論文の概要: Deep learning for laboratory earthquake prediction and autoregressive
forecasting of fault zone stress
- arxiv url: http://arxiv.org/abs/2203.13313v1
- Date: Thu, 24 Mar 2022 19:38:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 14:08:52.886543
- Title: Deep learning for laboratory earthquake prediction and autoregressive
forecasting of fault zone stress
- Title（参考訳）: 実験室地震予測のための深層学習と断層帯応力の自己回帰予測
- Authors: Laura Laurenti, Elisa Tinti, Fabio Galasso, Luca Franco, Chris Marone
- Abstract要約: 実験室では、摩擦性スティックスリップ現象が地震と地震のサイクルに類似している。
近年の研究では, 断層帯の音響放射を用いて, 機械学習が地震のいくつかの側面を予測できることが示されている。
本研究では,室内地震予測と自己回帰予測のための深層学習(DL)手法を実証する。
- 参考スコア（独自算出の注目度）: 3.6894467064214456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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.
- Abstract（参考訳）: 地震予知と予知は長く、場合によっては難解な歴史があるが、最近の研究は、早期警戒の進展、誘発地震の危険度評価、実験室地震の予測の成功などに基づく関心を再び高めている。
実験室では、摩擦性スティックスリップ現象が地震と地震のサイクルに類似している。
labquakeは、制御された条件下で長いシーケンスで生成できるため、機械学習(ml)の理想的なターゲットである。
近年の研究では, 断層帯の音響放射を用いて, MLが地震のいくつかの側面を予測できることが示されている。
本稿では,これらの結果を一般化し,地震予測と自己回帰予測のためのディープラーニング(DL)手法を検討する。
DLは既存の地震予測のML手法を改善している。
ARメソッドは、反復予測を通じて将来の地平線での予測を可能にする。
本研究では,long-short term memory (lstm) と畳み込みニューラルネットワークに基づくdlモデルを用いて,いくつかの条件下での地震を予測し,断層帯応力を忠実に予測し,音響エネルギーが断層帯応力の指紋であることを確認する。
また,ttsf(time to start of failure)とttf(time to the end of failure)についても予測した。
興味深いことに、TTeFはすべての地震周期で予測され、TTsF予測は地震前の断層クリープの量によって変化する。
LSTM, テンポラル畳み込みネットワーク, トランスフォーマーネットワークという3つのシーケンスモデリングフレームワークを用いて, 断層応力の進化を予測するAR手法について報告する。
ar予測は、ターゲット変数のみを特定の時間に予測する既存の予測モデルとは異なる。
単一の地震周期を超える予測の結果は限定的だが奨励的である。
我々のML/DLモデルは最先端のモデルより優れており、我々の自己回帰モデルは、現在の地震予測方法を強化する新しい枠組みである。
関連論文リスト
- WaveCastNet: An AI-enabled Wavefield Forecasting Framework for Earthquake Early Warning [39.353484781486245]
本稿では,大地震の震動を予測するための新しいAI対応フレームワークWaveCastNetを提案する。
WaveCastNetは、新しい畳み込み長表現型メモリ(ConvLEM)モデルをシーケンスからシーケンスへの予測フレームワーク(seq2seq)に統合する。
サンフランシスコ・ベイエリアのシミュレーションデータを用いて, 地震動の強度とタイミングを迅速に予測できることを示す。
論文 参考訳（メタデータ） (2024-05-30T22:18:16Z) - Data-Driven Prediction of Seismic Intensity Distributions Featuring
Hybrid Classification-Regression Models [21.327960186900885]
本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。
このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。
提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
論文 参考訳（メタデータ） (2024-02-03T13:39:22Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Machine learning based surrogate modeling with SVD enabled training for
nonlinear civil structures subject to dynamic loading [0.0]
本稿では,地震を予測するための機械学習に基づく代理モデルフレームワークを提案する。
1階建てと3階建ての建物のピーク応答をうまく予測するために、このフレームワークを用いて検証する。
論文 参考訳（メタデータ） (2022-06-12T11:57:58Z) - KnitCity: a machine learning-based, game-theoretical framework for
prediction assessment and seismic risk policy design [0.0]
予測者だけでなく意思決定ポリシーも設計し、評価し、比較できるフレームワークを導入します。
我々は,強化学習環境と,人工ニューラルネットワークに基づく時系列予測器を用いた効率的なポリシを構築した。
論文 参考訳（メタデータ） (2022-05-05T14:38:03Z) - A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。
中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
論文 参考訳（メタデータ） (2021-12-26T20:16:20Z) - Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。
本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。
ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文 参考訳（メタデータ） (2021-12-15T15:17:02Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。
地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文 参考訳（メタデータ） (2020-02-05T10:11:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。