Новая модель глубокого обучения для преобразования деформации DAS в скорость частицы геофона: применение к данным PoroTomo с месторождения Брэди

Слушая землетрясения с помощью интернет-кабелей

А что если те же волоконно-оптические кабели, по которым идёт интернет-трафик, могли бы выступать в роли гигантских цепочек из тысяч сейсмических датчиков? Это исследование как раз изучает такую идею. Авторы показывают, как современная модель искусственного интеллекта может преобразовать сырые, трудноинтерпретируемые сигналы от волоконно-оптических кабелей в более привычные показания движения, используемые сейсмологами, что потенциально делает сейсмический мониторинг дешевле, плотнее и проще в развёртывании в суровых или загруженных средах.

Почему «волоконные уши» трудно понять

Distributed Acoustic Sensing (DAS) превращает обычные волоконно-оптические кабели в непрерывные линии датчиков, реагирующих на крошечные растяжения и сжатия в грунте. Вместо пары сотен отдельных приборов по полю DAS может предоставить тысячи точек измерения вдоль одного кабеля. Такая плотность — главное преимущество для отслеживания того, как сейсмические волны распространяются в Земле. Но есть оговорка: DAS измеряет деформацию кабеля, тогда как традиционные сейсмометры, называемые геофонами, регистрируют скорость движения грунта. Большинство существующих сейсмологических методов рассчитано на данные в формате геофонов, а не деформации. Деформация также усиливает мелкомасштабные неоднородности у поверхности, делая данные шумными и менее сопоставимыми между точками. Поэтому преобразование деформации DAS в движение, похожее на данные геофона, является необходимым, в то время как стандартные физические рецепты для такой конверсии часто требуют сильных допущений о поведении волн, геометрии кабеля и наличии со-локализованных эталонных датчиков.

Использование ИИ для перевода между двумя способами «слушать»

Исследователи разработали модель глубокого обучения, выступающую в роли переводчика между деформацией DAS и скоростью частицы геофона. Её обучали на данных эксперимента PoroTomo на геотермальном объекте Brady Hot Springs в Неваде, где вдоль 8,4-километрового зигзагообразного волоконного кабеля был развернут массив из 238 трёхкомпонентных геофонов. Для 112 мест, где геофоны лежали очень близко к кабелю, они сопоставили горизонтальную компоненту движения каждого геофона с десятью ближайшими каналами DAS. Модель, которая объединяет Fourier Neural Operator (чтобы улавливать пространственные закономерности вдоль кабеля), двунаправленную рекуррентную сеть (для понимания временной эволюции) и механизм внимания (чтобы фокусироваться на наиболее информативных частях сигнала), научилась предсказывать то, что бы записал геофон, опираясь только на входную деформацию DAS.

Насколько хорошо работает ИИ-переводчик

Чтобы оценить производительность, авторы сравнили формы волн, сгенерированные ИИ, с реальными данными геофонов, используя стандартные метрики ошибки и схожести. Они также проверили, как часто предсказания совпадают на множестве примеров. Гибридная архитектура явно превзошла более простую конструкцию без Фурье-компоненты: ошибки в среднем были примерно в двадцать раз меньше, а схожесть с истинными трассами геофонов оставалась стабильно высокой. В частотной области, где учёные анализируют, какие частоты вибрации присутствуют, скорости частиц, сгенерированные ИИ, близко соответствовали спектрам геофонов по всему интересующему диапазону для как P-волн, так и S-волн. Напротив, традиционный физический метод преобразования DAS согласовывался хорошо лишь на низких частотах, упуская важные детали на более высоких частотах, где поведение DAS сложнее.

Применение конвертированных данных на практике

Настоящая проверка — пригодны ли преобразованные сигналы для последующих задач. Команда применила технику пространственной фильтрации (beamforming), известную как MUSIC, которая использует массив датчиков для оценки направления прихода и видимой скорости сейсмических волн. Ранее на том же месте показали, что исходная скорость деформации DAS была слишком несогласованной для надёжного beamforming: волны выглядели размазанными, и результаты уступали узловому массиву геофонов. Новый ИИ-подход рассказывает иную историю. Когда авторы провели beamforming по ИИ-предсказанной скорости частиц вдоль кабеля, метод восстановил чёткую оценку обратного азимута и скорости волны — сопоставимую или даже немного превосходящую результаты геофонов и значительно лучше физико-ориентированного преобразования DAS. Улучшение связано как с большей пространственной плотностью каналов DAS, так и со способностью модели ИИ подавлять несогласованный шум, сохраняя при этом согласованное движение, важное для сейсмического анализа.

Что это значит для будущего мониторинга Земли

Для неспециалистов главный вывод таков: авторы создали умный переводчик, позволяющий плотным, гибким волоконно-оптическим кабелям говорить на том же языке, что и традиционные сейсмические приборы. Их модель ИИ не заменяет физику, но обучается на конкретном месте, захватывая сложные реальные факторы вроде сцепления кабеля с грунтом и локальных шумов. Хотя каждое новое развертывание всё ещё потребует короткого периода калибровки с несколькими со-локализованными геофонами, подход открывает возможность превращать существующие и будущие оптические сети в мощные, высокоразрешающие инструменты для мониторинга землетрясений, оценки опасностей и изображения недр. Со временем, по мере тестирования метода на большем числе площадок и событий, такие ИИ-ассистированные преобразования могут помочь принести детальную сейсмологическую аналитику в места, где традиционные развёртывания датчиков непрактичны или слишком дороги.

Цитирование: 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

Ключевые слова: распределённая акустическая съёмка, сейсмология, глубокое обучение, мониторинг землетрясений, волоконно-оптические датчики