[論文レビュー] Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress

Laura Laurenti, Elisa Tinti+3 more|arXiv (Cornell University)|Mar 24, 2022

Seismology and Earthquake Studies参考文献 52被引用数 87

ひとこと要約

本研究では、音響発生（AE）信号を用いて、実験的地震の発生時刻および断層帯せん断応力の予測と自己回帰的予測を可能にする、新しい深層学習（DL）フレームワークを提案する。LSTM、時空間畳み込みネットワーク（TCN）、およびトランスフォーマーのアーキテクチャが、故障までの時間と将来の応力変化の予測において、先行モデルを上回ることを示した。特に、TCNとトランスフォーマーは、周期的でないおよびノイズの多い系列に対しても優れた性能を示し、AEが信頼できる応力指標であることを裏付けた。

ABSTRACT

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.

研究の動機と目的

• 音響発生（AE）信号を用いた深層学習による実験的地震予測の精度向上を目的とする。
• 過去の応力値のみを入力として用いる自己回帰的（AR）予測モデルを構築・評価し、将来の断層帯せん断応力を予測することを目的とする。
• 前兆的クリープ、周期的でないイベント、および遅い・速いスリップの交互発生といった多様な断層状態下でのDLモデルの頑健性を検証することを目的とする。
• 音響エネルギーが断層帯応力の信頼できる代理指標であるかどうかを検討し、地震サイクルダイナミクスに関する物理的洞察を提供することを目的とする。
• 単一イベントの予測を越えて、将来の複数ステップにわたる応力変化を予測可能な、地震学における時系列予測の新フレームワークを確立することを目的とする。

提案手法

• 音響発生および応力データの系列モデリングに、長短期記憶（LSTM）、時空間畳み込みネットワーク（TCN）、およびトランスフォーマー（TF）の3つの深層学習アーキテクチャを採用した。
• 自己回帰的予測手法を用い、外部ラベルを一切使用せず、過去の応力値のみを入力として将来の応力値を予測することで、複数ステップの予測を可能にした。
• 制御された条件下で得られた実験的断層実験の長期間にわたるAEおよびせん断応力データを用いてモデルを学習させた。
• 応力蓄積および故障の前兆を示す特徴を抽出するために、AE信号をスライディングウインドウを用いて分散を計算することで前処理を行った。
• 限られた実験データに対して収束性を向上させるために、合成サイン波を用いて事前学習したトランスフォーマーを適用し、転移学習の原則を応用した。
• 平均絶対誤差（MAE）および予測値と実際の故障までの時間（TTsF、TTeF）および応力値との相関係数といった指標を用いて、モデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 音響発生信号のみを用いて、深層学習モデルは実験的地震における故障開始時刻（TTsF）および故障終了時刻（TTeF）を予測できるか？
• RQ2 自己回帰的深層学習モデルは、過去の時系列データに基づいて、将来的な断層帯せん断応力の変化を予測できるか？
• RQ3 LSTM、TCN、トランスフォーマーといった異なる深層学習アーキテクチャは、多様な断層状態下における実験的地震のダイナミクス予測・予測において、どのように比較されるか？
• RQ4 特に周期的でないまたはクリープに影響を受ける故障サイクルにおいて、音響発生の分散は断層帯せん断応力の信頼できる代理指標であると見なせるか？
• RQ5 モデルは、遅い・速いスリップの交互発生を含む、異なる断層帯および故障パターンに対し、どの程度一般化可能か？

主な発見

• 提案された深層学習モデルは、実験的地震の故障までの時間予測において、最先端の機械学習手法を顕著に上回った。
• 故障終了時刻（TTeF）は、すべての地震サイクルで成功裏に予測されたが、故障開始時刻（TTsF）の予測精度は、前兆的クリープの有無に依存して変動した。
• TCNおよびトランスフォーマーを用いた自己回帰的予測により、複数ステップにわたる将来的な断層帯せん断応力の予測に成功し、地震学における画期的なアプローチを実現した。
• TCNモデルは、長期間の系列データおよび周期的な応力パターンの処理が優れているため、応力予測においてLSTMを上回った。
• 音響発生の分散は、周期的でない故障時でも断層帯応力の信頼できる指標として機能し、物理的妥当性を裏付けた。
• 合成サイン波を用いたトランスフォーマーの事前学習により、限られた実験データに対する学習安定性と性能が向上し、データが乏しい状況でも有効な戦略であることが示唆された。