Vibrationsfehlerkorrektur bei absoluten Gravimessungen mit BP‑Neuronalen Netzen

Warum winzige Erschütterungen wichtig sind

Selbst wenn wir vollkommen stillstehen, ruht der Boden unter uns nie völlig. Wellen aus dem Ozean, vorbeifahrende Lastwagen, ferne Erdbeben und sogar Wind lassen die Erdoberfläche zittern. Für die meisten von uns bleiben diese Bewegungen unbemerkt. Für Wissenschaftler, die mit höchster Präzision die Anziehungskraft der Erde messen, können solche winzigen Erschütterungen jedoch das Bild völlig verwischen. Diese Studie stellt eine intelligente, softwarebasierte Methode vor – unter Verwendung einer Form künstlicher Intelligenz, bekannt als neuronales Netz – um diese unerwünschten Zitterbewegungen auszugleichen und die Gravimessungen bis auf wenige Teile pro Milliarde zu schärfen.

Die Erde mit fallenden Objekten wiegen

Moderne „absolute Gravimeter“ messen die Schwerkraft, indem sie die Fallzeit eines kleinen Körpers in einer kontrollierten Kammer bestimmen. Ein Laser verfolgt die Lage des Körpers während des Falls und erzeugt eine detaillierte Bahn, aus der die örtliche Schwerkraft berechnet werden kann. Instrumente wie das weit verbreitete FG5‑X‑Gravimeter erreichen bereits erstaunliche Präzision, genug, um subtile Veränderungen in der Erdkruste zu erkennen oder grundlegende physikalische Fragestellungen zu prüfen. Diese Messungen sind jedoch extrem empfindlich gegenüber Vibrationen des Referenzspiegels und der umgebenden Struktur. Wenn sich der Boden bewegt, schwankt das Lasersignal und verschiebt die exakten Zeitpunkte, zu denen das Gerät annimmt, dass das fallende Objekt bestimmte Punkte passiert. Diese winzigen Zeitverschiebungen führen direkt zu Fehlern im berechneten Gravitätswert.

Wie Bodenbewegung den Fall verzerrt

Die Autoren entwickelten zunächst mathematische und computergestützte Modelle, um genau zu verstehen, wie verschiedene Arten von Vibrationen – langsame Drifts, gekrümmte Schwingungen und schnelle Oszillationen – das Lasersignal verzerren. Sie zeigten, dass jedes Vibrationsmuster einen eigenen Fingerabdruck in den Zeitmessfehlern der Fallbahn hinterlässt. Wichtig ist, dass sich diese Fehler nicht einfach über die Zeit aufsummieren; vielmehr ist der Fehler jedes Moments eng mit der zu diesem Zeitpunkt vorherrschenden Vibration verknüpft. Das bedeutet, dass man prinzipiell die zeitlichen Fehler rekonstruieren und rückgängig machen könnte, wenn das Vibrationssignal hinreichend gut bekannt ist. Die Herausforderung besteht darin, dass die Beziehung zwischen den Roh‑Vibrationsmessungen und den resultierenden Zeitfehlern hochgradig nichtlinear und zu komplex ist, um sie mit einfachen Formeln zu beschreiben.

Ein neuronales Netz anlernen, das Rauschen zu entfernen

Um dieses Problem zu lösen, wandte sich das Team einem Backpropagation (BP) Neuronalen Netz zu, einem verbreiteten Machine‑Learning‑Modell, das sich darin auszeichnet, komplizierte Eingabe‑Ausgabe‑Beziehungen zu erlernen. Sie erzeugten 100.000 simulierte Beispiele von Gravimessungen, jeweils bestehend aus einem idealen Freifallsignal kombiniert mit realistischen Vibrationsmustern, die ruhige Labore, typische Feldstandorte und laute Umgebungen abdecken. Für jeden Fall berechneten sie den exakten Zeitfehler, der durch die Vibration verursacht wurde. Das neuronale Netz wurde dann darauf trainiert, die gemessene Vibrationswelle (plus Zeitinformation) als Eingabe zu nehmen und die entsprechende zeitliche Korrektur auszugeben. Um den Lernprozess zu beschleunigen und zu stabilisieren, ersetzten die Autoren die traditionelle Trainingsmethode durch den Adam‑Optimierungsalgorithmus, der adaptiv bestimmt, wie stark das Netz seine internen Gewichte anpasst. Diese Kombination brachte das Modell schneller zur Konvergenz und erlaubte, die Zeitfehler mit äußerst kleinen durchschnittlichen Abweichungen vorherzusagen.

Von Computertests zu realen Messpunkten

Nach der Bestätigung der Methode in Simulationen testeten die Forscher sie mit ihrem eigenen kompakten Lasergravimeter, Tide‑010, an drei sehr unterschiedlichen Standorten in der Nähe von Peking: einem ruhigen unterirdischen nationalen Schwerkraftreferenzpunkt, einem Büro im Erdgeschoss und einem bergigen Gebiet mit lockerem Boden und starken Umgebungserschütterungen. An jedem Ort zeichneten sie sowohl das Laserinterferenzsignal als auch die Bewegung des Referenzpunkts mit einem empfindlichen Beschleunigungsmesser auf. Die Rohdaten wurden zunächst gefiltert, um sehr hochfrequentes Rauschen zu entfernen, und dann in das trainierte neuronale Netz eingespeist, das korrigierte Zeitkoordinaten für das fallende Objekt lieferte. Mit diesen korrigierten Bahnen berechnete das Team die Gravität neu und verglich Streuung und Verzerrung der Ergebnisse mit denen konventioneller „direkter“ Anpassungsverfahren. Über alle Standorte reduzierte das neuronale Netz die zufällige Streuung der Gravitätsmessungen um etwa 80–85 % und hielt die mittleren Fehler sehr nahe bei null.

Scharfere Gravimessungen und ihre Bedeutung

Für Laien ist das wichtigste Ergebnis, dass dieser KI‑gestützte Ansatz ein Gravimeter „hören“ lässt, wie der Boden zittert, und dann dessen Wirkung mathematisch subtrahiert – ähnlich wie aktive Geräuschunterdrückung Hintergrundbrummen aus Ihrer Musik entfernt. Unter ruhigen unterirdischen Bedingungen und in einem gewöhnlichen Gebäude erreichten die korrigierten Messungen die Leistung der besten kommerziellen Instrumente oder übertrafen sie sogar und erreichten Genauigkeiten von etwa ein bis zwei Mikrogals – ein Millionstel der von uns erfahrenen Beschleunigung durch die Schwerkraft. Selbst in einer lauten Bergumgebung hielt die Methode die Fehler noch bei rund drei Mikrogals. Diese Verbesserung erfordert keine sperrige neue Hardware, sondern beruht hauptsächlich auf intelligenterer Datenverarbeitung. Dadurch könnte die Technik Ländern helfen, eigene hochpräzise Gravimeter zu entwickeln, die Überwachung von Erdbeben und Vulkanen zu verbessern und genauere Tests fundamentaler Physik zu ermöglichen – allein durch das Lehren von Instrumenten, den ständigen, subtilen Tremor der Erde zu durchschauen.

Zitation: Niu, Y., Wu, Q., Zhang, Y. et al. Vibration error correction in absolute gravity measurement using BP neural network. Sci Rep 16, 14072 (2026). https://doi.org/10.1038/s41598-026-43402-1

Schlüsselwörter: Gravimessung, Bodenvibration, Neuronale Netze, Präzisionsgeophysik, Signalkorrektur