Foutcorrectie door trillingen in absolute gravimetrie met behulp van BP-neuraal netwerk

Waarom kleine trillingen ertoe doen

Zelfs als we volmaakt stil staan, is de grond onder ons nooit volledig in rust. Golven uit de oceaan, passerende vrachtwagens, verre aardbevingen en zelfs wind laten het aardoppervlak trillen. Voor de meeste mensen blijven die bewegingen onopgemerkt. Voor wetenschappers die de aantrekkingskracht van onze planeet met uiterste precisie willen meten, kunnen zulke kleine trillingen echter het beeld volledig vertroebelen. Deze studie presenteert een slimme, softwarematige methode — met een vorm van kunstmatige intelligentie die een neuraal netwerk wordt genoemd — om die ongewenste schommelingen weg te rekenen en gravitiemeting te verscherpen tot op enkele delen per miljard.

De aarde wegen met vallende objecten

Moderne “absolute gravimeters” bepalen de zwaartekracht door de tijd te meten die een klein object nodig heeft om in een gecontroleerde ruimte te vallen. Een laser volgt de positie van het object tijdens de val en bouwt zo een gedetailleerde baan op waaruit de lokale zwaartekrachtsterkte kan worden berekend. Instrumenten zoals de veelgebruikte FG5‑X gravimeter bereiken al een verbluffende precisie, genoeg om subtiele veranderingen in de aardkorst te detecteren of fundamentele natuurkunde te testen. Deze metingen zijn echter extreem gevoelig voor trillingen van de referentiespiegel van het apparaat en de omliggende constructie. Wanneer de grond beweegt, gaat het lasersignaal wiebelen en verschuiven de precieze momenten waarop het instrument denkt dat het vallende object bepaalde punten passeert. Deze kleine tijdverschuivingen vertalen zich direct in fouten in de berekende waarde van de zwaartekracht.

Hoe grondbeweging de val vervormt

De auteurs bouwden eerst wiskundige en computermodellen om precies te begrijpen hoe verschillende soorten vibratie — trage drift, gebogen zwaaiingen en snelle oscillaties — het lasersignaal vervormen. Ze toonden aan dat elk trillingspatroon een kenmerkende vingerafdruk achterlaat in de tijdfouten van het traject van het vallende object. Belangrijk is dat deze fouten niet simpelweg over de tijd opstapelen; in plaats daarvan is de fout op elk moment nauw verbonden met de trillingen op dat ogenblik. Dat betekent dat als je het trillingssignaal voldoende goed kent, je in principe de tijdfouten die het veroorzaakt kunt reconstrueren en ongedaan maken. De uitdaging is dat de relatie tussen de ruwe trillingsmetingen en de resulterende tijdfouten sterk niet-lineair is en te complex voor eenvoudige formules.

Een neuraal netwerk leren het ruis te corrigeren

Om dit aan te pakken, gebruikte het team een backpropagation (BP) neuraal netwerk, een veelgebruikt machine-learningmodel dat uitblinkt in het leren van gecompliceerde input–outputrelaties. Ze genereerden 100.000 gesimuleerde voorbeelden van graviteitsmetingen, elk bestaande uit een ideaal vrije-valsignaal gecombineerd met realistische trillingspatronen die variëren van stille laboratoria en typische veldlocaties tot lawaaierige omgevingen. Voor elk geval berekenden ze de exacte tijdsfout die door de trillingen werd veroorzaakt. Het neurale netwerk werd vervolgens getraind om het gemeten trillingsgolfvorm (plus timinginformatie) als invoer te nemen en de overeenkomstige tijdscorrectie als uitvoer te geven. Om het leerproces te versnellen en te stabiliseren, vervingen de auteurs de traditionele trainingsmethode door de Adam-optimalisatiealgoritme, dat adaptief bepaalt hoe sterk het netwerk zijn interne gewichten bijwerkt. Deze combinatie liet het model sneller convergeren en timingfouten met extreem kleine gemiddelde afwijkingen voorspellen.

Van computertests naar reële zwaartekrachtpunten

Nadat de methode in simulaties was bevestigd, testten de onderzoekers deze met hun compacte lasergavimeter, Tide‑010, op drie zeer verschillende locaties bij Peking: een stille ondergrondse nationale zwaartekrachtsreferentie, een kantoor op begane grond en een bergachtig gebied met losse grond en sterke omgevingsvibraties. Op elke locatie namen ze zowel het laserinterferentiesignaal als de beweging van het referentiepunt op met een gevoelige versnellingsmeter. De ruwe gegevens werden eerst gefilterd om zeer hoogfrequente ruis te verwijderen en vervolgens in het getrainde neurale netwerk gevoed, dat gecorrigeerde tijdcoördinaten voor het vallende object produceerde. Met deze gecorrigeerde trajecten berekende het team de zwaartekracht opnieuw en vergeleek ze de spreiding en bias van de resultaten met die van conventionele “directe” fittings. Over de hele linie verminderde het neurale netwerk de willekeurige spreiding in de graviteitsmetingen met ongeveer 80–85% en hield het gemiddelde fouten zeer dicht bij nul.

Scherpere graviteitsmetingen en hun betekenis

Voor een niet-specialist is de belangrijkste uitkomst dat deze AI-ondersteunde aanpak een gravimeter laat “luisteren” naar het grondtrillen en vervolgens wiskundig het effect wegrekenen, vergelijkbaar met hoe noise-cancelling koptelefoons achtergrondgehuil uit je muziek verwijderen. In stille ondergrondse omstandigheden en in een gewoon gebouw behaalden de gecorrigeerde metingen vergelijkbare of zelfs betere prestaties dan de beste commerciële instrumenten, met nauwkeurigheden van ongeveer één tot twee microgal — een miljoenste van de versnelling die we voelen door de zwaartekracht. Zelfs in een lawaaierige bergomgeving hield de methode de fouten rond drie microgal. Deze verbetering vereist geen omvangrijke nieuwe hardware; ze berust vooral op slimmer dataverwerken. Als gevolg daarvan kan de techniek landen helpen hun eigen hoogprecisie gravimeters te ontwikkelen, bijdragen aan betere monitoring van aardbevingen en vulkanen en nauwkeuriger testen van fundamentele fysica mogelijk maken, simpelweg door instrumenten te leren door de constante, subtiele trilling van de aarde heen te kijken.

Bronvermelding: 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

Trefwoorden: gravimetrie, bodemtrillingen, neurale netwerken, precisie geofysica, signaalcorrectie