Ein neues Deep-Learning-Modell zur Umwandlung von DAS-Dehnung in Geophon-Teilchengeschwindigkeit: Anwendung auf PoroTomo-Daten aus dem Brady-Geothermiefeld

Erdbeben mithilfe von Internet-Kabeln abhören

Was wäre, wenn dieselben Glasfaserkabel, die unseren Internetverkehr transportieren, gleichzeitig als riesige Ketten aus Tausenden Erdbebensensoren dienen könnten? Diese Studie untersucht genau diese Idee. Die Autorinnen und Autoren zeigen, wie ein modernes KI-Modell die rohen, schwer zu interpretierenden Signale von Glasfaserkabeln in die bekannteren Bewegungsmessungen übersetzen kann, die Seismologen verwenden — womöglich mit geringeren Kosten, höherer Dichte und besserer Einsetzbarkeit in rauen oder dicht besiedelten Umgebungen.

Warum Glasfaser-„Ohren" schwer zu deuten sind

Distributed Acoustic Sensing (DAS) verwandelt gewöhnliche Glasfaserkabel in durchgehende Sensorlinien, die auf kleinste Dehnungen und Stauchungen im Boden reagieren. Anstatt einiger Hundert einzelner Instrumente über ein Feld verteilt zu sein, kann DAS Tausende Messpunkte entlang eines einzigen Kabels liefern. Diese Dichte ist ein großer Vorteil, um die Ausbreitung seismischer Wellen im Untergrund nachzuverfolgen. Doch es gibt einen Haken: DAS misst die Dehnung des Kabels, während traditionelle Seismometer, sogenannte Geophone, die Geschwindigkeit der Bodenbewegung aufzeichnen. Die meisten bestehenden seismologischen Methoden sind auf geophonartige Bewegungsdaten ausgelegt, nicht auf Dehnung. Dehnung verstärkt zudem kleinräumige Unregelmäßigkeiten nahe der Oberfläche, wodurch die Daten lauter und weniger konsistent von Ort zu Ort werden. Die Umwandlung von DAS-Dehnung in geophonähnliche Bodenbewegungen ist daher entscheidend, aber klassische physikbasierte Verfahren dafür setzen oft starke Annahmen über Wellenverhalten, Kabelgeometrie und die Verfügbarkeit nebenstehender Referenzsensoren voraus.

KI als Übersetzer zwischen zwei Wahrnehmungsarten

Die Forschenden entwickelten ein Deep-Learning-Modell, das als Übersetzer zwischen DAS-Dehnung und Geophon-Teilchengeschwindigkeit fungiert. Sie trainierten es mit Daten des PoroTomo-Experiments im Brady Hot Springs-Geothermiefeld in Nevada, wo ein 8,4 Kilometer langes Zickzack-Glasfaserkabel entlang eines Gitters von 238 dreikomponentigen Geophonen verlegt wurde. Für 112 Standorte, an denen Geophone sehr nahe am Kabel lagen, koppelte man die horizontale Bewegungsaufzeichnung jedes Geophons mit den zehn nächstgelegenen DAS-Kanälen. Das Modell, das einen Fourier Neural Operator (um räumliche Muster entlang des Kabels zu erfassen), ein bidirektionales rekurrentes Netzwerk (um die zeitliche Entwicklung zu verstehen) und einen Attention-Mechanismus (um die informativsten Signalabschnitte zu gewichten) kombiniert, lernte vorherzusagen, was das Geophon aufgezeichnet hätte, allein basierend auf dem DAS-Dehnungssignal.

Wie gut der KI-Übersetzer funktioniert

Zur Bewertung verglichen die Autorinnen und Autoren die KI-generierten Wellenformen mit den tatsächlichen Geophon-Daten mithilfe gängiger Fehler- und Ähnlichkeitsmaße. Sie überprüften auch, wie häufig die Vorhersagen über viele Beispiele hinweg übereinstimmten. Die hybride Architektur übertraf deutlich ein einfacheres Design ohne Fourier-Anteil: Die Fehler waren im Mittel etwa zwanzigmal kleiner, und die Ähnlichkeit mit echten Geophon-Spuren war durchweg sehr hoch. Im Frequenzbereich, in dem Forscherinnen und Forscher analysieren, welche Schwingungsfrequenzen vorhanden sind, stimmten die vom KI-Modell erzeugten Teilchengeschwindigkeiten eng mit den Geophon-Spektren über den gesamten relevanten Bereich sowohl für P- als auch für S-Wellen überein. Im Gegensatz dazu lieferte eine konventionelle physikbasierte Konversionsmethode nur bei niedrigen Frequenzen gute Übereinstimmung und verfehlte wichtige Details bei höheren Frequenzen, in denen sich DAS anders verhält.

Die konvertierten Daten in der Praxis

Der echte Prüfstein ist, ob die konvertierten Signale für weitere Analysen brauchbar sind. Das Team wandte eine Beamforming-Technik namens MUSIC an, die ein Sensornetzwerk nutzt, um Richtung und scheinbare Ausbreitungsgeschwindigkeit eintreffender seismischer Wellen zu schätzen. Vorherige Arbeiten am selben Standort zeigten, dass rohe DAS-Dehnungsraten für zuverlässiges Beamforming zu inkohärent waren: Die Wellen erschienen verschmiert, und die Ergebnisse waren deutlich schlechter als beim nodalen Geophon-Array. Die neue KI-basierte Umwandlung erzählt eine andere Geschichte. Als die Autorinnen und Autoren Beamforming auf die vom KI-Modell vorhergesagte Teilchengeschwindigkeit entlang des Kabels anwendeten, lieferte die Methode eine scharfe Schätzung des Rückazimuts und der Wellengeschwindigkeit — vergleichbar mit oder sogar leicht besser als die Geophone und überlegen gegenüber der physikbasierten DAS-Konversion. Die Verbesserung resultiert sowohl aus der höheren räumlichen Dichte der DAS-Kanäle als auch aus der Fähigkeit des KI-Modells, inkohärentes Rauschen zu unterdrücken und zugleich kohärente Bewegungen zu erhalten, die für seismische Analysen relevant sind.

Welche Bedeutung das für die künftige Erdbeobachtung hat

Für Nicht-Fachleute ist die wichtigste Erkenntnis: Die Autorinnen und Autoren haben einen intelligenten Übersetzer entwickelt, der dichten, flexiblen Glasfaserkabeln ermöglicht, dieselbe Sprache wie konventionelle seismische Instrumente zu sprechen. Ihr KI-Modell ersetzt die Physik nicht, sondern erlernt eine standortspezifische Abbildung, die unübersichtliche reale Faktoren wie die Kopplung zwischen Kabel und Boden sowie lokale Störquellen erfasst. Zwar wird jede neue Installation weiterhin eine kurze Kalibrierungsphase mit einigen co-lokalisierten Geophonen benötigen, doch eröffnet der Ansatz die Möglichkeit, bestehende und künftige Glasfasernetze in leistungsfähige, hochaufgelöste Instrumente für Erdbebenüberwachung, Gefährdungsabschätzung und Untergrundbildgebung zu verwandeln. Mit zunehmender Erprobung an weiteren Standorten und Ereignissen könnten solche KI-gestützten Konversionen langfristig dazu beitragen, detaillierte seismologische Analysen an Orten zu bringen, an denen traditionelle Sensoraufstellungen unpraktisch oder zu teuer sind.

Zitation: 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

Schlüsselwörter: distributed acoustic sensing, Seismologie, Deep Learning, Bebenüberwachung, Faseroptische Sensoren