Понимание физики землетрясений с помощью наблюдений затруднено, поскольку регистрируемые сейсмические сигналы характеризуют изгибы источника землетрясения и процесса распространения волн. Сейсмичность, вызванная деятельностью человека, обеспечивает проведение полупроводниковых экспериментов для изучения тесно связанных процессов разрушения и разломов вследствие трения. Геотермальные резервуары представляют собой важные примеры, поскольку извлечение тепловой энергии из земной коры для производства электроэнергии является практически неисчерпаемым источником энергии без выбросов CO2. Это может иметь решающее значение для постнефтяной экономики. Многочисленные практические ограничения возникают в связи с трудностями:
- бурения в горячих породах,
- контроля потока воды через сети трещин,
- максимального восстановления нагретой воды или пара,
- сведения к минимуму числа возникших землетрясений.
Три основных механизма производят различные модели сейсмичности, а именно:
- Сдвиговое разрушение.
- Гидравлическое разрушение.
- Термическое растрескивание.
Сдвиговое разрушение может быть вызвано тектоническими, гравитационными и приливными силами, а также гидравлическим давлением и тепловыми нагрузками. Изменения в механизме трения и разрушения при сдвиговом разрыве изменяют частотное содержание сейсмического сигнала.
Методы машинного обучения демонстрируют огромный потенциал для быстрого улучшения понимания физики землетрясений путем выявления гораздо более тонких закономерностей в сейсмических сигналах, чем стандартные методы анализа сейсмических форм волны. Интерес представляют тонкие изменения спектрального состава большого количества зарегистрированных землетрясений, которые связаны с определенным сочетанием распространения волн и изменениями в процессе разломов.
Основываясь на предыдущих успехах методов машинного обучения, применявшихся к аудио в области поиска музыкальной информации, например, в исследованиях Дауни и Ли, в основу анализа была положена спектрограмма событий, рассчитанная как кратковременное преобразование Фурье. Работы по восприятию человеком звучащих сейсмических данных показали, что люди удивительно чувствительны к тонким спектральным аспектам сигналов, которые отражают физические аспекты источника землетрясения и распространения волн. Использование спектрограммы (а не формы волны) в качестве входного сигнала позволяет использовать определенные методы согласования моделей, которые приводят к беспрецедентному уровню идентификации сигналов.
Машинный подход был применен к индуцированным землетрясениям на геотермальных полях гейзеров, в Сономском и Озерном округах, Калифорния, одном из крупнейших и наиболее протяженных геотермальных полей в мире. Гейзеры обладают одной из самых высоких скоростей сейсмичности в геотермальном поле.
Для лучшего понимания временной картины изменения спектральных свойств землетрясений были приведены среднемесячные данные о введенной массе воды по всей площади гейзеров. Появляется сильная корреляция между скоростью закачки и концентрацией землетрясений в каждом кластере. Пиковая скорость закачки коррелируется с одним кластером (зима) и минимумом с другим ( лето или осень).
Временные изменения сейсмической скорости документированы, но любые сопутствующие изменения, связанные со скоростью закачки, должны иметь масштаб коллектора и преобладать над эффектами дисперсии на расстоянии для объяснения только временной кластеризации. В качестве альтернативы, локальные изменения механических свойств вокруг станции могут быть вызваны сезонными изменениями насыщения мелководных подземных вод. Однако, эффекты станции должны влиять на амплитуду достаточно равномерно по всей исследуемой полосе пропускания. Поскольку перед вычислением спектрограмм сигналы нормализуются по амплитуде, наблюдаемые сезонные колебания не отражают в первую очередь эффекты станции.
Другой убедительной возможностью является то, что методы машинного обучения выявляют изменения в механизме повреждения, связанные с изменением движущей силы повреждения или свойств повреждения.
В этом исследовании ученые определяют тонкие изменения в 46 000 спектров землетрясений с помощью двух сейсмометров, используя новый подход к машинному обучению, анализируя сейсмичность гейзеров в течение 3 лет. Имеющиеся данные свидетельствуют о том, что эти спектральные изменения частично обусловлены изменениями в механизме разломов.
Необходима дальнейшая работа по увязке выявленных закономерностей методом машинного обучения с изменениями в механизмах разломов, выявленными с помощью стандартных методов сейсмического анализа. Конвергенция методов машинного обучения со стандартными сейсмическими на основе природных и лабораторных данных приведет к контролируемым методам обучения путем сопоставления отпечатков шаблонов с различными свойствами дефектов или процессами. При использовании в режиме реального времени для оперативного мониторинга пластов эти новые инструменты могут позволить:
- значительно улучшить процесс принятия обоснованных инженерно-технических решений,
- снизить уровень опасной сейсмичности,
- оптимизировать мелкомасштабную сейсмичность.
Это повышает эффективность работы гидроразрывных сетей и повышает эффективность производства энергии. Способность быстро идентифицировать эти механизмы и переходы между ними значительно улучшит понимание термомеханического состояния геотермального резервуара. Кроме того, эти методы, применяемые к естественным тектоническим разломам, предоставляют совершенно новый способ определения и характеристики спектральных изменений микросейсмичности и могут улучшить наше понимание процесса землетрясения.
Более подробно метод машинного обучения был рассмотрен в другой статье, оставляю ссылку на нее: https://zen.yandex.ru/media/id/5db163f42fda8600b190d950/mashinnoe-obuchenie-dlia-uskoreniia-preobrazovaniia-energii-5dd0067e3e9c2b75e17275b6