מודל חדש בלמידה עמוקה להמרת מאמץ DAS למהירות חלקיק של גיאופון: יישום על נתוני PoroTomo משדה הגיאוטרמי בריידי

להקשיב לרעידות אדמה עם כבלי אינטרנט

מה אם אותן כבלי סיב-אופטי שנושאים את תנועת האינטרנט שלנו יוכלו גם לשמש כמיתרים ענקיים של אלפי חיישני רעידות אדמה? המחקר הזה חוקר בדיוק את הרעיון הזה. המחברים מראים כיצד מודל מודרני של בינה מלאכותית יכול להפוך את האותות הגולמיים והקשים לפרשנות מן הכבלים הסיביים לקריאות תנועה מוכרות יותר שמשתמשים בהן בסיסמולוגיה, מה שעשוי להפוך את הניטור הסיסמי לזול יותר, צפוף יותר, וקל יותר לפריסה בסביבות קשות או צפופות.

מדוע 'אוזניים' מבוססות סיב-אופטי קשות להבנה

חישה אקוסטית מבוזרת (DAS) הופכת כבלי סיב-אופטי רגילים לשורות רצופות של חיישנים שמגיבים למתיחות ולדחיסות זעירים בקרקע. במקום כמה מאות מכשירים נפרדים המפוזרים בשטח, DAS יכולה לספק אלפי נקודות מדידה לאורך כבל יחיד. צפיפות זו היא יתרון משמעותי למעקב אחר תנועת גלי סייסמיות בתוך האדמה. אבל יש בעיה: DAS מודדת עד כמה הכבל נמתח (strain), בעוד גיאופונים מסורתיים רושמים את מהירות תנועת הקרקע. רוב המתודות הקיימות בסיסמולוגיה בנויים למידע בסגנון גיאופון, לא למאמץ. המאמץ גם מגזים בחוסר-סדירות בקנה מידה קטן בקרבת פני השטח, מה שהופך את הנתונים לרועשים ופחות עקביים ממקום למקום. המרת מאמץ DAS לתנועה דמויית גיאופון היא לכן חיונית, אך המתודות הפיזיקליות הסטנדרטיות לכך לעתים דורשות הנחות חזקות לגבי התנהגות הגלים, גיאומטריית הכבל ונוכחותם של חיישני ייחוס מקומיים.

שימוש בבינה מלאכותית כדי לתרגם בין שתי דרכי 'שמיעה'

החוקרים פיתחו מודל למידה עמוקה הפועל כמתרגם בין מאמץ DAS למהירות חלקיק שמדד גיאופון. הם אימנו אותו על נתונים מניסוי PoroTomo בשדה הגיאוטרמי Brady Hot Springs בנבדה, שם פרסו כבל סיב-אופטי באורך 8.4 קילומטר בצורת זיגזג לצד רשת של 238 גיאופונים תלת-רכיביים. ב-112 מיקומים שבהם הגיאופונים היו סמוכים מאוד לכבל, התאימו כל עקבת תנועה אופקית של גיאופון לעשרה ערוצי DAS הקרובים ביותר. המודל, שמשלב אופרטור נורלי פורייה (כדי לתפוס דפוסים מרחביים לאורך הכבל), רשת חוזרת דו-כיוונית (כדי להבין את התפתחות הזמן), ומנגנון קשב (כדי להתמקד בחלקים המודיעים ביותר של כל אות), למד לחזות מה הגיאופון היה רושם בהתבסס אך ורק על קלט מאמץ ה-DAS.

כמה טוב המתרגם של ה-AI עובד

להערכת הביצועים השוו המחברים את גליות ה-AI עם נתוני הגיאופון האמיתיים באמצעות מדדי שגיאה ודמיון סטנדרטיים. הם גם בדקו באיזו תדירות התחזיות תואמות במגוון דוגמאות. הארכיטקטורה ההיברידית התבלטה לעומת עיצוב פשוט יותר שהוריד את רכיב הפורייה: השגיאות היו בקירוב עשרים פעמים קטנות יותר בממוצע, והדמיון לעקבות הגיאופון האמיתיות היה גבוה ועקבי. בתחום התדרים, שבו החוקרים מנתחים אילו תדרים של רטט קיימים, מהירויות החלקיקים שיוצר ה-AI התאימו מקרוב לספקטרות הגיאופון לאורך טווח העניין המלא הן לגלי P והן לגלי S. לעומת זאת, שיטת המרה פיזיקלית קונבנציונלית התאימה היטב רק בתדרים נמוכים, והחמיצה פרטים חשובים בתדרים הגבוהים יותר שבהם התנהגות DAS מורכבת יותר.

ניצול הנתונים המומרים לשימושים מעשיים

המבחן האמיתי הוא האם האותות המומרים שימושיים למשימות המשך. הצוות החל על שיטת beamforming המוכרת כ-MUSIC, שמשתמשת במערך חיישנים לאמידת הכיוון ומהירות הגלים הנראית. עבודה קודמת במקום הראתה שקצב המאמץ הגולמי של DAS היה בלתי-קוהרנטי מדי לביצוע beamforming מהימן: הגלים נראו מטושטשים והתוצאות היו חלשות בהשוואה למערך הגיאופונים הנודדים. ההמרה החדשה מבוססת ה-AI מספרת סיפור שונה. כאשר המחברים הריצו beamforming על מהירויות החלקיקים החזויות על ידי ה-AI לאורך הכבל, השיטה השיבה אומדן חדה של הבקאזימוט ומהירות הגל — בהתאמה או אפילו בשיפור קל על ביצועי הגיאופונים ועולה על ההמרה הפיזיקלית של DAS. השיפור נובע הן מצפיפות המרחבית הגבוהה יותר של ערוצי DAS והן מיכולת מודל ה-AI לדכא רעשים לא קוהרנטיים תוך שמירה על התנועה הקוהרנטית החשובה לניתוח סייסמי.

מה משמעות הדבר לניטור עתידי של כדור הארץ

ללא מומחיות מיוחדת, המסקנה המרכזית היא שהמחברים בנו מתרגם חכם שמאפשר לכבלים סיב-אופטי צפופים וגמישים לדבר את אותה שפה של מכשירי סייסמיה קונבנציונליים. מודל ה-AI שלהם אינו מחליף את הפיזיקה, אך הוא לומד מיפוי אתר-ספציפי שתופס גורמים מציאותיים מבולגנים כמו קישוריות כבל-קרקע ורעשים מקומיים. בעוד שכל התקנה חדשה עדיין תצטרך תקופת כיול קצרה עם כמה גיאופונים מקומיים, הגישה פותחת אפשרות להפוך רשתות סיב-אופטי קיימות ועתידיות לכלי רב-עוצמה ויותר ברזולוציה לניטור רעידות אדמה, הערכת סיכונים ותדירות תת-משטחית. עם הזמן, ככל שהשיטה תיבחן באתרים ובאירועים נוספים, המרות בסיוע AI מסוג זה עשויות לסייע להביא ניתוח סייסמולוגי מפורט למקומות שבהם פריסת חיישנים מסורתית אינה מעשית או יקרה מדי.

ציטוט: 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

מילות מפתח: חישה אקוסטית מבוזרת, סיסמולוגיה, למידה עמוקה, ניטור רעידות אדמה, חיישני סיב אופטי