[논문 리뷰] Unsupervised classification of acoustic emissions from catalogs and fault time-to-failure prediction

Hope Jasperson, C. T. Bolton외 3명|arXiv (Cornell University)|2019. 12. 01.

Rock Mechanics and Modeling참고 문헌 31인용 수 5

한 줄 요약

이 연구는 실험실에서 생성된 단층 지진의 음향 방출(AE)을 분류하고 시ismic 사이클 전반에 걸쳐 고장 붕괴 시간을 예측하기 위해 비지도 기계학습 프레임워크를 제안한다. 파형 군집화와 이벤트 기반 LSTM을 활용하여, 손상 메커니즘 군집을 추출하고 누적 파형 특징을 기반으로 학습한 모델은 시ismic 사이클 전반에서 고장 붕괴 시간을 정확하게 예측한다.

ABSTRACT

When a rock is subjected to stress it deforms by creep mechanisms that include formation and slip on small-scale internal cracks. Intragranular cracks and slip along grain contacts release energy as elastic waves called acoustic emissions (AE). Early research into AEs envisioned that these signals could be used in the future to predict rock falls, mine collapse, or even earthquakes. Today, nondestructive testing, a field of engineering, involves monitoring the spatio-temporal evolution of AEs with the goal of predicting time-to-failure for manufacturing tools and infrastructure. The monitoring process involves clustering AEs by damage mechanism (e.g. matrix cracking, delamination) to track changes within the material. In this study, we aim to adapt aspects of this process to the task of generalized earthquake prediction. Our data are generated in a laboratory setting using a biaxial shearing device and a granular fault gouge that mimics the conditions around tectonic faults. In particular, we analyze the temporal evolution of AEs generated throughout several hundred laboratory earthquake cycles. We use a Conscience Self-Organizing Map (CSOM) to perform topologically ordered vector quantization based on waveform properties. The resulting map is used to interactively cluster AEs according to damage mechanism. Finally, we use an event-based LSTM network to test the predictive power of each cluster. By tracking cumulative waveform features over the seismic cycle, the network is able to forecast the time-to-failure of the fault.

연구 동기 및 목표

• 비파괴 검사 기법을 암석 역학 분야의 음향 방출(AE) 군집화에 적용하여 일반화된 지진 예측 문제에 대응한다.
• 반복적인 실험실 지진 사이클 동안 비지도 학습을 통해 AE 파형에서 구분되는 손상 메커니즘을 식별한다.
• 딥 러닝을 활용해 AE 군집의 예측 능력을 평가하여 고장 붕괴 시간 예측 능력을 분석한다.
• 실험적 해석이 가능한 고장 메커니즘 추적을 지원하는 데이터 기반의 위상 보존 분류 방법을 수립한다.

제안 방법

• 균질한 단층 흙을 사용한 双축 비틀림 장치를 활용해 통제된 실험실 지진 사이클을 생성하고 AE 파형을 측정한다.
• AE 파형의 특징을 기반으로 위상 순서를 유지하는 벡터 양자화를 수행하기 위해 Conscience Self-Organizing Map(CSOM)을 적용한다.
• CSOM 지ap을 활용해 매트릭스 균열 또는 슬립 사건과 같은 기초 손상 메커니즘에 따라 AE를 상호작용적으로 군집화한다.
• 시ismic 사이클 전반에 걸쳐 누적 파형 특징을 추출하여 AE 활동의 시간적 변화를 표현한다.
• 군집화된 AE 특징을 기반으로 이벤트 기반 장기 단기 기억(LSTM) 네트워크를 학습시켜 붕괴까지의 시간을 예측한다.
• 다양한 시ismic 사이클에 걸쳐 각 AE 군집의 예측 성능을 LSTM 모델을 통해 검증한다.

실험 결과

연구 질문

• RQ1 CSOM를 활용한 AE 파형의 비지도 군집화가 단층 슬립 사이클 중 구분되는 손상 메커니즘을 효과적으로 식별할 수 있는가?
• RQ2 어느 AE 군집이 곧 다가올 고장 붕괴와 가장 강한 시간적 상관관계를 보이는가?
• RQ3 시ismic 사이클 전반에 걸친 누적 AE 특징을 LSTM 네트워크로 활용할 경우 붕괴까지의 시간 예측 능력은 어느 정도 향상되는가?
• RQ4 CSOM를 통한 AE 파형의 위상 순서화가 기존 군집화 방식에 비해 실험적 해석 가능성과 예측 정확도를 얼마나 향상시키는가?

주요 결과

• CSOM는 AE 파형의 위상 순서화 지도를 성공적으로 생성하여 손상 메커니즘 기반의 해석 가능한 군집화를 가능하게 하였다.
• 구분된 AE 군집은 균열 핵형성 및 슬립 사건과 같은 특정 고장 관련 과정과 대응하였다.
• 가장 정보량이 많은 AE 군집의 누적 특징을 기반으로 학습한 LSTM 모델은 붕괴까지의 시간 예측에서 높은 정확도를 달성하였다.
• 시ismic 사이클 내에서 AE 특징의 시간적 변화는 붕괴 직전에 일관된 패턴을 보였으며, 이는 LSTM에 의해 잘 포착되었다.
• 예측 성능은 군집 간에 다양하게 나타났으며, 특히 임계 손상 단계와 관련된 군집들은 상당히 높은 예측 능력을 보였다.
• 비지도 군집화와 딥 러닝의 융합을 통해 레이블이 부여된 붕괴 사건이 없더라도 강력한 데이터 기반의 붕괴까지의 시간 예측이 가능해졌다.