نموذج تعلم عميق جديد لتحويل استطالة DAS إلى سرعة الجسيمات المسجلة بواسطة الجيوفون: تطبيق على بيانات PoroTomo من حقل برادي الحراري

الاستماع إلى الزلازل عبر كابلات شبيهة بالإنترنت

ماذا لو كانت نفس كابلات الألياف الضوئية التي تنقل حركة الإنترنت لدينا قادرة أيضاً أن تعمل كسلاسل عملاقة تحتوي على آلاف حسّاسات الزلازل؟ تستكشف هذه الدراسة الفكرة ذاتها. يوضّح المؤلفون كيف يمكن لنموذج ذكاء اصطناعي حديث أن يحول الإشارات الأولية، التي يصعب تفسيرها، القادمة من كابلات الألياف الضوئية إلى قراءات الحركة الأكثر ألفة لدى علماء الزلازل، ما قد يجعل رصد الزلازل أرخص وأكثر كثافة وأسهل في النشر في بيئات قاسية أو مكتظة.

لماذا يصعب فهم آذان الألياف الضوئية

يجعل الاستشعار الصوتي الموزع (DAS) كابلات الألياف الضوئية العادية صفاً مستمراً من الحساسات التي تستجيب لتمددات وانكماشات دقيقة في الأرض. بدلاً من مئات الأجهزة المستقلة الموزعة في حقل، يمكن لـ DAS أن يوفر آلاف نقاط القياس على طول كابل واحد. هذه الكثافة ميزة كبيرة لتتبُّع كيفية تحرك الأمواج الزلزالية عبر الأرض. لكن هناك مشكلة: يقيس DAS مقدار استطالة الكابل، بينما تسجل أجهزة الجيوفون التقليدية سرعة حركة الأرض. بُنيت معظم طرق علم الزلازل الحالية لتعمل مع قياسات الحركة على نمط الجيوفون، لا مع الاستطالة. كما تميل الاستطالة إلى تضخيم التفاوتات صغيرة النطاق قرب السطح، مما يجعل البيانات ضوضاءً وأكثر تبايناً من موقع لآخر. لذلك فإن تحويل استطالة DAS إلى حركة أرضية شبيهة بما تسجله الجيوفونات أمر جوهري، لكن الوصفات الفيزيائية التقليدية لتحقيق ذلك غالباً ما تتطلب افتراضات قوية حول سلوك الموجات، وهندسة الكابل، ووجود حسّاسات مرجعية متجاورة.

استخدام الذكاء الاصطناعي للترجمة بين طريقتين في السمع

طور الباحثون نموذج تعلم عميق يعمل كمترجم بين استطالة DAS وسرعة جسيمات الجيوفون. درّبوا النموذج على بيانات من تجربة PoroTomo في حقل برايدي هوت سبرينغز الحراري في نيفادا، حيث نُشر كابل ألياف ضوئية بطول 8.4 كيلومتر على شكل متعرّج بجانب شبكة من 238 جيوفون ثلاثي المكونات. للمواقع الـ 112 التي كانت فيها الجيوفونات قريبة جداً من الكابل، قرّنوا مسار الحركة الأفقي لكل جيوفون مع أقرب عشرة قنوات DAS. تعلم النموذج، الذي يجمع بين مشغّل نيوورال فورييه (لالتقاط الأنماط المكانية على طول الكابل)، وشبكة متكررة ثنائية الاتجاه (لفهم تطور الزمن)، وآلية انتباه (للتركيز على الأجزاء الأكثر معلوماتية في كل إشارة)، أن يتنبأ بما كان سيسجله الجيوفون اعتماداً حصرياً على مدخل استطالة DAS.

