Korekcja błędów drgań w absolutnym pomiarze przyspieszenia grawitacyjnego za pomocą sieci neuronowej BP

Dlaczego drobne drgania mają znaczenie

Nawet jeśli stoimy zupełnie nieruchomo, podłoże pod nami nigdy nie jest całkowicie w spoczynku. Fale z oceanów, przejeżdżające ciężarówki, odległe trzęsienia ziemi, a nawet wiatr powodują drżenia powierzchni Ziemi. Dla większości z nas te ruchy pozostają niezauważone. Dla naukowców starających się wyjątkowo precyzyjnie zmierzyć siłę przyciągania naszej planety, takie drobne drgania mogą jednak całkowicie zamazać obraz. W badaniu przedstawiono inteligentne, programowe rozwiązanie — wykorzystujące rodzaj sztucznej inteligencji zwaną siecią neuronową — które pozwala anulować niechciane wibracje i wyostrzyć pomiary grawitacji do kilku części na miliard.

Ważenie Ziemi za pomocą spadających ciał

Współczesne „absolutne grawimetry” mierzą grawitację, odmierzając czas spadku małego obiektu w kontrolowanej komorze. Laser śledzi pozycję obiektu podczas opadania, tworząc szczegółową trajektorię, z której można wyliczyć lokalne przyspieszenie grawitacyjne. Instrumenty takie jak powszechnie stosowany grawimetr FG5‑X osiągają już zdumiewającą precyzję, wystarczającą do wykrywania subtelnych zmian w skorupie Ziemi czy wspierania testów fizyki fundamentalnej. Jednak te pomiary są niezwykle wrażliwe na drgania lustra odniesienia instrumentu i otaczającej konstrukcji. Gdy grunt się porusza, sygnał laserowy kołysze się, przesuwając momenty, w których instrument uznaje, że obiekt przechodzi przez kluczowe punkty. Te drobne przesunięcia czasowe przekładają się bezpośrednio na błędy w obliczonej wartości grawitacji.

Jak ruch gruntu zniekształca spadek

Autorzy najpierw zbudowali modele matematyczne i komputerowe, aby dokładnie zrozumieć, jak różne rodzaje drgań — wolne dryfy, krzywoliniowe huśtawki i szybkie oscylacje — zniekształcają sygnał laserowy. Wykazali, że każdy wzorzec drgań pozostawia odcisk w postaci charakterystycznych błędów czasowych na ścieżce spadającego obiektu. Co ważne, błędy te nie sumują się po prostu w czasie; zamiast tego błąd w danej chwili jest ściśle powiązany z drganiami w tej samej chwili. Oznacza to, że znając sygnał drgań wystarczająco dobrze, można w zasadzie odtworzyć i cofnąć spowodowane przez nie przesunięcia czasowe. Trudność polega na tym, że zależność między surowymi odczytami drgań a wynikającymi z nich błędami czasowymi jest silnie nieliniowa i zbyt złożona, by opisać ją prostymi wzorami.

Nauczanie sieci neuronowej usuwania szumu

Aby temu sprostać, zespół sięgnął po sieć neuronową z propagacją wsteczną (BP), powszechny model uczenia maszynowego sprawdzający się w nauce skomplikowanych relacji wejście–wyjście. Wygenerowali 100 000 symulowanych przykładów pomiarów grawitacji, z których każdy łączył idealny sygnał swobodnego spadku z realistycznymi wzorcami drgań obejmującymi ciche laboratoria, typowe stanowiska pomiarowe i hałaśliwe środowiska. Dla każdego przypadku obliczono dokładny błąd czasowy spowodowany przez drgania. Sieć neuronowa została następnie nauczona przyjmować zmierzony przebieg drgań (wraz z informacją o czasie) jako wejście i zwracać odpowiadającą mu korekcję czasową. Aby przyspieszyć i ustabilizować proces uczenia, autorzy zastąpili tradycyjną metodę treningową algorytmem optymalizacji Adam, który adaptacyjnie dostosowuje siłę aktualizacji wag wewnętrznych sieci. To połączenie pozwoliło modelowi szybciej zbiegać się i przewidywać błędy czasowe z bardzo małymi średnimi odchyleniami.

Od testów komputerowych do rzeczywistych punktów grawimetrycznych

Po potwierdzeniu metody w symulacjach badacze przetestowali ją za pomocą własnego kompaktowego grawimetru laserowego Tide‑010 w trzech bardzo różnych lokalizacjach w pobliżu Pekinu: cichym podziemnym krajowym punkcie odniesienia grawimetrycznego, biurze na parterze oraz obszarze górskim z luźnym gruntem i silnymi drganiami środowiskowymi. W każdej lokalizacji rejestrowali zarówno interferencyjny sygnał laserowy, jak i ruch punktu odniesienia za pomocą czułego akcelerometru. Surowe dane najpierw przefiltrowano, aby usunąć bardzo wysokoczęstotliwościowy szum, a następnie podano do wytrenowanej sieci neuronowej, która wygenerowała skorygowane współrzędne czasowe dla spadającego obiektu. Na podstawie tych skorygowanych trajektorii zespół ponownie obliczył grawitację i porównał rozrzut oraz odchylenie wyników z tymi uzyskanymi metodą konwencjonalnego „bezpośredniego” dopasowania. We wszystkich przypadkach sieć neuronowa zmniejszyła losowy rozrzut odczytów grawitacji o około 80–85% i utrzymała średnie błędy bardzo blisko zera.

Bardziej precyzyjne odczyty grawitacji i ich znaczenie

Dla laika kluczowy wynik jest taki, że podejście wspomagane AI pozwala grawimetrowi „słyszeć” drżenia gruntu i następnie matematycznie odjąć ich wpływ, podobnie jak słuchawki aktywnie redukują szumy otoczenia z twojej muzyki. W cichych, podziemnych warunkach i w zwykłym budynku skorygowane pomiary dorównywały lub przewyższały wydajność najlepszych komercyjnych instrumentów, osiągając dokładności rzędu jednego do dwóch mikrogalów — milionowej części przyspieszenia, które odczuwamy jako grawitację. Nawet w hałaśliwym, górskim otoczeniu metoda utrzymała błędy na poziomie około trzech mikrogalów. Ta poprawa nie wymaga masywnego nowego sprzętu; opiera się głównie na inteligentniejszym przetwarzaniu danych. W rezultacie technika może pomóc krajom w rozwijaniu własnych precyzyjnych grawimetrów, wspierać lepszy monitoring trzęsień ziemi i wulkanów oraz umożliwiać dokładniejsze testy fizyki fundamentalnej — wszystko to przez nauczenie instrumentów patrzenia przez nieustanne, subtelne drżenie Ziemi.

Cytowanie: 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

Słowa kluczowe: pomiar grawitacji, drgania gruntu, sieci neuronowe, precyzyjna geofizyka, korekcja sygnału