Применение нейросетевых технологий для тектонического прогнозирования землетрясений

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

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.

Полный текст

Доступ закрыт

Об авторах

И. У. Атабеков

Институт сейсмологии АН РУз

Автор, ответственный за переписку.
Email: atabekovi@mail.ru
Узбекистан, д. 3, ул. Зульфияханум, 100028 Ташкент

А. И. Атабеков

НИИ Разития цифровых технологии и искусственного интеллекта при Министерстве цифровых технологии РУз

Email: atabekovi@mail.ru
Узбекистан, д. 17А, Буз-2, 100125 Ташкент

Список литературы

  1. Гвишиани 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/S0002333720010044
  2. Као 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.
  3. 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/S0002333720010068
  4. Новый 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.
  5. 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/s11069-016-2579-3
  6. Ashif 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.
  7. 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.
  8. 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/S0016852122030037
  9. Atabekov 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.
  10. 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.E9110.018620
  11. DeVries 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-y
  12. Kuyuk 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.2018.10.316
  13. Mahmoudi 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.
  14. 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.
  15. 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/10.1002/2017GL074677
  16. Salam 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.2021.0120578
  17. Shcherbakov 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/s41467-019-11958-4
  18. Shi 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-z
  19. Sholz C.H. A physical interpretation of the Haicheng earthquake prediction // Nature. 1977. Vol. 267. P. 121‒124.
  20. 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.
  21. 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.2017.2699169
  22. Space image, https//topographic-map.com (Accessed January, 2024).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Топографическая карта Ферганской впадины и ее окружения (по данным [22]).

Скачать (1MB)
Метаданные
3. Рис. 2. Территория Ферганской впадины, разделенная на 17 зон, с указанием активных разломов. Показаны сейсмические события: реальные (кружочки красным); точно предсказанные с помощью алгоритма LSTM (кружочки зеленым).

Скачать (621KB)
Метаданные

© Российская академия наук, 2024