Машиналық оқытудың сейсмологияда қолданылуы

Машиналық оқытудың сейсмологияда қолданылуы

Есенбай С.Р. студент,

Қ.Жұбанов атындағы Ақтөбе өңірлік университеті

Сейсмология — жер сілкінуді зерттейтін геофизикалық ғылымның бір саласы. Бұл жер сілкінудің пайда болуының себептері мен жағдайларын, олардың географиялық таралуын, жер сілкіну әсерінен пайда болған сейсмикалық (серпімділік) толқындарды және сол толқындардың жердің ішкі қабаттарында таралуын зерттейді.

Әрине, ең жойқын табиғи апаттардың бірі-жер сілкінісі. Бүкіл әлемде олар көбінесе адамдар,структура,экономика және қоғам тұрғысынан айтарлықтай шығындарға әкеледі. Соңғы бірнеше онжылдықта аналитикалық және өлшеу әдістері тұрақты дамып келе жатқанына қарамастан, апатты оқиғалардың орны мен уақытын дәл болжау мүмкін емес.Бірақ қазіргі таңда сейсмологияда машиналық оқытуды (Мl) және жасанды интеллектті (AI) қолдану арқылы жоғарыда аталған мәселелерді шешуге мүмкіндік аламыз.

Машиналық оқыту (Machine Learning) - статистикалық модельдер мен логикалық операцияларға негізделген компьютерлік жүйелерді оқыту әдісі.

Бұл әдістер оқытуға қабілетті алгоритмдерді қолданумен сипатталады. Машиналық оқыту әдістерін қолданудың өзектілігі көптеген күрделі есептер үшін нақты шешім алгоритмін жасау мүмкін еместігімен түсіндіріледі, бірақ ұқсас есептерді шешуді қолдану барысында компьютерді үйретуге болады.

Соңғы бірнеше онжылдықта жиналған мұрағаттық сейсмикалық деректердің көлемі өте үлкен.Сондықтан,терең оқытудың (DL) үлкен көлемдегі деректерді игере алуы оны ең перспективалы тәсіл етеді.

Машиналық және терең оқыту, AI және нейрондық желілер қалай байланысты?

Машиналық оқыту-жасанды интеллект (AI) салаларының бірі.

Нейрондық желілер-машиналық оқытудың бір түрі.

Терең оқыту-нейрондық желі архитектурасының бір түрі.

Терең оқыту (DL) бірнеше жасырын қабаттары бар жасанды нейрондық желілерге бағытталған, демек бұл термин терең. Бұл желілер адам миының құрылымы мен қызметінен шабыттандырады. Терең оқыту AI-дағы соңғы жетістіктерге, соның ішінде кескінді танудағы, табиғи тілді өңдеудегі және сөйлеуді танудағы жетістіктерге жауапты болды. Терең оқытудың кейбір танымал архитектуралары конволюционды нейрондық желілер (CNN), қайталанатын нейрондық желілер (RNNs) сейсмология үшін мықты құрал болып саналады.

Терең оқыту алгоритмдері кері таралу деп аталатын процесті пайдалана отырып, үлкен деректер жиынын оқыту арқылы деректерді көрсетуді автоматты түрде үйренеді. Олар кескіндер, сөйлеу және табиғи тіл сияқты күрделі, жоғары өлшемді деректерді өңдеуде әсіресе тиімді.

Ақылды құрылғылардағы талшықты-оптикалық кабель және акселерометрлер сияқты сейсмикалық датчиктер мен жердің қозғалысын өлшеудің жаңа технологияларының дамуы сейсмологиялық деректер көлемінің ұлғаюын болжайды. Терең оқыту сейсмологияның болашағы үшін деректерді сызықтық емес картаға түсіру, белгілерді автоматты түрде алу және өлшемін азайту қабілеттерінің арқасында маңызды болуы мүмкін. Алайда, сейсмологияда терең оқытуды қолдану үлкен жер сілкінісі туралы деректердің сирек болуына байланысты қиындықтарға тап болады, бұл модельдерді үйрену мен тексеруді қиындатады.Геологтар мен деректер ғылымы саласындағы мамандардың бірігуі сейсмологиядағы терең оқытудың потенциалын толық ашуды қамтамасыз етеді.

[pic 1]             

1-сурет.Сейсмикалық деректерді терең өңдеу және домендік білімді біріктіру сейсмологияда жаңа мүмкіндіктер мен жаңа түсініктерге әкелуі мүмкін.[pic 2]

2-сурет.Сейсмикалық деректерді өңдеуге арналған DNN (Deep neural network) қасиеттері.

DNN-дің әр түрлі қасиеттері, мысалы, олардың әмбебап жуықтау қабілеті, белгілерді автоматты түрде алу және өлшемін азайту, көбінесе шулы және толық емес үлкен көлемді сейсмикалық жазбаларды өңдеуге пайдалы. Бұл атрибуттар (i) сейсмикалық деректердегі шуды азайту, (ii) жетіспейтін жолдарды интерполяциялау, (iii) жер сілкінісі сигналдарын анықтау және фазаны таңдау, (iv ) барлау деректерін талдау, (v) тұзды денелерді анықтау, (vii) сейсмикалық жылдамдық моделін құру, (vii) жер сілкінісінің орнын бағалау немесе (viii) топырақ қозғалысынболжау.