[논문 리뷰] Estimating the Physical State of a Laboratory Slow Slipping Fault from Seismic Signals

Claudia Hulbert, Bertrand Rouet‐Leduc외 5명|arXiv (Cornell University)|2018. 01. 23.

earthquake and tectonic studies참고 문헌 22인용 수 3

한 줄 요약

이 연구는 실험실에서의 슬로우 슬립 실험에서 연속적인 지진 신호로부터 고장 마찰, 전단 변위, 향후 슬로우 슬립 사건까지의 시간과 같은 실시간 물리적 상태 정보를 추출하기 위해 머신러닝을 사용한다. 주요 결과는 신호 에너지 패턴이 고장 행동을 높은 정확도로 예측할 수 있으며, 음향 방출만으로도 슬로우 슬립 시기와 크기를 조기에 예측할 수 있다는 것이다.

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.

연구 동기 및 목표

• 실험실 슬로우 슬립 실험에서의 연속적인 지진 신호가 고장 상태에 대한 숨겨진 물리적 정보를 포함하고 있는지 확인하는 것.
• 음향 방출만으로도 고장 마찰, 변위 및 향후 슬립 행동을 추론할 수 있는 머신러닝 기법을 개발하는 것.
• 지진파 내 신호 에너지 패턴이 향후 슬로우 슬립 사건의 시기와 크기를 예측할 수 있는지 탐색하는 것.
• 지구의 지각에서 관측되는 자연적 슬로우 슬립 사건에 유사한 머신러닝 기법을 적용할 수 있는 확장 가능한 프레임워크를 구축하는 것.

제안 방법

• 실험실 고장 실험에서의 연속적인 지진 신호는 샘플 조립에 내장된 피에조세라믹 센서를 통해 수집되었다.
• 기울기 부스팅 트리 모델은 전체 지진파 형상에 기반하여 슬로우 슬립 주기의 어느 시점에서든 고장 마찰과 전단 변위를 예측하도록 훈련되었다.
• 두 번째 기울기 부스팅 트리 회귀 모델은 사건 간 간격, 사건 지속 시간, 신호 분산도 및 이전 사건의 크기를 사용하여 다음 슬립 사건의 진폭을 예측하였다.
• 모델들은 슬립 특성이 다른 두 개의 별도된 슬로우 슬립 실험에서 교차 검증을 통해 검증되었다.
• 슬립 사건 이전의 체계적 변화를 파악하기 위해 신호 에너지 추세를 분석하였으며, 에너지 변화의 동역학을 고장 상태의 동역학과 연결지었다.
• 이 접근법은 투명성과 확장성을 고려하여 설계되었으며, 지구의 지각에서 관측되는 자연적 슬로우 슬립 사건에의 적용 가능성이 있다.

실험 결과

연구 질문

• RQ1 머신러닝을 통해 슬로우 슬립 사건 기간 동안 연속적인 지진 신호로부터 고장 마찰과 변위를 추출할 수 있는가?
• RQ2 슬로우 슬립 주기 중 고장 물리적 상태 변화와 관련된 지진 신호 에너지 패턴은 무엇인가?
• RQ3 음향 방출만으로도 향후 슬로우 슬립 사건의 시기를 실시간으로 예측할 수 있는가?
• RQ4 지진 신호 특징에서 향후 슬립 사건의 크기를 얼마나 정확하게 예측할 수 있는가?
• RQ5 지진 신호의 에너지 변화는 고장 흙먼지의 입자 간 상호작용과 같은 미세물리적 과정과 연결될 수 있는가?

주요 결과

• 머신러닝 모델은 연속적인 지진 신호를 바탕으로 향후 슬로우 슬립 사건까지의 시간을 90%의 정확도로 예측하였다.
• 모델은 높은 상관관계를 보이며 실시간으로 고장 마찰과 전단 변위를 성공적으로 추론하였다.
• 신호 에너지는 처음에는 점진적으로 증가하다가 슬립 직전에 가속화되고, 사건 종료 근처에서 급격히 감소하는 경향을 보였으며, 이는 감지 가능한 예측 신호 패턴을 시사한다.
• 진폭 예측에서는 평균 R²가 빠른 실험에서는 0.73, 느린 실험에서는 0.42를 기록하였으며, 단지 수십 개의 데이터 포인트만으로도 이루어졌다.
• 진폭 예측에 가장 예측력 있는 특징들은 사건 간 간격과 사건 지속 시간이었으며, 이는 에너지 방출 동역학이 크기 예측의 핵심 요소임을 시사한다.
• 결과는 자연적 비화산성 진동과 저주파 지진에서 유사한 에너지 패턴이 슬로우 슬립 사건의 감지 가능한 예측 신호를 지닐 수 있음을 시사한다.