Bei der Katastrophenvorsorgeplanung für zukünftige große Erdbeben sind Vorhersagen von seismischen Bodenbewegungen ein entscheidender Bestandteil von Frühwarnsystemen und der Kartierung seismischer Gefahren. Die Art und Weise, wie sich der Boden bewegt, hängt davon ab, wie die Bodenschichten die seismischen Wellen verstärken (als mathematischer Standort-„Verstärkungsfaktor“ bezeichnet). Geophysikalische Erkundungen zum Verständnis der Bodenbedingungen sind jedoch kostspielig und schränken die Charakterisierung von Standortverstärkungsfaktoren bis heute ein.
Eine neue Studie von Forschern der Universität Hiroshima, die am 5 Bulletin der Seismologischen Gesellschaft von Amerika führte eine neuartige, auf künstlicher Intelligenz (KI) basierende Technik zur Schätzung von Standortverstärkungsfaktoren aus Daten zu Umgebungsschwingungen oder Mikrozittern des Bodens ein.
Die unterirdischen Bodenbedingungen, die bestimmen, wie sich Erdbeben auf einen Standort auswirken, variieren erheblich. Weichere Böden zum Beispiel neigen dazu, die Bodenbewegung durch ein Erdbeben zu verstärken, während harte Substrate sie dämpfen können. Umgebungserschütterungen des Bodens oder Mikrozitter, die überall auf der Erdoberfläche auftreten und durch menschliche oder atmosphärische Störungen verursacht werden, können zur Untersuchung von Bodenverhältnissen verwendet werden. Die Messung von Mikrozittern liefert wertvolle Informationen über den Verstärkungsfaktor (AF) eines Standorts und seine Anfälligkeit für Schäden durch Erdbeben aufgrund seiner Reaktion auf Erschütterungen.
Die jüngste Studie von Forschern der Universität Hiroshima führte eine neue Methode zur Schätzung von Standorteffekten aus Mikrotremordaten ein. „Die vorgeschlagene Methode würde zu genaueren und detaillierteren Vorhersagen der seismischen Bodenbewegung für zukünftige Erdbeben beitragen“, sagt der Hauptautor und außerordentliche Professor Hiroyuki Miura von der Graduate School of Advanced Science and Engineering. Die Studie untersuchte die Beziehung zwischen Mikrotremordaten und Standortverstärkungsfaktoren unter Verwendung eines tiefen neuronalen Netzwerks mit dem Ziel, ein Modell zu entwickeln, das an jedem Standort weltweit angewendet werden könnte.
Die Forscher untersuchten eine gängige Methode, die als Horizontal-zu-Vertikal-Spektralverhältnisse (MHVR) bekannt ist und normalerweise zur Schätzung der Resonanzfrequenz des seismischen Bodens verwendet wird. Es kann aus Mikrotremordaten generiert werden; seismische Umgebungsschwingungen werden in drei Dimensionen analysiert, um die Resonanzfrequenz von Sedimentschichten auf Grundgestein zu bestimmen, wenn sie vibrieren. Frühere Untersuchungen haben jedoch gezeigt, dass MHVR nicht zuverlässig direkt als Standortverstärkungsfaktor verwendet werden kann. Daher schlug diese Studie ein tiefes neuronales Netzwerkmodell zur Schätzung von Standortverstärkungsfaktoren aus den MHVR-Daten vor.
Die Studie verwendete Mikrotremordaten von 2012–2020 von 105 Standorten im Distrikt Chugoku im Westen Japans. Die Seiten sind Teil von Japans Nationales Seismographen-Netzwerk das etwa 1.700 Beobachtungsstationen enthält, die in einem einheitlichen Raster in Abständen von 20 km über ganz Japan verteilt sind. Unter Verwendung einer verallgemeinerten spektralen Inversionstechnik, die die Parameter Quelle, Ausbreitung und Ort voneinander trennt, analysierten die Forscher ortsspezifische Verstärkungen.
Daten von jedem Standort wurden in einen Trainingssatz, einen Validierungssatz und einen Testsatz unterteilt. Das Trainingsset wurde verwendet, um ein tiefes neuronales Netzwerk zu lehren. Der Validierungssatz wurde bei der iterativen Optimierung eines Modells durch das Netzwerk verwendet, um die Beziehung zwischen den Mikrotremor-MHVRs und den Standortverstärkungsfaktoren zu beschreiben. Die Testdaten waren ein völlig unbekannter Satz, der zur Bewertung der Leistung des Modells verwendet wurde.
Das Modell schnitt bei den Testdaten gut ab und demonstrierte sein Potenzial als Vorhersagewerkzeug zur Charakterisierung von Standortverstärkungsfaktoren aus Mikrotremordaten. Miura merkt jedoch an, dass „die Anzahl der Trainingsproben, die in dieser Studie (80) analysiert wurden, immer noch begrenzt ist“, und sollte erweitert werden, bevor davon ausgegangen wird, dass das neuronale Netzwerkmodell landesweit oder global gilt. Die Forscher hoffen, das Modell mit einem größeren Datensatz weiter optimieren zu können.
Für eine genauere Vorhersage der seismischen Bodenbewegung sind schnelle und kostengünstige Techniken erforderlich, da die Beziehung nicht immer linear ist. Erklärt Miura: „Durch Anwendung der vorgeschlagenen Methode können Standortverstärkungsfaktoren automatisch und genau aus Mikrotremordaten geschätzt werden, die an beliebigen Orten beobachtet werden.“ In Zukunft wollen die Autoren der Studie fortschrittliche KI-Techniken weiter verfeinern, um die nichtlinearen Reaktionen des Bodens auf Erdbeben zu bewerten.
Autoren des Artikels sind Da Pan, Hiroyuki Miura, Tatsuo Kanno, Michiko Shigefuji und Tetsuo Abiru.
Da Pan et al., Deep-Neural-Network-Based Estimation of Site Amplification Factor from Microtremor H/V Spectral Ratio, Bulletin der Seismologischen Gesellschaft von Amerika (2022). DOI: 10.1785/0120210300