[论文解读] Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress

Laura Laurenti, Elisa Tinti+3 more|arXiv (Cornell University)|Mar 24, 2022

Seismology and Earthquake Studies参考文献 52被引用 87

一句话总结

本研究提出了一种新颖的深度学习（DL）框架，用于仅基于声发射（AE）信号预测和自回归地预报实验室地震的发震时刻与断层带剪切应力演化。结果表明，LSTM、时间卷积网络（TCN）和Transformer架构在预测失效时间与未来应力演化方面优于以往模型，其中TCN与Transformer在非周期性及噪声序列上表现优异，证实了声发射是可靠的应力指纹。

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.

研究动机与目标

• 利用声发射（AE）信号的深度学习方法提高实验室地震预测的准确性。
• 开发并评估基于历史应力值的自回归（AR）预报模型，以预测未来断层带剪切应力。
• 测试深度学习模型在不同断层条件下的鲁棒性，包括前震蠕变、非周期性事件以及慢滑与快滑交替事件。
• 探究声发射能量是否可作为断层带应力的可靠代理，从而为地震周期动力学提供物理解释。
• 建立一种时间序列预报新框架，其应用范围超越单次事件预测，扩展至多步未来演化预测。

提出的方法

• 采用三种深度学习架构：长短期记忆网络（LSTM）、时间卷积网络（TCN）和Transformer（TF），对AE与应力数据序列进行建模。
• 通过自回归预报方法，仅使用历史应力值作为输入，训练模型预测未来应力值，实现无需外部标签的多步预测。
• 在受控条件下，基于实验室断层实验的长序列AE与剪切应力数据进行模型训练。
• 通过在滑动窗口上计算AE信号的方差，对AE信号进行预处理，以提取与应力累积及失效前兆相关的特征。
• 应用迁移学习原理，先在合成正弦波数据上预训练Transformer模型，以提升在有限真实实验数据上的收敛性与性能。
• 采用平均绝对误差（MAE）和预测值与实际值之间的时间至失效（TTsF、TTeF）及应力值的皮尔逊相关系数等指标评估模型性能。

实验结果

研究问题

• RQ1 仅使用声发射信号，深度学习模型能否成功预测实验室地震的失效起始时间（TTsF）与失效结束时间（TTeF）？
• RQ2 自回归深度学习模型能否基于历史时间序列，成功预报断层带剪切应力的未来演化？
• RQ3 在不同断层条件下，LSTM、TCN与Transformer等不同深度学习架构在预测与预报实验地震动力学方面表现如何比较？
• RQ4 在非周期性或蠕变影响的失效周期中，声发射信号方差是否可作为断层带剪切应力的可靠代理？
• RQ5 模型在不同断层区域与多种失效模式（包括慢滑与快滑交替事件）下的泛化能力如何，其适用范围有多大？

主要发现

• 所提出的深度学习模型在预测实验室地震的失效时间方面，显著优于当前最先进的机器学习方法。
• 在所有地震周期中，失效结束时间（TTeF）均被成功预测；而失效起始时间（TTsF）的预测精度则因是否存在前震蠕变而异。
• 采用TCN与Transformer模型的自回归预报方法，成功实现了对多时间步未来断层带剪切应力的预测，为地震学领域提供了新颖方法。
• TCN模型在应力预报方面优于LSTM，可能归因于其对长序列及周期性应力模式的更好处理能力。
• 声发射信号方差可作为断层带应力的可靠指纹，即使在非周期性失效过程中亦成立，证实其物理相关性。
• 在合成正弦波上预训练Transformer模型，显著提升了在有限真实实验数据上的训练稳定性和性能，表明该策略在数据稀缺场景下具有可行性。