GeotectonicsGeotectonicsГеотектоника0016-853X3034-4972The Russian Academy of Sciences66039010.31857/S0016853X24040032ERCUHJArticlesСтатьиResearch ArticleApplication of Neural Network Technologies for Tectonic Earthquake ForecastПрименение нейросетевых технологий для тектонического прогнозирования землетрясенийAtabekovI. U.АтабековИ. У.
Uzbekistan
atabekovi@mail.ruAtabekovA. I.АтабековА. И.
Uzbekistan
atabekovi@mail.ruMavlyanov Institute of Seismology, Academy of Sciences of Republic of UzbekistanИнститут сейсмологии АН РУзDigital Technology and Artificial Intelligence Research Institute, Ministry of Digital Technologies of Republic of UzbekistanНИИ Разития цифровых технологии и искусственного интеллекта при Министерстве цифровых технологии РУз150820244495922022025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/0016-853X/article/view/660390

Successful earthquake prediction includes statistical, tectonic and physical forecasting. The main requirements for this are the establishment of the laws of earthquake mechanics and control of the geodynamic state in the region at the right times. However, resolving this issue faces difficulties of both theoretical and practical nature. Despite the fact that specialists all over the World have collected the fairly complete database on earthquakes, tectonic, electromagnetic, hydrological, etc. signs of earthquakes, the very nature of predicting the future source remains uncertain. The results obtained in the world on statistical forecasting using artificial intelligence give hope for the possibility of predicting earthquakes if we combine tectonic forecasting with the destruction of materials under experimental conditions and numerical modeling under the roof of deep learning neural network technologies. The paper provides the first results of predicting medium-term tectonic earthquakes using artificial intelligence for the Fergana depression in Uzbekistan.

Успешный прогноз землетрясений включает статистическое, тектоническое и физическое прогнозирование. Основными требованиями для прогноза является установление законов механики землетрясений и контроль геодинамического состояния в регионе в необходимые временные моменты. Однако решение этого вопроса сталкивается с трудностями как теоретического, так и практического характера. Несмотря на то, что на сегодняшний день специалистами всего мира собрана достаточно полная база данных по землетрясениям, тектоническим, электромагнитным, гидрологическим и другим признакам землетрясений, сам характер предсказания будущего очага остается неопределенным. Полученные результаты в мире по статистическому прогнозированию с помощью искусственного интеллекта дает надежду на возможность предсказывать землетрясения, если объединить их с тектоническим прогнозированием, разрушением материалов в экспериментальных условиях и численным моделированием под эгидой глубокого обучения нейросетевых технологий. В настоящем исследовании приведены первые результаты применения нейросетевых технологий для прогнозироавния среднесрочных землетрясений в Ферганской впадине в Узбекистане.

