[論文レビュー] Unsupervised classification of acoustic emissions from catalogs and fault time-to-failure prediction

Hope Jasperson, C. T. Bolton+3 more|arXiv (Cornell University)|Dec 1, 2019

Rock Mechanics and Modeling参考文献 31被引用数 5

ひとこと要約

本研究では、波形クラスタリングとイベントベースのLSTMを用いて、実験室で生成された断層地震からの音響発生（AE）を分類し、破壊までの時間を予測する非教師あり機械学習フレームワークを提案する。損傷メカニズムのクラスタを抽出するためにコン科学的自己組織化マップ（CSOM）を適用し、累積波形特徴量に基づいてLSTMを訓練することで、地震サイクル全体にわたって破壊までの時間を正確に予測するモデルを構築した。

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.

研究の動機と目的

• 破壊を伴わない試験手法を、一般化された地震予測の挑戦に適応させるため、岩石力学における音響発生（AE）クラスタリングに応用すること。
• 繰り返しの実験的地震サイクル中に、非教師あり学習を用いてAE波形内の明確な損傷メカニズムを特定すること。
• 深層学習を用いてAEクラスタの予測能力を評価し、断層破壊までの時間を予測すること。
• 解釈可能性を支援する故障メカニズムの追跡を可能にする、データ駆動型かつトポロジーを保全するAE分類手法を確立すること。

提案手法

• 細粒の断層ゴウストを用いた二軸せん断装置を用いて制御された実験的地震サイクルを生成し、AE波形を収集する。
• AE波形の特徴に基づいて、トポロジカルに順序付けられたベクトル量子化を実行するため、コン科学的自己組織化マップ（CSOM）を適用する。
• CSOMマップを用いて、マトリックスクラックやスリップイベントなどの潜在的損傷メカニズムに応じてAEをインタラクティブにクラスタリングする。
• 地震サイクル全体にわたって累積波形特徴量を抽出し、AE活動の時間的変化を表現する。
• クラスタリングされたAE特徴量に基づいて、イベントベースの長短期記憶（LSTM）ネットワークを訓練し、破壊までの時間を予測する。
• 複数の地震サイクルにわたり、LSTMモデルを用いて各AEクラスタの予測性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 CSOMを用いたAE波形の非教師ありクラスタリングは、断層スリップサイクル中に明確な損傷メカニズムを効果的に特定できるか？
• RQ2 どのAEクラスタが近い断層破壊と最も強い時間的相関を示すか？
• RQ3 地震サイクル全体にわたる累積AE特徴量をLSTMネットワークで用いることで、破壊までの時間をどの程度正確に予測できるか？
• RQ4 CSOMによるAE波形のトポロジカル順序付けは、標準的なクラスタリングと比較して、解釈可能性と予測精度をどの程度向上させるか？

主な発見

• CSOMはAE波形のトポロジカルに順序付けられたマップを成功裏に生成し、損傷メカニズムごとの解釈可能なクラスタリングを可能にした。
• 明確なAEクラスタは、クラック核生成やスリップイベントなどの特定の破壊関連プロセスに対応していた。
• LSTMモデルは、最も情報量の多いAEクラスタの累積特徴量を用いて訓練した場合、破壊までの時間予測において高い予測精度を達成した。
• 地震サイクル内でのAE特徴量の時間的変化は、破壊に先行して一貫したパターンを示しており、LSTMがそのパターンを捉えていた。
• 予測性能はクラスタごとに変動し、特に臨界損傷段階に関連するクラスタは著しく強い予測力を見せていた。
• 非教師ありクラスタリングと深層学習の統合により、ラベル付きの破壊イベントがなくても、強固なデータ駆動型の破壊までの時間予測が可能になった。