Un nuevo modelo de aprendizaje profundo para convertir deformación DAS en velocidad de partícula de geófono: aplicación a datos PoroTomo del campo geotérmico Brady

Escuchar terremotos con cables tipo Internet

¿Y si los mismos cables de fibra óptica que transportan nuestro tráfico de Internet pudieran funcionar también como enormes hileras de miles de sensores sísmicos? Este estudio explora precisamente esa idea. Los autores muestran cómo un modelo moderno de inteligencia artificial (IA) puede convertir las señales crudas y difíciles de interpretar de los cables de fibra óptica en lecturas de movimiento más familiares para los sismólogos, lo que podría abaratar, densificar y facilitar el despliegue de la monitorización sísmica en entornos adversos o congestionados.

Por qué es difícil interpretar las orejas de fibra óptica

El sensado acústico distribuido (DAS) convierte cables de fibra óptica ordinarios en líneas continuas de sensores que responden a estiramientos y compresiones minúsculos del terreno. En lugar de disponer unos pocos cientos de instrumentos independientes distribuidos por un campo, DAS puede ofrecer miles de puntos de medida a lo largo de un único cable. Esa densidad es una gran ventaja para rastrear cómo se propagan las ondas sísmicas por la Tierra. Pero hay una pega: DAS mide cuánto se deforma el cable, mientras que los sismómetros tradicionales, llamados geófonos, registran la velocidad a la que se mueve el terreno. La mayoría de los métodos sismológicos existentes están pensados para señales de tipo geófono, no para deformación. La deformación además magnifica las irregularidades cercanas a la superficie a pequeña escala, haciendo que los datos sean ruidosos y menos consistentes de un lugar a otro. Convertir la deformación DAS en movimiento del terreno tipo geófono es por tanto esencial, aunque las recetas físicas estándar para hacerlo suelen requerir fuertes supuestos sobre el comportamiento de las ondas, la geometría del cable y la presencia de sensores de referencia co-ubicados.

Usar IA para traducir entre dos maneras de oír

Los investigadores desarrollaron un modelo de aprendizaje profundo que actúa como traductor entre la deformación DAS y la velocidad de partícula medida por geófonos. Lo entrenaron con datos del experimento PoroTomo en el campo geotérmico Brady Hot Springs, en Nevada, donde se desplegó un cable de fibra óptica en zigzag de 8,4 kilómetros junto a una cuadrícula de 238 geófonos triaxiales. Para 112 ubicaciones donde los geófonos estaban muy próximos al cable, emparejaron la traza de movimiento horizontal de cada geófono con los diez canales DAS más cercanos. El modelo, que combina un Operador Neuronal de Fourier (para capturar patrones espaciales a lo largo del cable), una red recurrente bidireccional (para entender la evolución temporal) y un mecanismo de atención (para centrarse en las partes más informativas de cada señal), aprendió a predecir lo que habría registrado el geófono basándose únicamente en la entrada de deformación DAS.

Qué tan bien funciona el traductor de IA

Para evaluar el rendimiento, los autores compararon las formas de onda generadas por la IA con los datos reales de los geófonos usando medidas estándar de error y similitud. También comprobaron con qué frecuencia las predicciones coincidían a lo largo de muchos ejemplos. La arquitectura híbrida superó claramente a un diseño más simple que prescindía del componente de Fourier: los errores fueron aproximadamente veinte veces menores de media y la similitud con las trazas reales de geófono fue consistentemente muy alta. En el dominio de frecuencias, donde los científicos analizan qué tonos de vibración están presentes, las velocidades de partícula producidas por la IA coincidieron estrechamente con los espectros de los geófonos en todo el rango de interés tanto para ondas P como S. En contraste, un método convencional de conversión basado en física concordó bien solo a bajas frecuencias, perdiendo detalles importantes a frecuencias más altas donde el comportamiento de DAS es más complejo.

Aplicando los datos convertidos

La prueba real es si las señales convertidas son útiles para tareas posteriores. El equipo aplicó una técnica de beamforming, conocida como MUSIC, que utiliza un conjunto de sensores para estimar la dirección y la velocidad aparente de las ondas sísmicas entrantes. Trabajos previos en el mismo sitio mostraron que la tasa de deformación DAS cruda era demasiado incoherente para un beamforming fiable: las ondas parecían difusas y los resultados eran peores en comparación con el arreglo de geófonos nodales. La nueva conversión basada en IA cuenta otra historia. Cuando los autores aplicaron beamforming a la velocidad de partícula predicha por la IA a lo largo del cable, el método recuperó una estimación nítida del bacazimut y de la velocidad de onda, igualando e incluso mejorando ligeramente el rendimiento de los geófonos y superando a la conversión DAS basada en física. La mejora surge tanto de la mayor densidad espacial de los canales DAS como de la capacidad del modelo de IA para suprimir ruido incoherente mientras preserva el movimiento coherente que importa para el análisis sísmico.

Qué implica esto para la monitorización futura de la Tierra

Para quienes no son especialistas, la conclusión principal es que los autores han construido un traductor inteligente que permite que cables de fibra óptica densos y flexibles hablen el mismo idioma que los instrumentos sísmicos convencionales. Su modelo de IA no reemplaza la física, sino que aprende una correspondencia específica del sitio que captura factores reales y complejos como el acoplamiento cable-suelo y el ruido local. Aunque cada nueva instalación seguirá necesitando un breve periodo de calibración con algunos geófonos co-ubicados, el enfoque abre la posibilidad de convertir redes de fibra existentes y futuras en herramientas potentes y de alta resolución para el monitoreo de terremotos, la evaluación de riesgos y la imagen del subsuelo. Con el tiempo, a medida que el método sea probado en más sitios y más eventos, tales conversiones asistidas por IA podrían ayudar a llevar análisis sismológicos detallados a lugares donde los despliegues de sensores tradicionales son imprácticos o demasiado caros.

Cita: 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

Palabras clave: sensado acústico distribuido, sismología, aprendizaje profundo, monitoreo de terremotos, sensores de fibra óptica