ما مدى كفاءة المترجم المعتمد على الذكاء الاصطناعي

لتقدير الأداء، قارن المؤلفون الأشكال الموجية المُولّدة بالذكاء الاصطناعي مع بيانات الجيوفون الحقيقية باستخدام مقاييس خطأ وتشابه قياسية. كما تحققوا كم مرة تطابقت التنبؤات عبر أمثلة متعددة. تفوّق التصميم الهجين بوضوح على تصميم أبسط حذف المكوّن الفورييري: كانت الأخطاء أصغر بحوالي عشرين مرة في المتوسط، وكان التشابه مع آثار الجيوفون الحقيقية مرتفعاً باستمرار. في المجال الترددي، حيث يحلل العلماء أي نغمات الاهتزاز موجودة، طابقت سرعات الجسيمات المنتجة بواسطة الذكاء الاصطناعي طيفيات الجيوفون عبر نطاق الاهتمام الكامل لكل من موجات P وS. بالمقابل، اتفقت طريقة التحويل الفيزيائية التقليدية جيداً فقط عند الترددات المنخفضة، فاتفةً تفاصيل مهمة عند الترددات الأعلى حيث يكون سلوك DAS أكثر تعقيداً.

تطبيق البيانات المحوّلة عملياً

الاختبار الحقيقي هو ما إذا كانت الإشارات المحوّلة مفيدة للمهام اللاحقة. طبق الفريق تقنية تشكيل الحزمة المعروفة باسم MUSIC، التي تستخدم مصفوفة حسّاسات لتقدير اتجاه وسرعة انتشار الموجات الزلزالية الظاهرية. أظهرت أعمال سابقة في نفس الموقع أن معدل استطالة DAS الخام كان متشتتاً جداً بحيث لا يصلح لتشكيل حزمة موثوق: بدت الموجات مبعثرة، وكانت النتائج ضعيفة مقارنة بمصفوفة الجيوفون النودالي. تروي طريقة التحويل القائمة على الذكاء الاصطناعي قصة مختلفة. عندما شغّل المؤلفون تشكيل الحزمة على سرعات الجسيمات المتوقعة بواسطة الذكاء الاصطناعي على طول الكابل، استردّت الطريقة تقديراً واضحاً لاتجاه الزلزال وسرعة الموجة—مطابقاً أو محسناً قليلاً على أداء الجيوفونات ومتجاوزاً التحويل الفيزيائي لـ DAS. ينبع التحسن من كل من الكثافة المكانية الأعلى لقنوات DAS وقدرة نموذج الذكاء الاصطناعي على قمع الضوضاء غير المتماسكة مع الحفاظ على الحركة المتماسكة المهمة للتحليل الزلزالي.

ماذا يعني هذا لمراقبة الأرض في المستقبل

بالنسبة لغير المتخصصين، الخلاصة الأساسية هي أن المؤلفين بنوا مترجماً ذكياً يسمح للكابلات الليّنة والكثيفة من الألياف الضوئية بالتحدث بلغة نفس أدوات الزلازل التقليدية. لا يستبدل نموذجهم الفيزياء، لكنه يتعلّم تحويلاً خاصاً بالموقع يلتقط عوامل العالم الحقيقي المعقّدة مثل تماسك الكابل مع الأرض والضوضاء المحلية. بينما سيظل كل تركيب جديد بحاجة إلى فترة معايرة قصيرة مع بضعة جيوفونات متجاورة، تفتح المقاربة إمكانية تحويل شبكات الألياف الحالية والمستقبلية إلى أدوات قوية عالية الدقة لرصد الزلازل، وتقييم المخاطر، وتصوير تحت السطح. مع مرور الوقت، ومع اختبار الطريقة في مواقع وأحداث أكثر، يمكن أن تساعد هذه التحويلات المدعومة بالذكاء الاصطناعي في توصيل التحليل الزلزالي التفصيلي إلى أماكن يصعب أو يَكثُل فيها نشر الحساسات التقليدية.

الاستشهاد: Al-Qadasi, B., Cui, Y., Waheed, U.B. et al. A novel deep-learning model to convert DAS strain to geophone particle velocity: application to PoroTomo data from the Brady geothermal field. Sci Rep 16, 7001 (2026). https://doi.org/10.1038/s41598-026-37888-y

الكلمات المفتاحية: الاستشعار الصوتي الموزع, علم الزلازل, التعلّم العميق, مراقبة الزلازل, أجهزة استشعار الألياف الضوئية