[論文レビュー] Estimating the Physical State of a Laboratory Slow Slipping Fault from Seismic Signals

Claudia Hulbert, Bertrand Rouet‐Leduc+5 more|arXiv (Cornell University)|Jan 23, 2018

earthquake and tectonic studies参考文献 22被引用数 3

ひとこと要約

本研究では、慢いスリップ実験における連続的な地震信号から、故障摩擦、せん断変位、次回のスリップ発生までの時間といったリアルタイムの物理的状態情報を機械学習を用いて抽出する。主な結果として、信号エネルギーのパターンが故障挙動を高い精度で予測可能であり、音響発生のみを用いてもスリップ発生時刻と大きさの早期予測が可能である。

ABSTRACT

Over the last two decades, strain and GPS measurements have shown that slow slip on earthquake faults is a widespread phenomenon. Slow slip is also inferred from correlated small amplitude seismic signals known as nonvolcanic tremor and low frequency earthquakes (LFEs). Slow slip has been reproduced in laboratory and simulation studies, however the fundamental physics of these phenomena and their relationship to dynamic earthquake rupture remains poorly understood. Here we show that, in a laboratory setting, continuous seismic waves are imprinted with fundamental signatures of the fault's physical state. Using machine learning on continuous seismic waves, we can infer several bulk characteristics of the fault (friction, shear displacement, gouge thickness), at any time during the slow slip cycle. This analysis also allows us to infer many properties of the future behavior of the fault, including the time remaining before the next slow slip event. Our work suggests that by applying machine learning approaches to continuous seismic data, new insight into the physics of slow slip could be obtained in Earth.

研究の動機と目的

• 実験室における慢いスリップ実験の連続的地震信号に、故障状態に関する隠れた物理的情報が含まれているかどうかを特定すること。
• 音響発生のみを用いて、故障摩擦、変位、および将来のスリップ挙動を推定する機械学習手法を開発すること。
• 地震波における信号エネルギーのパターンが、まもなく発生する慢いスリップイベントの時刻と大きさを予測可能かどうかを調査すること。
• 地球の亀裂内に観測される自然な慢いスリップイベントへの同様の機械学習手法の応用を可能にするスケーラブルなフレームワークを確立すること。

提案手法

• 実験室の故障実験から得られた連続的地震信号は、試料部品に埋め込まれたペイエゾセラミックセンサーを用いて収集された。
• 勾配ブースティングツリーのモデルを、慢いスリップサイクルの任意の時点で故障摩擦およびせん断変位を予測するために、完全な地震波形上で学習させた。
• 2番目の勾配ブースティングツリー回帰モデルは、イベント間隔、イベント持続時間、信号分散、および過去のイベントの大きさを用いて、次のスリップイベントの振幅を予測した。
• 2つの異なる慢いスリップ実験（スリップ特性が異なる）に対して交差検証を用いてモデルを検証した。
• スリップ発生の前後における信号エネルギーの傾向を分析し、エネルギーの変化が故障状態ダイナミクスとどのように関連するかを特定した。
• 透明性とスケーラビリティを重視したアプローチであり、地球の亀裂内に観測される自然な慢いスリップイベントへの応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、慢いスリップ発生中における連続的地震信号から故障摩擦と変位を抽出可能か？
• RQ2 慢いスリップサイクル中に故障物理的状態の変化に対応する地震信号エネルギーのパターンは何か？
• RQ3 音響発生のみを用いて、将来の慢いスリップイベントの時刻をリアルタイムで予測可能か？
• RQ4 地震信号の特徴から、将来のスリップイベントの大きさをどの程度の精度で予測可能か？
• RQ5 地震信号のエネルギー変化は、故障ゴウジ内の粒同士の相互作用といったマイクロ物理的プロセスと結びついているか？

主な発見

• 機械学習モデルは、連続的地震信号に基づいて、次回の慢いスリップ発生時刻を90％の精度で予測した。
• モデルは、測定値と高い相関を示しながら、リアルタイムで故障摩擦およびせん断変位を的確に推定できた。
• 信号エネルギーは、初期には徐々に増加し、スリップ直前で急激に上昇し、イベント終了直前に急激に低下する傾向を示した—これは検出可能な前兆パターンを示している。
• 振幅予測では、速い実験では平均R²が0.73、遅い実験では0.42を達成し、数十個のデータポイントのみを用いても実現可能であった。
• 振幅予測において最も予測能の高い特徴量は、イベント間隔とイベント持続時間であり、エネルギー放出ダイナミクスが大きさ予測の鍵を握っていると考えられる。
• 本結果から、自然の非ボルケニック・トゥルーレや低周波地震においても、同様のエネルギーパターンが慢いスリップイベントの検出可能な前兆を含んでいる可能性が示唆された。