Изучение землетрясенных колебаний грунта с помощью условного генеративного моделирования

Почему важно предвидеть тряску от будущих подземных толчков

Землетрясения — неизбежная часть жизни во многих регионах, от залива Сан-Франциско до Японии. Настоящую угрозу людям и зданиям представляет не сама разломная вспышка, а колебания, которые она вызывает на поверхности земли. Инженерам и планировщикам нужны реалистичные сценарии того, насколько сильно может двигаться грунт в многочисленных точках, а не только там, где уже установлены датчики. Современные подходы либо опираются на упрощённые статистические модели, упускающие локальные детали, либо на тяжеловесные физические симуляции, требующие суперкомпьютеров и подробных знаний о внутреннем строении Земли. В этой работе предложен новый подход на основе искусственного интеллекта (ИИ), который учится на прошлых толчках и быстро моделирует, как будущие землетрясения могут потрясти целый регион.

Новый способ «вообразить» тряску

Авторы предлагают модель, названную Conditional Generative Modeling for Ground Motion (CGM-GM). Вместо того чтобы напрямую решать уравнения волновой физики, CGM-GM учится распознавать закономерности на тысячах записанных слабых землетрясений вдоль разломов Хейуорд и Сан-Андреас в заливе Сан-Франциско. Ключевая идея — «условная» генерация: ИИ получает базовую информацию о событии — его магнитуду, глубину и расположение землетрясения и датчиков на карте — и затем генерирует возможные временные ряды колебаний грунта, согласующиеся с этими условиями. По сути модель ведёт себя как интеллектуальный симулятор, заполняющий, как могла бы выглядеть тряска в местах и при событиях, которые никогда не были записаны.

Слушая землетрясения во времени и «цвете»

Для обучения ИИ команда сначала преобразует каждую записанную сигнализацию в некий цветной образ — спектрограмму, показывающую, как интенсивность разных частот изменяется во времени. Для разложения каждой волны на составляющие амплитуду (насколько сильна) и фазу (когда происходят особенности) используется коротковременное преобразование Фурье. Особый тип нейросети — динамический вариационный автоэнкодер — учится сжимать эти амплитудные спектрограммы в последовательность скрытых переменных, а затем восстанавливать их. Сопутствующий модуль использует географические координаты и параметры землетрясения, чтобы влиять на эту скрытую последовательность, так что модель естественно связывает паттерны тряски с тем, как распространяются волны и насколько велико событие. При генерации модель рисует новые скрытые последовательности, восстанавливает амплитудные спектрограммы, оценивает фазу и преобразует всё обратно в синтетические волновые формы.

Заполнение карты между редкими датчиками

После обучения CGM-GM можно спросить: «Если произойдёт землетрясение заданного размера и в заданном месте, какую тряску мы увидим по плотной сетке точек?» Авторы проверяют это, сгенерировав десять тысяч синтетических записей для подрегиона залива, а затем вычислив амплитудные спектры Фурье (мера частотно-зависимой силы тряски) в каждой точке. Получившиеся карты демонстрируют плавные, правдоподобные вариации: тряска обычно ослабевает с удалением от источника, меняется по направлению и усиливается в зонах с мягкими грунтами, например около Сан-Хосе и в илах залива Сан-Франциско. Важно, что пространственные паттерны выглядят гораздо реалистичнее, чем у более простой базовой модели ИИ, знающей только расстояние и глубину, и напоминают карты, полученные из продвинутой неэргодической эмпирической модели колебаний грунта, созданной сейсмологами.

Совпадение с реальными данными по форме и интенсивности

Команда проверяет выходы ИИ по нескольким критериям. В частотной области синтетические амплитудные спектры хорошо согласуются с наблюдениями в диапазоне 2–15 герц, который особенно важен для многих зданий. Во временной области сгенерированные волновые формы воспроизводят не только общую форму, но и пиковые скорости грунта и времена прихода P- и S-волн, определённые независимым алгоритмом пиков. Модель также может выдавать множество слегка различных версий тряски для одного и того же сценария, отражая естественную случайность землетрясений. Есть ограничения: очень низкие и очень высокие частоты сложнее точно подогнать, длительности колебаний для самых маленьких событий показывают большую разбросанность, а масштабирование на очень крупные землетрясения остаётся проблематичным без дополнительных данных для обучения.

Что это значит для людей и зданий

Для неспециалистов главное — эта ИИ-система может быстро генерировать реалистичные, учитывающие физику сценарии землетрясенных колебаний по всему городскому району, даже там, где нет датчиков и без запуска дорогих суперкомпьютерных симуляций. CGM-GM не заменяет детальные физические модели или тщательно откалиброванные эмпирические уравнения, но по качеству сопоставима с современными методами, при этом оставаясь гибкой и быстрой. С дальнейшей доработкой и большим объёмом данных такие генеративные модели могут стать практичным инструментом для исследования «что если» сценариев, улучшения карт опасности и помощи инженерам проектировать здания и инфраструктуру, лучше подготовленные к следующему сильному толчку.

Цитирование: 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

Ключевые слова: Колебания грунта при землетрясении, генеративный ИИ, сейсмическая опасность, залив Сан-Франциско, вариационный автоэнкодер