یک مطالعه جدید توسط محققان دانشگاه هیروشیما که در ۵ آوریل در بولتن انجمن لرزه‌شناسی آمریکا منتشر شد، یک تکنیک جدید مبتنی بر هوش مصنوعی (AI) را برای تخمین عوامل تقویت سایت از داده‌های ارتعاشات محیطی یا ریز لرزش‌های زمین معرفی کرد.
شرایط خاک زیرسطحی، که تعیین می کند چگونه زمین لرزه بر یک مکان تأثیر می گذارد، به طور قابل توجهی متفاوت است. به عنوان مثال، خاک های نرم تر، تمایل به تقویت حرکت زمین در اثر زلزله دارند، در حالی که بسترهای سخت ممکن است آن را مرطوب کنند. ارتعاشات محیطی زمین یا ریز لرزش هایی که در سرتاسر سطح زمین ناشی از اختلالات انسانی یا جوی رخ می دهد، می تواند برای بررسی شرایط خاک استفاده شود. اندازه‌گیری ریزترمورها اطلاعات ارزشمندی را در مورد ضریب تقویت (AF) یک سایت، در نتیجه آسیب‌پذیری آن در برابر زلزله به دلیل پاسخ آن به لرزش، ارائه می‌کند.
مطالعه اخیر محققان دانشگاه هیروشیما روش جدیدی را برای تخمین اثرات محل از داده‌های میکروترمور معرفی کرد.
محققان روشی متداول به نام نسبت‌های طیفی افقی به عمودی (MHVR) را بررسی کردند که معمولاً برای تخمین فرکانس تشدید زمین لرزه‌ای استفاده می‌شود. می توان آن را از داده های میکروترمور تولید کرد. ارتعاشات لرزه ای محیط به صورت سه بعدی تجزیه و تحلیل می شوند تا فرکانس تشدید لایه های رسوب در بالای سنگ بستر در حین ارتعاش آنها مشخص شود. با این حال، تحقیقات قبلی نشان داده است که MHVR نمی تواند به طور قابل اعتماد مستقیماً به عنوان ضریب تقویت سایت مورد استفاده قرار گیرد. بنابراین، این مطالعه یک مدل شبکه عصبی عمیق را برای تخمین فاکتورهای تقویت سایت از داده‌های MHVR پیشنهاد کرد.
این مطالعه از داده‌های ریز لرزش ۲۰۱۲ تا ۲۰۲۰ از ۱۰۵ مکان در منطقه چوگوکو در غرب ژاپن استفاده کرد. این سایت ها بخشی از شبکه لرزه نگاری ملی ژاپن هستند که شامل حدود ۱۷۰۰ ایستگاه رصدی است که در یک شبکه یکنواخت در فواصل ۲۰ کیلومتری در سراسر ژاپن توزیع شده اند. محققان با استفاده از یک تکنیک وارونگی طیفی تعمیم یافته، که پارامترهای منبع، انتشار و مکان را از هم جدا می کند، تقویت های خاص سایت را تجزیه و تحلیل کردند.
داده های هر سایت به یک مجموعه آموزشی، یک مجموعه اعتبار سنجی و یک مجموعه تست تقسیم شد. مجموعه آموزشی برای آموزش شبکه عصبی عمیق استفاده شد. مجموعه اعتبارسنجی در بهینه‌سازی تکراری یک مدل شبکه برای توصیف رابطه بین MHVRهای میکروترمور و عوامل تقویت سایت استفاده شد. داده های آزمون مجموعه ای کاملا ناشناخته بودند که برای ارزیابی عملکرد مدل مورد استفاده قرار گرفتند.
این مدل بر روی داده‌های آزمایش به خوبی عمل کرد و پتانسیل خود را به عنوان یک ابزار پیش‌بینی برای توصیف عوامل تقویت سایت از داده‌های میکروترمور نشان داد. با این حال، میورا خاطرنشان می کند، “تعداد نمونه های آموزشی تجزیه و تحلیل شده در این مطالعه (۸۰) سایت هنوز محدود است” و باید قبل از فرض اینکه مدل شبکه عصبی در سراسر کشور یا در سطح جهانی کاربرد دارد، گسترش یابد. محققان امیدوارند که مدل را با مجموعه داده بزرگتر بهینه کنند.
