بزرگنمايي:

عصر کرد - رویدادهای زمین شناسی نظیر زمین لرزه 9 ریشتری که سال 2011 سواحل ژاپن را به لرزه درآورد و خسارات زیادی را هم به بار آورد به سادگی قابل تشخیص هستند.
به گزارش ایسنا، منطقه کردستان، ریزلرزه ها که در واقع زمین لرزه هایی با شدت پایین هستند و بزرگی شان از 2 ریشتر تجاوز نمی کند، به سختی قابل شناسایی هستند. در واقع به خاطر صداهای پس زمینه، رویدادهای انسانی کوچک و مواردی از این دست سیستم های پایشی زمین لرزه قادر به تشخیص این ریزلرزه ها نیستند .
حالا مقاله ای توسط دپارتمان زمین شناسی دانشگاه استنفورد منتشر شده که ظاهرا به راهکار احتمالی برای تشخیص این ریزلرزه ها می پردازد. مولفان این مقاله سیستمی براساس هوش مصنوعی توسعه داده اند که تشخیص دهنده زلزله Cnn-Rnn یا به اختصار CRED نام دارد و قادر است طیف وسیعی از سیگنال های لرزشی را چه با کمک سوابق زمین لرزه و چه براساس دیتای لایو تشخیص دهد .
این سیستم براساس تکنولوژی توسعه یافته توسط پژوهشگران دانشگاه هاروارد و گوگل طراحی شده که در واقع نوعی الگوی مبتنی بر هوش مصنوعی است و توانایی پیش بینی موقعیت پس لرزه ها تا یکسال بعد از وقوع زمین لرزه های بزرگ را دارد .
سیستم طراحی شده توسط دانشمندان استنفورد دربرگیرنده دو نوع لایه شبکه عصبی (گره های پردازشی متصل به هم که تاحدودی عملکرد نورون ها درون مغز را شبیه سازی میکنند) است، شبکه های عصبی کانوولاتور و شبکه های عصبی تکرار شونده. شبکه نوع اول قابلیت هایی مشابه به سیستم های لرزه نگاری دارد در حالی که نوع دوم (که میتواند با ادغام نمودن حافظه و دیتای ورودی دقت پیش بینی هایش را بالا ببرد) خصوصیات تکرار شونده از سیستم های لرزه نگار را یاد می گیرد .
این دو شبکه در کنار هم یک چهارچوب یادگیری را می سازند؛ نوعی معماری که مشکل رایج شبکه های عصبی چند لایه را تا حدود زیادی کم می کند. در واقع با افزایش تعداد گره های هر لایه میزان دقت این سیستم ها هم کم می شود اما به لطف طراحی این سیستم جدید، شبکه های عصبی موجود در آنها قادر خواهند بود که هم دقت خود را حفظ نمایند و هم اینکه خصوصیات سطح بالاتری را از پایگاه های داده ای فرا بگیرند .
دانشمندان برای آموزش و راستی آزمایی سیستمی معتبر که با کمک هوش مصنوعی توانایی تشخیص زمین لرزه ها را داشته باشد دیتای پیوسته مورد نیاز خود را از مرکزی واقع در آرکانزاس تهیه کردند که به 3788 رویداد زمینی مربوط می شد. در کنار این اطلاعات آنها دیتای به دست آمده از 889 پایگاه در کالیفرنیای شمالی را که شامل 550 هزار رویداد 3 ثانیه ای می‌شد در اختیار سیستم طراحی شده شان قرار دادند .
از این مقدار اطلاعات آنها 50 هزار نمونه را برای ارزیابی عملکرد سیستم ها مورد بررسی قرار دادند و نتیجه چه بود؟ شبکه طراحی شده توسط آنها موفق شد سیگنال های زمین لرزه ای را جدای از مقیاس، موقعیت وقوع و مقدار صدای پس زمینه شناسایی کند. نکته جالب اما آنکه هوش مصنوعی مورد استفاده توسط آنها برای شناسایی زمین لرزه ها نیازی به در اختیار داشتن طول کامل سیگنال ها نداشت و صرفا بخشی از دیتای ثبت شده برای این کار کفایت می کرد .
وقتی دانشمندان دیتای پیوسته از پایگاه داده ای Guy-Greenbrier را در اختیار سیستم خود قرار دادند، الگوی طراحی شده توسط آنها که ظرف تنها یک ساعت آن هم روی لپ تاپ آموزش دیده بود توانست 1102 زمین لرزه و ریزلرزه ناشی از شکستگی هیدرولیکی، حرکت پساب روی زمین و حرکت صفحه تکتونیک زمین را تشخیص دهد و در این میان 77 موردشان پیشتر شناسایی نشده بودند .
آنها در مقاله ای که پیرامون همین موضوع منتشر کردند اینطور گفتند: الگوی ما قادر است بالغ بر 700 ریزلرزه به کوچکی 1.3 ریشتر را با فاصله نسبتا زیاد از منشاء شناسایی کند .
آنها همچنین گزارش داده اند که الگوی طراحی شده شان در تمامی تست ها به عملکرد فوق العاده در قیاس با دو سیستم لرزه نگاری مشابه دست یافته است. این دانشمندان باور دارند که سیستم مبتنی بر هوش مصنوعی شان که به راحتی هم با حسگرهای مختلف قابل بهینه سازی است میتواند در محیط های مستعد زمین لرزه برای پایش این رویدادها به خدمت گرفته شود .
انتهای پیام