Ф. Э. ВИНБЕРГ
Институт теории прогноза землетрясений и математической геофизики РАН,
Москва
*****@***ru
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В АЛГОРИТМАХ УЛЬТРАКОРОТКОГО ПРЕДУПРЕЖДЕНИЯ О ЗЕМЛЕТРЯСЕНИИ
В статье рассматривается задача идентификации первого вступления Р-волны землетрясения, и ультракороткого предупреждения о приближении разрушительных волн, с целью уменьшения людских потерь и предотвращения возможных катастроф. Основной решаемой проблемой является классификация сейсмического сигнала, которая успешно решается с применением нейронной сети.
Ключевые слова: сейсмология, землетрясение, распознавание первого вступления, нейронная сеть
Введение
Одним из распространенных природных явлений, приносящих серьезные человеческие и экономические потери, являются землетрясения. Главная их опасность кроется в их внезапности. Большие людские потери происходят обычно из-за отсутствия каких-либо устройств предварительного оповещения о начале землетрясения. В связи с ростом населения и количества объектов промышленного и жилого характера в районах с повышенной сейсмичностью эта проблема с каждым годом становится все острее [1-4].
Для решения проблемы быстрого оповещения возможно использование широкой сети сейсмических станций, таких как в Японии и Калифорнии [1], а также «одиночного датчика» – прибора устанавливаемого непосредственно на объекте [5]. Использование «одиночного датчика» по ряду физических и экономических причин, даже при наличии сейсмической сети, является предпочтительным.
В связи с тем, что датчик ставится в места с повышенным уровнем антропогенных шумов, который сравним или даже превышает уровень сейсмического сигнала от землетрясения (вступления), возникла задача разработки алгоритмов способных работать в подобных условия и качественно выделять первое вступление P-волны землетрясения в реальном масштабе времени [6-8].
В результате анализа первых вступлений землетрясений вычисляется ориентировочное время, оставшееся до прихода поверхностных. Расчеты показывают, что при расстоянии от эпицентра землетрясения до точки мониторинга порядка 200 км временная разница между приходом Р и поверхностных волн составит около 30 с, что вполне достаточно для введения замедлителей ядерных реакций на атомных электростанциях, блокирования трубопроводов, остановки транспорта, оповещения спасательных служб, администрации и населения посредством автоматической передачи SMS-сообщений, вывода людей из потенциально опасных помещений и т. д.
Идея ультракороткого предупреждения о землетрясениях уже рассматривалась ранее [1-4]. Главными недостатками существующих систем являются: несвоевременная доставка сигнала тревоги до конечного потребителя (производство, транспорт, население...) и высокие требования к параметрам используемых сейсмических станций (минимально возможный уровень шумов, а, следовательно, удаленность от населенных пунктов, дорог, и т. п.).
В то же время достаточно полная информация о землетрясении может быть получена в реальном времени при анализе его первого вступления по данным одиночного сейсмодатчика или локальной сейсмической группы. Это подтверждается работами ряда ученых [6].
В разработанном алгоритме используется вейвлет-реобразование, для фильтрации входного сейсмического сигнала [9] и искусственная нейронная сеть, для классификации сигнала. Возможно разбиение сигналов на два класса: первый – сигналы от землетрясений, второй - техногенные помехи и сейсмический шум [10]. Применение нейронной сети в подобных задачах показывает хорошие результаты [11].
Постановка задачи
Одна из важных решаемых задач, возникающая при сейсмическом мониторинге и создании приборов предупреждения о землетрясении – задача классификации сейсмических сигналов по типу источника, т. е. определение землетрясений по записанной сейсмограмме на фоне различных естественных шумов.
При этом система должна работать в реальном масштабе времени, с минимально возможными вычислительными задержками и предусматривать возможность быстрого принятия решений.
Исходные данные
Исходными данными является временная последовательность измерений сейсмических волн регистрирующихся с сейсмодатчика в реальном масштабе времени. Частота регистрации сейсмических данных составляет 100 Гц.
В исследовании была использована накопленная обширная база данных сейсмических сигналов, содержащая более 120-ти образцов землетрясений по всему миру, а также записи естественных и техногенных шумов, полученные коллегами из ИТПЗ РАН и Санкт-Петербургского государственного университета. Примеры сигналов показаны на рис. 1а и 1б.
