Uczenie się drgań gruntu wywołanych trzęsieniami ziemi za pomocą warunkowego modelowania generatywnego

Dlaczego ważne są wstrząsy od przyszłych trzęsień

Trzęsienia ziemi są nieuchronną częścią życia w wielu regionach, od Zatoki San Francisco po Japonię. To, co naprawdę zagraża ludziom i budynkom, to nie samo trzęsienie, lecz drgania, które powoduje na powierzchni gruntu. Inżynierowie i planiści potrzebują realistycznych scenariuszy, jak silnie grunt może się poruszyć w wielu miejscach, nie tylko tam, gdzie już stoją czujniki. Obecne metody albo polegają na uproszczonych statystykach, które pomijają lokalne detale, albo na ciężkich symulacjach fizycznych wymagających superkomputerów i szczegółowej wiedzy o wnętrzu Ziemi. To badanie wprowadza nowe podejście oparte na sztucznej inteligencji (AI), które uczy się na podstawie przeszłych wstrząsów, aby szybko wyobrazić sobie, jak przyszłe trzęsienia mogłyby wpłynąć na całe regiony.

Nowy sposób wyobrażania sobie wstrząsów

Naukowcy przedstawiają model nazwany Warunkowe Modelowanie Generatywne dla Ruchów Gruntu (CGM-GM). Zamiast bezpośrednio rozwiązywać równania falowe, CGM-GM uczy się wzorców na podstawie tysięcy zarejestrowanych drobnych trzęsień wokół uskoków Hayward i San Andreas w rejonie Zatoki San Francisco. Kluczową ideą jest generacja „warunkowa”: AI otrzymuje podstawowe informacje o zdarzeniu — jego wielkość, głębokość oraz położenie trzęsienia i sensorów na mapie — a następnie generuje możliwe szeregi czasowe drgań zgodne z tymi warunkami. W efekcie model działa jak inteligentny symulator, który potrafi wypełnić brakujące informacje o tym, jak mogłyby wyglądać wstrząsy w miejscach i przy trzęsieniach, które nigdy nie zostały zarejestrowane.

Słuchanie trzęsień w czasie i kolorze

Aby nauczyć AI, zespół najpierw przekształca każdy zarejestrowany sygnał drgań w rodzaj kolorowego obrazu zwanego spektrogramem, pokazującego, jak siła różnych częstotliwości zmienia się w czasie. Używają narzędzia znanego jako krótkoczasowa transformata Fouriera (Short-Time Fourier Transform), by rozdzielić każdy przebieg na amplitudę (jak silny) i fazę (kiedy występują cechy). Specjalny typ sieci neuronowej, dynamiczny wariacyjny autoenkoder, uczy się kompresować te amplitudowe spektrogramy do sekwencji ukrytych zmiennych, a następnie je rekonstruować. Moduł towarzyszący wykorzystuje współrzędne geograficzne i właściwości trzęsienia, by wpływać na tę ukrytą sekwencję, tak że model naturalnie kojarzy wzorce drgań z tym, gdzie fale podróżują i jak duże jest trzęsienie. Podczas generowania model losuje nowe sekwencje ukryte, rekonstruuje spektrogramy amplitudowe, estimuje fazę i przekształca wszystko z powrotem w syntetyczne przebiegi czasowe.

Wypełnianie mapy między rzadkimi czujnikami

Po wytrenowaniu CGM-GM może odpowiedzieć na pytanie: „Jeśli wydarzy się trzęsienie o danej sile i lokalizacji, jakie wstrząsy moglibyśmy zaobserwować na gęstej siatce punktów?” Autorzy testują to, generując dziesięć tysięcy syntetycznych zapisów dla podobszaru Zatoki, a następnie obliczając amplitudowe widma Fouriera (miarę zależnej od częstotliwości siły drgań) w każdym punkcie. Powstałe mapy pokazują płynne, realistyczne zróżnicowania: drgania zwykle słabną wraz z odległością od źródła, zmieniają się z kierunkiem i wzmacniają w obszarach znanych z miękkich gruntów, takich jak okolice San Jose i muły Zatoki San Francisco. Co ważne, wzory przestrzenne wyglądają znacznie bardziej realistycznie niż w prostszym modelu AI, który zna jedynie odległość i głębokość, i przypominają wzory z zaawansowanego nie-ergodycznego empirycznego modelu ruchów gruntu opracowanego przez sejsmologów.

Dopasowanie do rzeczywistych danych pod względem kształtu i siły

Zespół porównuje wyniki AI z rzeczywistymi nagraniami na kilka sposobów. W dziedzinie częstotliwości syntetyczne widma amplitud dobrze zgadzają się z obserwacjami w zakresie 2–15 herców, co jest zakresem najważniejszym dla wielu budynków. W dziedzinie czasu wygenerowane przebiegi odtwarzają nie tylko ogólne kształty, ale też maksymalne prędkości gruntu oraz czasy nadejścia fal P i S, określone niezależnym algorytmem detekcji. Model potrafi też wygenerować wiele nieco różnych wersji wstrząsów dla tego samego scenariusza, odwzorowując naturalną losowość trzęsień. Istnieją ograniczenia: bardzo niskie i bardzo wysokie częstotliwości trudniej dopasować idealnie, czas trwania drgań dla najmniejszych zdarzeń wykazuje większe rozproszenie, a skalowanie do bardzo dużych trzęsień pozostaje wyzwaniem bez dodatkowych danych treningowych.

Co to oznacza dla ludzi i budynków

Dla osób niebędących specjalistami najważniejsze jest to, że ta rama AI potrafi szybko generować realistyczne, świadome fizyki scenariusze trzęsień ziemi w całym obszarze miejskim, nawet tam, gdzie nie zainstalowano czujników i bez uruchamiania kosztownych symulacji na superkomputerach. CGM-GM nie zastępuje szczegółowych modeli opartych na fizyce ani starannie skalibrowanych równań empirycznych, ale działa porównywalnie z metodami najnowszej generacji, będąc jednocześnie elastycznym i szybkim. Przy dalszych udoskonaleniach i większej ilości danych takie modele generatywne mogłyby stać się praktycznymi narzędziami do badania „co jeśli” dotyczących trzęsień, ulepszania map zagrożeń i pomagania inżynierom w projektowaniu budynków i infrastruktury lepiej przygotowanych na następne duże wstrząsy.

Cytowanie: Ren, P., Nakata, R., Lacour, M. et al. Learning earthquake ground motions via conditional generative modeling. Nat Commun 17, 4021 (2026). https://doi.org/10.1038/s41467-026-70719-2

Słowa kluczowe: drgania gruntu podczas trzęsienia, generatywna sztuczna inteligencja, zagrożenie sejsmiczne, Zatoka San Francisco, wariacyjny autoenkoder