tectonic stressdeformationnumerical modelartificial intelligenceearthquake forecastтектоникагеодинамические обстановкинапряженное остояние земной корыдеформациячисленная модельискусственный интеллектпрогноз землетрясенияФонд по поддержке сферы сейсмологии, обеспечения сейсмостойкости сооружений и сейсмической безопасности при Кабинете Министров Республики УзбекистанFund for the Support of Seismology, Seismic Resistance of Structures and Seismic Safety under the Cabinet of Ministers of the Republic of UzbekistanГвишиани А.Д., Соловьев А.А., Дзебоев Б.А. Проблема распознавания мест возможного возникновения сильных землетрясений: актуальный обзор //Физика земли. 2020. № 1. С. 5–29. Doi: 10.31857/S0002333720010044Као Д.Ч. Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений (На примере северо-западного района Вьетнама). ‒ Дис. … к. т. н., (РУДН, г. Москва, Россия. 2013), 166 с.Кособоков В.Г., Щепалина П.Д. Времена повышенной вероятности возникновения сильнейших землетрясений мира: 30 лет проверки гипотезы в реальном времени //Физика Земли/ 2020/ № 1. С. 43–52. Doi: 10.31857/S0002333720010068Новый каталог сильных землетрясений на территории СССР с древнейших времен до 1974 г. ‒ Под. ред. Н.В. Кондорской, Н.В. Шебалина ‒ М: Наука, 1977. 536 с.Asim K.M., Martínez-Álvarez F., Basit A., Iqbal T. Earthquake magnitude prediction in Hindukush region using machine learning techniques // Nat. Hazards. 2017. Vol. 85. No. 1. P. 471–486. Doi: 10.1007/s11069-016-2579-3Ashif P., Hojjat A. Neural network model for earthquake magnitude prediction using multiple seismicity indicator // International Journal System. 2007. Vol. 17. No. 1. P. 13‒33.Ashit K.D. Earthquake prediction using artificial neural networks // Int. J. Research and Reviews in Computer Sci. (IJRRCS). 2011. Vol. 2. No. 6. P. 2079‒2557.Atabekov I.U., Sadykov Yu.M. Stress state of the Earth’s crust in the Western Tien Shan in Central Asia (Uzbekistan): A mathematical stress model // Geotectonics. 2022. Vol. 56. No. 3. P. 306‒320. Doi: 10.1134/S0016852122030037Atabekov I.U., Sadykov Yu.M., Ibragimov R.S. The modern active tectonics of the Fergana depression (Uzbekistan): Based on the results of tectonophysical reconstruction of crustal stresses and mathematical modeling of the velocity field // Geotectonics. 2022. Vol. 56. No. 5. P. 631‒637.Bangar D., Gupta D., Gaikwad S., Marekar B., Patil J. Earthquake prediction using machine Learning Algorithms // Int. J. of Recent Technology and Engineering. 2020. Vol. 8. Is. 6. P. 4684‒4688. Doi:10.35940/ijrte.E9110.018620DeVries P.M.R., Viégas F., Wattenberg M., Meade B.J. Deep learning of aftershock patterns following large earthquakes // Nature. 2018. Vol. 560. P. 632–634. Doi: https://doi.org/10.1038/s41586-018-0438-yKuyuk H.S., Susumu O. Real time classification of earthquake using deep learning // Procedia Computer Sci. 2018. Vol. 140. P. 298‒305. Doi: 10.1016/j.proc.2018.10.316Mahmoudi J., Arjomand M.A., Rezaei M., Mohammadi M.H. Predicting the earthquake magnitude using the multilayer perceptron neural network with two hidden layers // Civil Engineer. J. 2016. Vol. 2. No. 1. P. 1–12.Panakkat A., Adeli H. Recurrent neural network for approximate earthquake time and location prediction using multiple seismicity indicators // Computer-Aided Civil and Infrastructure Engineering .2009. Vol. 24. No. 4. P. 280–292.Rouet-Leduc B., Hulbert C., Lubbers N., Barros K., Humphreys C.J., Johnson P.A. Machine learning predicts laboratory earthquakes // Geophys. Res. Lett. 2017. Vol. 44. P. 9276–9282. Doi: https://doi.org/10.1002/2017GL074677Salam M., Ibrahim L., Abdelminaam D. Earthquake prediction using hybrid machine learning techniques // International Journal of Advanced Computer Science and Applications. 2021. Vol. 12. No. 5. Doi: 10.14569/IJACSA.2021.0120578Shcherbakov R., Zhuang J., Zöller G., Ogata Y. Forecasting the magnitude of the largest expected earthquake // Nature Communications. 2019. Vol. 10. Art. 4051. Doi: https://doi.org/10.1038/s41467-019-11958-4Shi Y., Zhang B., Zhang S., Zhang H. On numerical earthquake prediction // Earthquake Sci. 2014. Vol. 27. No. 3. P. 319–335. Doi: 10.1007/s11589-014-0082-zSholz C.H. A physical interpretation of the Haicheng earthquake prediction // Nature. 1977. Vol. 267. P. 121‒124.Vardaan K., Bhandarkar T., Satish N., Sridhar S., Sivakumar R., Ghosh S. Earthquake trend prediction using long short-term memory RNN // International Journal of Electrical and Computer Engineering (IJECE). 2019. Vol. 9. No. 2. P. 1304‒1312. Doi: 10.11591/ijece.v9i2.Wang Q., Guo Y., Yu L., Li P. Earthquake prediction based on spatio-temporal data mining: An LSTM network approach // Transactions on Emerging Topics in Computing (IEEE). 2020. Doi: 10.1109/TETC.2017.2699169Space image, https//topographic-map.com (Accessed January, 2024).