Этапы обработки данных
В процессе выполнения алгоритма данные проходят нескольких стадий обработки: фильтрация, создание эталонных записей, нормализация, создание вектора признаков и классификация сигнала.
Фильтрация данных
Вначале поступающие данные подвергаются очистке с помощью вейвлет-преобразования, или фильтрации. Результатом вейвлет-преобра-зования одномерного числового ряда (сигнала) является двумерный массив значений коэффициентов.
Распределение этих значений в пространстве (временной масштаб) дает информацию об изменении во времени относительного вклада в сигнале вейвлет компонент разного масштаба, и называется спектром коэффициентов вейвлет-преобразования. Спектр одномерного сигнала представляет собой поверхность в трехмерном пространстве.
Рис.1а. Эталонные файлы сигнала землетрясения и шумов различной природы:
а – исходная запись эталонного события;
б – движение большегрузной автомашины
Рис.1б. Эталонные файлы сигнала землетрясения и шумов различной природы:
в – электрифицированная железная дорога; г – промышленный шум
Итог непрерывного вейвлет-преобразования сигнала, представленного на рис. 2, изображен на рис. 3 (масштабно-временное представление сигнала).
Методы фильтрации сигнала, в том числе и вейвлет-преобразование, выявляют некоторые особенности сигнала, но этого обычно не достаточно, чтобы выявить сейсмические волны от землетрясения в чистом виде. Поэтому задача классификации остается в силе, и для ее решения используются искусственные нейронные сети.
Рис. 2. Тестовый сигнал
Рис. 3. Непрерывное вейвлет-преобразование сигнала на рис.2
Создание эталонных записей и нормализация
Затем формируются эталонные записи определенной длины. Для этого от начала события отсчитываются, например 1024 отсчета. После чего данные нормализуются, путем масштабирования значений в диапазон [-1;1]. На рис. 4 приведен пример записи реального события (а) и нормированные первые 1024 отсчета события (б).
Рис. 4. Формирование первого эталонного файла
(станция WDC: широта 40.58°, долгота 122.54°)
а – исходная запись эталонного события (магнитуда 6.5), происшедшего 10.01.2010 около побережья Калифорнии (широта 40.65°, долгота 124.69°);
б – первые 1024 отсчета события, нормированные масштабированием в диапазон [1;1] (начальная точка соответствует отметке времени 205.4 с)
Формирование вектора классификационных признаков
На базе каждой из эталонных записей формируются векторы признаков с соответствующими каждому из них результатами классификации. Нормированный набор пар вектор-результат и является входным материалом для обучения нейронной сети.
Для обучения нейронной сети был использован метод обратного распространения ошибки [12], по причине большого объем сигнала и избыточных данных.
Первоначально вектор признаков формируется интуитивно. Определить, какие параметры сигнала наиболее важны достаточно трудно. Это объясняется, во-первых, тем, что сигналы землетрясений различаются между собой, и даже сигналы от одного и того же события, записанные на разных станциях, весьма отличны, а во-вторых, разнообразием шумов. Далее на 1024 нейрона входного слоя сети подаются нормированные амплитудные значения сигнала. К ним можно добавить значения спектра, коэффициенты вейвлет преобразования [13] или еще более экзотические параметры [14]. Таким образом, количество нейронов сети зависит от длины исследуемого окна данных, анализируемого частотного интервала и присутствия дополнительных параметров.
В основе алгоритма обучения положен единый принцип минимизации эмпирической ошибки. Конфигурация сети постепенно модифицируется – обычно изменяются состояния синоптических весов таким образом, чтобы минимизировать эту ошибку.
Классификация сигналов
После предварительной подготовки данных мы переходим к основной задаче – классификации сигнала. По причине того, что вид статистических распределений не известен, классификация сигнала проводится с помощью нейронной сети.
Выбор архитектуры нейронной сети проводился с использованием набора инструментов «Neural Networks» пакета математических вычислений MatLab. Наилучшие результаты в процессе исследований различных нейронных сетей показал многослойный персептрон с обратной связью.
