[논문 리뷰] Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress

Laura Laurenti, Elisa Tinti외 3명|arXiv (Cornell University)|2022. 03. 24.

Seismology and Earthquake Studies참고 문헌 52인용 수 87

한 줄 요약

이 연구는 고음향 방출(AE) 신호를 사용하여 실험실 지진 발생 시점과 단층대 전단 응력을 예측하고 자동회귀적으로 예측하는 데에 새로운 딥러닝(DL) 프레임워크를 제안한다. LSTM, 시간적 컨volution 네트워크(TCN), 트랜스포머 아키텍처가 이전 모델들을 능가하며, 실패까지의 시간 예측과 향후 응력 변화 예측에서 뛰어난 성능을 보였으며, TCN와 트랜스포머는 비정기적이고 노이즈가 많은 시계열에서도 뛰어난 성능을 보여, AE가 신뢰할 수 있는 응력 지문임을 확인한다.

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.

연구 동기 및 목표

• 고음향(AE) 신호에 기반한 딥러닝을 활용해 실험실 지진 예측 정확도를 향상시키기 위해.
• 과거 응력 값만을 사용하여 향후 단층대 전단 응력을 예측하는 자동회귀(AR) 예측 모델을 개발하고 평가하기 위해.
• 예비지진 융화, 비정기적 사건, 번갈아가며 발생하는 느린/빠른 이완 사건을 포함한 다양한 단층 조건에서 딥러닝 모델의 강건성을 시험하기 위해.
• 고음향 에너지가 단층대 응력에 대한 신뢰할 수 있는 대체 지표인지 조사하여 지진 주기 역학에 대한 물리적 통찰을 확보하기 위해.
• 단일 사건 예측을 넘어서 다단계 향후 변화를 예측하는 시계열 예측 프레임워크를 세ismic학에 도입하기 위해.

제안 방법

• AE 및 응력 데이터의 시계열 모델링을 위해 장기순환신경망(LSTM), 시간적 컨volution 네트워크(TCN), 트랜스포머(TF)의 세 가지 딥러닝 아키텍처를 사용하였다.
• 외부 레이블 없이 과거 응력 값만을 입력으로 사용하여 향후 응력 값을 예측하는 자동회귀 예측 방식을 적용하여 다단계 예측을 가능하게 하였다.
• 통제된 조건에서의 실험실 단층 실험에서 확보한 AE 및 전단 응력 데이터의 장기간 시계열 데이터를 기반으로 모델을 훈련시켰다.
• 응력 축적과 실패 예비 신호와 관련된 특징을 추출하기 위해, AE 신호를 슬라이딩 윈도우 기반으로 분산을 계산하여 전처리하였다.
• 실제 실험 데이터의 양이 제한되어 있어 수렴 속도가 느릴 수 있으므로, 사전 훈련을 통해 트랜스포머 모델을 인공 정현파에 대해 사전 훈련하여 성능 향상을 도모하였다.
• 예측된 시간-실패까지의 시간(TTsF, TTeF)과 응력 값 간의 평균 절대 오차(MAE) 및 상관계수와 같은 지표를 사용해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 고음향 신호만을 사용하여 실험실 지진의 실패 시작 시점(TTsF)과 실패 종료 시점(TTeF)을 예측할 수 있는가?
• RQ2 자기회귀 딥러닝 모델은 과거 시간 시리즈 데이터만을 기반으로 향후 단층대 전단 응력의 변화를 예측할 수 있는가?
• RQ3 LSTM, TCN, 트랜스포머 등 다양한 딥러닝 아키텍처는 다양한 단층 조건 하에서 실험실 지진 역학을 예측·예측하는 데 어떻게 비교되는가?
• RQ4 특히 비정기적 또는 융화 영향을 받는 실패 주기 동안, 고음향 신호의 분산은 단층대 전단 응력에 대한 신뢰할 수 있는 대체 지표인가?
• RQ5 모델은 느린 이완과 빠른 이완 사건이 번갈아 발생하는 다양한 단층대와 실패 패tern에 대해 얼마나 일반화 가능한가?

주요 결과

• 제안된 딥러닝 모델은 실험실 지진의 실패 시점 예측에서 최신 기술(SOTA) 기계학습 방법을 뛰어넘는 성능을 보였다.
• 실패 종료 시점(TTeF)은 모든 지진 주기에서 성공적으로 예측되었으며, 실패 시작 시점(TTsF)의 예측 정확도는 예비지진 융화의 유무에 따라 변동이 있었다.
• TCN 및 트랜스포머 모델을 활용한 자동회귀 예측 방식이 다단계에 걸쳐 향후 단층대 전단 응력을 성공적으로 예측하여, 지구물리학 분야에서 새로운 접근법을 제시하였다.
• TCN 모델이 LSTM보다 응력 예측에서 뛰어난 성능을 보였는데, 이는 장기간 시계열과 주기적 응력 패tern을 더 잘 처리할 수 있었기 때문으로 보인다.
• 고음향 신호의 분산은 비정기적 실패 주기 동안에도 단층대 응력의 신뢰할 수 있는 지문으로 기능하며, 물리적 관련성이 확인되었다.
• 인공 정현파에 기반한 사전 훈련을 통해 트랜스포머 모델의 훈련 안정성과 성능이 향상되었으며, 이는 자료가 부족한 상황에서 효과적인 전략임을 시사한다.