration de 14,5% est obtenue par rapport à l'existant."

Tahmasebi est l'auteur correspondant d'un article intitulé "Attention-Based LSTM-FCN for Earthquake Detection and Location" qui a été publié le 5 octobre dans Journal Géophysique International . C'est l'une des principales revues de recherche primaire au monde en géophysique de la Terre solide et publie des articles de recherche de haute qualité sur tous les aspects de la théorie, informatique, expérimental, géophysique appliquée et observationnelle.

Tao Baï, un doctorat de quatrième année. étudiant à l'UW College of Engineering and Applied Science, est l'auteur principal de l'article. Bai a développé les codes informatiques pour cette recherche.

La détection et la localisation des tremblements de terre sont difficiles car un signal sismique est généralement bruyant et les microséismes sont cachés dans le bruit sismique, selon le papier. Les méthodes traditionnelles de détection et de localisation reposent souvent sur des phases choisies manuellement ou sur des algorithmes à calcul intensif.

Pour mieux différencier les événements sismiques du bruit sismique et identifier les régions dans lesquelles les événements sismiques se produisent, Tahmasebi et Bai ont développé un modèle qui est une combinaison de modèles d'apprentissage automatique de mémoire à long court terme (LSTM) et de réseau entièrement convolutif (FCN), une combinaison qui n'a pas été utilisée auparavant. Le modèle LSTM est utilisé pour capturer la dynamique temporelle, ou comment un signal change au cours du temps, de données. Le modèle FCN est utilisé pour extraire les caractéristiques importantes et cachées des événements sismiques, qui sont difficiles à extraire pour observer visuellement.

"Ces données ont en fait deux composantes - le temps et l'espace - puisqu'elles sont collectées dans le temps, " dit Tahmasebi.

Le modèle créé par les chercheurs de l'UW a une précision de classification de 89,1%, ce qui représente une amélioration de 14,5% par rapport au modèle ConvNetQuake, la méthode de pointe, dit Tahmasebi. De plus, tandis que le modèle ConvNetQuake a la capacité de classer les événements sismiques dans l'une des six régions géographiques, le modèle créé par les chercheurs de l'UW peut localiser les événements sismiques avec une résolution plus élevée en classant les événements sismiques dans 15 régions.

« Dans notre modèle proposé, la même région était divisée en 15 petites sous-régions, ce qui signifie que l'emplacement géographique prévu de l'événement sismique sera plus précis, " dit Tahmasebi.

Les deux ont testé l'efficacité et l'efficience de leur modèle proposé sur des données sismiques recueillies en Oklahoma, qui a connu une augmentation du nombre de tremblements de terre ces dernières années en raison de l'évacuation des eaux usées, dit Tahmasebi.

Les données compilées pour l'ensemble de formation de l'étude comprenaient 2, 709 événements sismiques et 700, 039 lectures de bruit sismique, alors que l'ensemble de test en contenait 2, 111 événements sismiques et 129, 170 lectures de bruit sismique. Bien que leur modèle n'ait pas identifié tous les événements sismiques (trois ont été manqués), moins de bruits sismiques ont été classés à tort comme événements sismiques, selon l'étude.

« Les résultats de cette étude ne se limitent pas aux problèmes sismiques, " dit Tahmasebi. " La méthode proposée peut être utilisée pour surveiller les activités volcaniques, modélisation des infrastructures, énergie propre, systèmes géothermiques et d'autres problèmes dans lesquels le traitement de données volumineuses est un défi."