По результатам классификации генерируется выходной сигнал системы о землетрясении, либо о наличии сейсмического шума высокого уровня.
Заключение
В ходе испытаний параметры алгоритма настраивались различным способом. В одном случае они настраивались так, чтобы не пропустить ни одного события. Платой за это была большая вероятность (порядка 15 %) ложных тревог. Если же задаться целью исключить ложные срабатывания алгоритма, вероятность предсказания события снизится до 92 %.
Полученные результаты достигнуты при обучении нейронной сети на «универсальной» выборке сигналов сильных землетрясений со всего мира. В развитии этой работы, планируется обучать нейронную сеть на локальных данных того региона, в котором будет работать система, что должно привести к уменьшению ошибки алгоритма.
При таком подходе, создание автономной системы быстрого оповещения в условия повышенного уровня антропогенных шумов становится реальностью. Разработанный в ходе работы алгоритм можно применять для индивидуальных приборов личной безопасности и предупреждения населения сейсмоопасных районов планеты.
Список литературы
1. Nakamura Y. Earthquake alarm system for Japan Railways // Jap. Railway Eng. 19No 4. р.1-7.
2. Low Kong Chiew, 2006. Malaysian National Tsunami Early Warning System. http://www. ioc-tsunami. org/pdf/ICG_IOTWS_II_Malaysia. pdf
3. Horiuchi S., Negishi H., Kamimura A., Iwata T. &Yamamoto S. An Automatic Processing System of Hi-net Wave-form Data for the Earthquake Alarm Information // New Technologies for Urban Safety of Mega Cities in Asia; Proc. of 2-nd intern. symp., Tokyo, 30-31 October 2003.: Univ. Tokyo.
4. Ionescu C., Böse M., Wenzel F., Marmureanu A., Grigore A. & Marmureanu G. An Early Warning System for Deep Vrancea (Romania) Earthquakes // In P. Gaspsrini, G. Manfredi, J Zschau (eds.) Earthquake Early Warning Systems. 2007. Berlin Heidelberg: Springer. р. 343-349.
5. Technical Guidelines for the Implementation of the Advanced National Seismic System. Version 2.0-C Prepared for U. S. Geological Survey and ANSS National Implementation Committee. Prepared by ANSS Technical Integration Committee1. 2002. Revision of ANSS TG v 2.0-A April 28, 2005.
6. Allen R. V. Automatic earthquake recognition and timing from single traces // Bull. Seismol. Soc. Amer., 1978. V. 68. No. 5. Р. .
7. Rydelek, P., and Pujol J. Real-time seismic warning with a 2-station subarray // Bull. Seismol. Soc. Amer., 2004. V. 94. P. .
8. Wu Y.-M., H.-Y. Yen, L. Zhao, B.-S. Huang, and W.-T. Liang Magnitude determination using initial P waves: A single-station approach // Geophys. Res. Lett. 20L05306.
9. Gravirov V. V., Kislov K. V., The Analysis of Wind Seismic Noise and Algorithms of Its Determination. Eos Trans. AGU Fall Meet. Suppl., 2010.
10.Мячкин подготовки землетрясения. М.: Наука, 1978.
11.Gutierrez L. H.O., Morales J. L., Vargas-Jimenez C. A., Niño L. F. Fast Seismic Event Classification Based On Magnitude-Distance Relation Based On Support Vector Machines Using Only One Three Component Station, Eos Trans. AGU, 90(52), 2009, Fall Meet. Suppl., Abstract S22A-03.
12.Галушкин многослойных систем распознавания образов. М.: Энергия, 1974.
13.Тупицын сигналов и анализ нестационарных точечных процессов с использованием вейвлет-преобразования. Автореферат дисс. … канд. ф.-м. н. – Саратов, 2009.
14.Gravirov V. V., Kislov K. V. The First Results of Testing Methods and Algorithms for Automatic Real Time Identification of Waveforms Introduction from Local Earthquakes in Increased Level of Man-induced Noises for the Purposes of Ultra-short-term Warning about an Occurred Earthquake, Eos Trans. AGU, 90(52), 2009, Fall Meet. Suppl., Abstract S13A-1731.
