[论文解读] 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 5

一句话总结

本研究提出了一种无监督机器学习框架，用于对实验室内生成的断层地震的声发射（AE）信号进行分类，并利用波形聚类和基于事件的LSTM网络预测失效率时间。通过应用意识自组织映射（CSOM）提取损伤机制聚类，并基于累积波形特征训练LSTM模型，该模型在地震周期内实现了对断层失效率时间的精确预测。

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.

研究动机与目标

• 将无损检测方法中的声发射（AE）聚类技术应用于岩石力学领域，以应对广义地震预测的挑战。
• 利用无监督学习识别在重复实验室地震周期中AE波形内的不同损伤机制。
• 评估AE聚类在基于深度学习的故障失效率时间预测中的预测能力。
• 建立一种数据驱动、保持拓扑结构的AE分类方法，以支持对损伤机制演变的可解释性追踪。

提出的方法

• 采用双轴剪切装置与颗粒状断层泥，生成受控的实验室地震周期并采集AE波形。
• 应用意识自组织映射（CSOM）对基于波形特征的AE波形执行拓扑有序的向量量化。
• 利用CSOM映射根据潜在损伤机制（如基质开裂或滑移事件）对AE进行交互式聚类。
• 提取地震周期内累积波形特征，以表征AE活动的时间演化过程。
• 基于聚类后的AE特征训练基于事件的长短期记忆（LSTM）网络，以预测失效率时间。
• 在多个地震周期中，通过LSTM模型验证每个AE聚类的预测性能。

实验结果

研究问题

• RQ1 使用CSOM对AE波形进行无监督聚类，能否有效识别在断层滑移周期中不同的损伤机制？
• RQ2 哪些AE聚类与即将发生的断层失效率表现出最强的时间相关性？
• RQ3 在地震周期内，基于累积AE特征，LSTM网络在多大程度上能够预测失效率时间？
• RQ4 与标准聚类方法相比，通过CSOM实现的AE波形拓扑有序化在提升可解释性和预测准确性方面有何优势？

主要发现

• CSOM成功生成了AE波形的拓扑有序映射，实现了基于损伤机制的可解释性聚类。
• 不同的AE聚类对应于特定的与失效相关的物理过程，如裂纹成核和滑移事件。
• 当使用最具信息量的AE聚类的累积特征进行训练时，LSTM模型在预测失效率时间方面表现出高精度。
• 地震周期内AE特征的时间演化在失效率前表现出一致的模式，且被LSTM模型有效捕捉。
• 不同聚类的预测性能存在差异，其中部分聚类（如与临界损伤阶段相关的聚类）表现出显著更强的预测能力。
• 将无监督聚类与深度学习相结合，实现了无需标注失效率事件的稳健、数据驱动的失效率时间预测。