[论文解读] Estimating the Physical State of a Laboratory Slow Slipping Fault from Seismic Signals

Claudia Hulbert, Bertrand Rouet‐Leduc+5 more|arXiv (Cornell University)|Jan 23, 2018

earthquake and tectonic studies参考文献 22被引用 3

一句话总结

本研究利用机器学习从实验室慢滑移实验的连续地震信号中提取实时物理状态信息，如断层摩擦力、剪切位移及下一次慢滑移事件发生的时间。关键结果表明，信号能量模式可高精度预测断层行为，仅通过声发射即可实现滑移时间与幅度的早期预报。

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.

研究动机与目标

• 确定实验室慢滑移实验中的连续地震信号是否隐含有关断层状态的物理信息。
• 开发仅基于声发射推断断层摩擦力、位移及未来滑移行为的机器学习方法。
• 探究地震波中信号能量模式是否可预测未来慢滑移事件的发生时间与幅度。
• 建立可扩展的框架，将类似机器学习技术应用于地球岩石圈中观测到的天然慢滑移事件。

提出的方法

• 通过嵌入样品装置中的压电陶瓷传感器采集实验室断层实验的连续地震信号。
• 使用完整地震波形训练梯度提升树模型，以预测慢滑移周期中任意时刻的断层摩擦力与剪切位移。
• 使用第二个梯度提升树回归模型，基于事件间时间、事件持续时间、信号方差及先前事件幅度，预测下一次滑移事件的振幅。
• 通过在两个具有不同滑移特性的慢滑移实验上进行交叉验证，对模型进行验证。
• 分析信号能量趋势，识别滑移事件前的系统性变化，将能量演化与断层状态动力学联系起来。
• 该方法设计透明且可扩展，具有应用于地球岩石圈中天然慢滑移事件的潜力。

实验结果

研究问题

• RQ1 机器学习能否从慢滑移事件期间的连续地震信号中提取断层摩擦力与位移？
• RQ2 地震信号能量中的何种模式与慢滑移周期中断层物理状态的变化相对应？
• RQ3 能否仅通过声发射实现实时预测未来慢滑移事件的发生时间？
• RQ4 能否基于地震信号特征准确预测未来滑移事件的幅度？
• RQ5 地震信号的能量演化是否可与断层泥中颗粒间相互作用等微观物理过程相关联？

主要发现

• 基于连续地震信号，机器学习模型对下一次慢滑移事件发生时间的预测准确率达90%。
• 模型成功实现了断层摩擦力与剪切位移的实时推断，与实测值具有高度相关性。
• 信号能量最初逐渐增加，滑移前加速上升，事件结束时急剧下降——表明存在可检测的前兆模式。
• 仅使用数十个数据点，事件振幅预测的平均决定系数R²在快速实验中达0.73，在慢速实验中达0.42。
• 对振幅预测最具预测力的特征是事件间时间与事件持续时间，表明能量释放动力学是幅度预测的关键。
• 结果表明，天然非火山性微震与低频地震中类似的能量模式可能携带可检测的慢滑移事件前兆。