Een nieuw deep-learningmodel om DAS-vervorming naar geofonen-deeltjesnelheid om te zetten: toepassing op PoroTomo-gegevens van het Brady-geothermische veld

Luisteren naar aardbevingen met internetachtige kabels

Wat als dezelfde glasvezelkabels die ons internetverkeer voeren ook als enorme reeksen van duizenden aardbevingssensoren konden fungeren? Deze studie onderzoekt precies dat idee. De auteurs tonen aan hoe een modern kunstmatig-intelligentie (AI)‑model de ruwe, moeilijk te interpreteren signalen van glasvezelkabels kan omzetten in de meer vertrouwde bewegingsmetingen die seismologen gebruiken, waardoor seismische bewaking mogelijk goedkoper, dichter en gemakkelijker inzetbaar wordt in ruwe of drukke omgevingen.

Waarom glasvezel‑oren moeilijk te begrijpen zijn

Distributed Acoustic Sensing (DAS) verandert gewone glasvezelkabels in continue lijnen van sensoren die reageren op heel kleine uitrekkingen en samendrukking in de grond. In plaats van een paar honderd afzonderlijke instrumenten verspreid over een veld kan DAS duizenden meetpunten langs één kabel leveren. Die dichtheid is een groot voordeel bij het volgen van hoe seismische golven door de aarde bewegen. Maar er is een probleem: DAS meet hoe sterk de kabel wordt vervormd (strain), terwijl traditionele seismometers, geofonen genoemd, registreren hoe snel de grond beweegt. De meeste bestaande seismologiemethoden zijn gebouwd voor geofon‑achtige bewegingen, niet voor strain. Strain benadrukt bovendien kleinschalige onregelmatigheden nabij het oppervlak, wat de data luidruchtig en minder consistent maakt van plaats tot plaats. Het omzetten van DAS‑strain naar geofon‑achtige grondbeweging is daarom essentieel, maar standaard fysica‑gebaseerde recepten daarvoor vereisen vaak sterke aannames over golfgedrag, kabelgeometrie en de aanwezigheid van co‑geplaatste referentiesensoren.

AI gebruiken om tussen twee manieren van horen te vertalen

De onderzoekers ontwikkelden een deep‑learningmodel dat fungeert als vertaler tussen DAS‑strain en geofonen‑deeltjesnelheid. Ze trainden het op gegevens van het PoroTomo‑experiment in het Brady Hot Springs‑geothermische veld in Nevada, waar een 8,4 kilometer lange zigzag‑glasvezelkabel werd uitgerold naast een raster van 238 driecomponentige geofonen. Voor 112 locaties waar geofonen heel dicht bij de kabel lagen, koppelden ze de horizontale bewegingsspoor van elk geofon aan de tien dichtstbijzijnde DAS‑kanalen. Het model, dat een Fourier Neural Operator (om ruimtelijke patronen langs de kabel vast te leggen), een bidirectioneel recurrent netwerk (om de tijdsevolutie te begrijpen) en een aandachtmechanisme (om zich te concentreren op de meest informatieve delen van elk signaal) combineert, leerde te voorspellen wat het geofon zou hebben geregistreerd op basis van alleen de DAS‑straininput.

Hoe goed de AI‑vertaler werkt

Om de prestaties te beoordelen vergeleken de auteurs de door AI gegenereerde golfvormen met de werkelijke geofongegevens met behulp van gangbare fout‑ en gelijkenismaten. Ze controleerden ook hoe vaak de voorspellingen overeenkwamen over veel voorbeelden. De hybride architectuur presteerde duidelijk beter dan een eenvoudiger ontwerp zonder het Fourier‑component: fouten waren gemiddeld ongeveer twintig keer kleiner en de gelijkenis met echte geofonsporen was consequent zeer hoog. In het frequentiedomein, waar wetenschappers analyseren welke trillingsfrequenties aanwezig zijn, kwamen de door AI geproduceerde deeltjesnelheden nauw overeen met de geofonspectra over het volledige relevante bereik voor zowel P‑golven als S‑golven. Ter vergelijking, een conventionele fysica‑gebaseerde conversiemethode stemde alleen goed overeen bij lage frequenties en miste belangrijke details bij hogere frequenties waar DAS‑gedrag complexer is.

De geconverteerde data inzetten

De echte test is of de geconverteerde signalen nuttig zijn voor vervolgtoepassingen. Het team paste een beamforming‑techniek toe, bekend als MUSIC, die een array van sensoren gebruikt om richting en schijnbare snelheid van binnenkomende seismische golven te schatten. Vroegere werkzaamheden op dezelfde locatie toonden aan dat rauwe DAS‑strainrate te incoherent was voor betrouwbare beamforming: de golven leken uitgeveegd en de resultaten waren slecht vergeleken met het nodale geofonenraster. De nieuwe AI‑gebaseerde conversie vertelt een ander verhaal. Toen de auteurs beamforming uitvoerden op de door AI voorspelde deeltjesnelheid langs de kabel, herstelde de methode een scherpe schatting van de backazimut en golfsnelheid van de beving — overeenkomend met of zelfs iets beter dan de prestaties van de geofonen en beter dan de fysica‑gebaseerde DAS‑conversie. De verbetering komt zowel door de hogere ruimtelijke dichtheid van DAS‑kanalen als door het vermogen van het AI‑model om incoherent lawaai te onderdrukken terwijl het coherente bewegingen behoudt die van belang zijn voor seismische analyse.

Wat dit betekent voor toekomstige aardobservatie

Voor niet‑specialisten is de belangrijkste conclusie dat de auteurs een slimme vertaler hebben gebouwd die dichte, flexibele glasvezelkabels in staat stelt dezelfde taal te spreken als conventionele seismische instrumenten. Hun AI‑model vervangt de fysica niet, maar leert een sitespecifieke mapping die rommelige real‑world factoren vastlegt zoals kabel‑grondkoppeling en lokale ruis. Hoewel elke nieuwe installatie nog steeds een korte kalibratieperiode met een paar co‑geplaatste geofonen nodig heeft, opent de aanpak de mogelijkheid om bestaande en toekomstige glasvezelnetwerken om te vormen tot krachtige, hoge‑resolutie middelen voor aardbevingsmonitoring, risicoanalyse en ondergrondse beeldvorming. Na verloop van tijd, na testen op meer locaties en met meer gebeurtenissen, zouden dergelijke AI‑ondersteunde conversies gedetailleerde seismologische analyses kunnen brengen naar plaatsen waar traditionele sensorinstallaties onpraktisch of te duur zijn.

Bronvermelding: 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

Trefwoorden: distributed acoustic sensing, seismologie, deep learning, aardbevingsmonitoring, glasvezelsensoren