Коррекция ошибок от вибрации при абсолютном измерении силы тяжести с помощью BP-нейронной сети

Почему небольшие колебания имеют значение

Даже когда мы стоим совершенно неподвижно, земля под нами никогда не бывает полностью спокойной. Волны от океана, проезжающие грузовики, отдалённые землетрясения и даже ветер заставляют поверхность Земли дрожать. Для большинства из нас эти движения остаются незамеченными. Но для учёных, стремящихся очень точно измерить притяжение нашей планеты, такие крошечные колебания способны полностью исказить картину. В этом исследовании предложен интеллектуальный программный метод — с использованием типа искусственного интеллекта, называемого нейронной сетью — чтобы отфильтровать эти нежелательные дрожания и уточнить измерения гравитации до нескольких частей на миллиард.

Взвешивание Земли падающими объектами

Современные «абсолютные гравиметры» измеряют силу тяжести, засечая, с какой скоростью небольшой объект падает в контролируемой камере. Лазер отслеживает положение объекта во время падения, формируя подробную траекторию, по которой можно вычислить локальную величину гравитации. Приборы вроде широко используемого гравиметра FG5‑X уже достигают поразительной точности, достаточной для обнаружения тонких изменений в коре Земли или для проверки фундаментальной физики. Однако эти измерения чрезвычайно чувствительны к вибрациям опорного зеркала устройства и окружающей конструкции. Когда грунт движется, лазерный сигнал дрожит, смещая момент, когда прибор фиксирует прохождение падающего объекта через ключевые точки. Эти крошечные сдвиги во времени напрямую превращаются в ошибки при расчёте значения гравитации.

Как движение грунта искажает падение

Авторы сначала создали математические и компьютерные модели, чтобы точно понять, как различные типы вибраций — медленные дрейфы, криволинейные качания и быстрые колебания — искажают лазерный сигнал. Они показали, что каждая модель вибрации оставляет характерный отпечаток в ошибках временных отсчётов траектории падающего объекта. Важно, что эти ошибки не просто накапливаются со временем; вместо этого ошибка в каждый момент сильно связана с вибрацией в этот же момент. Это означает, что если вибрационный сигнал известен достаточно точно, в принципе можно восстановить и отменить вызванные им временные искажения. Сложность в том, что зависимость между сырыми показаниями вибрации и получающимися временными ошибками является сильно нелинейной и слишком сложной для простых формул.

Обучение нейронной сети отменять шум

Чтобы решить эту задачу, команда обратилась к обратнораспространяющей ошибку (BP) нейронной сети — распространённой модели машинного обучения, отлично справляющейся с изучением сложных входно‑выходных зависимостей. Они сгенерировали 100 000 смоделированных примеров измерений гравитации, каждый из которых сочетал идеальный сигнал свободного падения с реалистичными профилями вибрации, охватывающими спокойные лаборатории, типичные полевые точки и шумные условия. Для каждого случая вычисляли точную временную ошибку, вызванную вибрацией. Нейронную сеть обучали принимать измеренную форму волны вибрации (плюс временную информацию) на вход и выдавать соответствующее временное исправление на выходе. Чтобы ускорить и стабилизировать процесс обучения, авторы заменили традиционный метод тренировок алгоритмом оптимизации Adam, который адаптивно регулирует силу обновления внутренних весов сети. Такое сочетание позволило модели быстрее сходиться и предсказывать временные ошибки с чрезвычайно малыми средними погрешностями.

От компьютерных тестов к реальным гравиметрическим точкам

После подтверждения метода в симуляциях исследователи протестировали его на собственном компактном лазерном гравиметре Tide‑010 в трёх существенно разных точках поблизости от Пекина: в тихом подземном национальном эталонном пункте, на первом этаже офисного здания и в горной местности с рыхлыми грунтами и сильными внешними вибрациями. В каждом месте они записывали как интерференционный лазерный сигнал, так и движение опорной точки с помощью чувствительного акселерометра. Сырые данные сначала фильтровали, чтобы удалить шум очень высокой частоты, затем подавали в обученную нейронную сеть, которая выдавала скорректированные временные координаты для падающего объекта. По этим скорректированным траекториям команда заново вычисляла величину гравитации и сравнивала разброс и систематическое смещение результатов с теми, что получались при традиционной «прямой» подгонке. Во всех испытаниях нейронная сеть сократила случайный разброс в показаниях гравитации примерно на 80–85% и держала средние ошибки очень близко к нулю.

Более чёткие измерения гравитации и их значение

Для непрофессионала главный вывод в том, что этот подход с поддержкой ИИ позволяет гравиметру «услышать» колебания грунта и затем математически вычесть их влияние, подобно тому как наушники с шумоподавлением устраняют фоновые гулы из вашей музыки. В спокойных подземных условиях и в обычном здании откорректированные измерения сопоставимы или даже превосходят по качеству результаты лучших коммерческих приборов, достигая точности примерно в один‑два микрогала — миллионную часть ускорения свободного падения. Даже в шумной горной обстановке метод удерживает ошибки примерно на уровне трёх микрогал. Такое улучшение не требует громоздкого нового оборудования; оно в основном опирается на более умную обработку данных. В результате техника может помочь странам создавать собственные высокоточные гравиметры, улучшить мониторинг землетрясений и вулканов и обеспечить более точные проверки фундаментальной физики — всё за счёт обучения приборов видеть сквозь постоянные, тонкие дрожания Земли.

Цитирование: 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

Ключевые слова: измерение силы тяжести, колебания грунта, нейронные сети, точная геофизика, коррекция сигнала