bt365手机平台-下载首页

  • 有MIT的研究人员使用了神经网络识别低频地震波隐藏在地震数据。可能的技术更准确地帮助科学家绘制地球的内部。

    有MIT的研究人员使用了神经网络识别低频地震波隐藏在地震数据。可能的技术更准确地帮助科学家绘制地球的内部。

    图片:恭达尼洛夫,bt365手机app

    全屏

学习机采出隐藏的震动来自地震数据

有MIT的研究人员使用了神经网络识别低频地震波隐藏在地震数据。可能的技术更准确地帮助科学家绘制地球的内部。

可以帮助科学家更精确的技术映射巨大的地下地质构造。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
bt365手机app新闻办公室

媒体资源

1张图片下载

媒体访问

媒体只能从本网站的桌面版本下载。

在上个世纪,科学家们开发的方法来映射放弃在地球的地壳结构,以确定身份:比如石油储备资源,地热资源,以及最近,藏在哪里可能过量的二氧化碳被隔离。他们通过跟踪地震波这样做是由地震或人为地通过水下气枪或炸药自然产生。这些波反弹的方式通过地球和散射可以给科学家结构的表面之下的类型谎言的想法。

有地震波的一个窄的范围 - 那些发生在大约1赫兹的低频 - 即可以帮助科学家跨越宽距离地下结构的清晰的图像。这些波而是由经常地球的嘈杂地震的嗡嗡声淹没了,并且很难THEREFORE拿起随着电流探测器。具体地生成低频波将需要巨大的能量泵送。由于这些原因,低频地震波在很大程度上消失在人类产生的地震数据丢失。

有MIT的研究人员现在想出了一个解决方法机器学习来填补缺口ESTA。

在一份文件中出现的杂志 地球物理,他们描述的方法中,他们训练的神经网络对数百个不同的模拟地震。当受过训练的研究者提出的网络只从一个全新的模拟地震产生的高频地震波,神经网络能够模仿波传播的物理和准确地估计地震的缺失低频波。

可以人工合成研究新方法允许隐藏在地震资料的低频波,可用于更精确地调节地图地球的内部结构。

“最终的梦想是能够映射地下整体,可以说,比如,‘这正是它看起来像冰岛之下,所以现在你知道在哪里可以探索地热资源,’说:”合作洛朗Demanet作者,bt365手机app应用数学教授。 “那现在我们已经证明深度学习提供了解决方案,以便能够填补缺失的这些频率。”

Demanet的合着者是主要作者宏宇太阳,研究生在地球,大气与行星科学的bt365手机app的部门。

说到另一个频率

神经网络是一组人大脑的神经运作后松散的算法模型。该算法被设计在数据被馈送到该网络,以识别模式,以及集群数据成类别这些,或标签。神经网络的一个常见的例子涉及到可视处理;该模型被训练成一个图像归类为猫无论是狗,或在此基础上认识到被标记为具体的猫,狗和其他物体图像的成千上万之间的模式。

适于太阳和Demanet用于信号处理的神经网络,具体而言,为了识别在地震数据中的模式。他们的理由,如果这是喂地震的足够的例子,以及由此造成的高,低频率的地震波通过地球的业主组成出行方式神经网络,网络应该能,因为他们在写自己的纸,“我的隐藏相关之中不同频率成分”,并推断任何丢失频率只有在网络给予地震的地震部分的轮廓。

研究人员观察到训练神经卷积网络,或者CNN,一类就是通常用于分析视觉信息的深层神经网络。 CNN通常非常由一个输入和输出层,并且,该过程输入来标识它们之间的相关性之间的多个隐藏层。

在其众多应用中,细胞神经网络已被用来作为产生视觉或听觉“deepfakes”的手段 - 内容已被推断或通过深入学习和神经网络的操纵,使之看起来,例如对于,仿佛是女人,说话有一个男人的声音。

“如果网络已经看到了如何把一个男人的声音并将其转换成一个女性的声音,反之亦然足够的例子,你可以创建一个复杂的盒子要做到这一点,” Demanet说。 “而在这里,我们使我们的地球讲另一种频率 - 这一次没通过它原来去。”

跟踪波

他们的研究人员训练的神经网络输入,使用它们Marmousi模型,一个二维复地球物理模型,模拟方式的地震波通过变化的密度和组成的地质结构行进生成。  

在他们的研究中,研究小组利用该模型模拟九“虚拟地球”,每一个不同的地下组成。每个地球模型,30个不同的模拟地震,他们,都具有相同的强度,但不同的起始位置。在所有的研究人员生成数百个不同的地震场景。他们喂养几乎所有这些神经网络的信息到他们的模拟,让网络时发现地震信号之间的相关性。

训练结束后,球队引入到神经网络新的地震模拟,他们在地球模型但在原来的训练数据没有包括。他们只包括此次地震的地震活动的高频部分,在希望的神经网络了解到,从训练足够的数据,以便能够在新的输入推断失踪低频信号。

他们发现,神经网络产生相同的低频值的Marmousi那最初的模拟模型。

“结果是相当不错的,说:” Demanet。 “这是令人印象深刻的看到网络能在多大程度上推断缺少的频率。”

所有与神经网络,该方法也有其局限性。具体地,神经网络只有一样好馈入它的数据是。如果新的输入与批量网络的训练数据的完全不同,但也不能保证输出将是准确的。抗衡这种限制,研究人员说他们计划引入更多种类的数据到神经网络,如不同强度的地震,以及子表面的更多样化的组合物。

由于他们提高神经网络的预测,研究小组希望能够是使用的方法来推断低频信号从现有的地震资料,然后可以插入模型地震更准确地映射地表以下的地质结构。低频,特别是解决找到正确的物理模型的大拼图的关键因素。

“埃斯塔利用神经网络将帮助我们找到失踪的频率,以最终提高图像并找到地球的地表组成,” Demanet说。

ESTA研究是支持的,部分由道达尔公司和美国科学研究空军办公室。


主题: EAPS, 地震, 环境, 地质学, 数学, 研究, 科学学院, 机器学习, 人工智能, 地球和大气科学

回到顶部