Нейронные сети с задержкой во времени выявляют процессы разрыва разлома, независимые от давления, в лабораторных акустических эмиссиях

Слушая породы до их разрушения

Землетрясения могут казаться внезапными, но задолго до того, как разлом резко соскользнёт, в глубине формируются и растут бесчисленные крошечные трещины. В лаборатории эти миниатюрные «камне­землетрясения» испускают высокочастотные звуки, которые можно записать и проанализировать. В этом исследовании показано, как простой тип искусственного интеллекта способен «слушать» эти звуки и выявлять общую трёхстадийную схему роста разлома, которая во многом не зависит от давления, сжимающего породу — потенциальный шаг к лучшему пониманию того, как накапливаются большие землетрясения.

Как крошечные трещины рассказывают большие истории

Когда кусок гранита сжимают до отказа, он не рассыпается мгновенно. Сначала повсюду возникают мелкие трещины; затем они начинают упорядочиваться, и, наконец, соединяются в сквозной разлом. Каждая микротрещина испускает короткий звуковой импульс — акустическую эмиссию — которая несёт информацию о месте возникновения и о пути распространения волны. Записывая тысячи таких сигналов с датчиков вокруг образца, исследователи могут отслеживать, как распространяется повреждение, как оно группируется и в итоге фокусируется в одну трещину, подражающую природному разлому.

Превращение звуков породы в простой ИИ

Чтобы интерпретировать эту акустическую «болтовню», авторы использовали временную нейронную сеть с задержкой — упрощённую форму машинного обучения, хорошо подходящую для коротких временных рядов. Вместо того чтобы нагружать модель всем возможным набором чисел, они тщательно выбрали небольшое число признаков с понятным физическим смыслом. Одни описывают, как выглядит каждая волна при распространении через породу — например, насколько сильно она рассеяна или как долго достигает пика. Другие суммируют, когда и где происходят события: как часто они повторяются, как распределены их размеры и насколько компактны их источники в пространстве. Вместе эти признаки дают многогранную картину того, как внутреннее строение породы развивается в процессе нагружения.

Рост разлома выглядит одинаково при разных давлениях

Команда испытала четыре цилиндра из гранита при условиях окружающего давления от относительно низкого до умеренно высокого, что приводило к разным видимым стилям разрушения — от вертикального разрыва образца до скольжения по наклонной сдвиговой плоскости. Они обучили сеть предсказывать изменения напряжения и деформации (искривления породы) по времени, используя акустические признаки в качестве входов, при этом для проверки всегда исключали один из случаев давления. Несмотря на небольшой объём данных, модель успешно воспроизводила накопление и сброс напряжения и деформации при всех давлениях и режимах разрушения, включая основное падение напряжения при отказе. Это перекрёстное тестирование показало, что ключевые акустические закономерности, отслеживающие развитие разлома, в значительной степени не зависят от величины окружавшего породу давления.

Выявлены три скрытые стадии

Поскольку сеть с задержкой во времени относительно проста, авторы могли отследить, на какие признаки модель опирается сильнее всего на каждой стадии нагружения. Выявилась явная трёхфазная картина. На ранней «нуклеационной» стадии, когда трещины разбросаны и изолированы, доминируют статистики подсчёта и размеров событий: как часто возникают эмиссии и как распределены их величины. По мере перехода к стадии «взаимодействия» растёт важность пространственной кластеризации событий, что сигнализирует о том, что трещины начинают влиять друг на друга и формируют сети. Ближе к отказу, на стадии «коалесценции», модель переключает внимание на метрические признаки формы волн — например, увеличенное рассеяние и быстрые изменения задержки пика, — отражающие среду, ставшую сильно разрушенной и направляющую энергию волн вдоль возникающего разлома.

Почему это важно за пределами лаборатории

Исследование указывает, что многие аспекты роста разлома — от разбросанных трещин до организованного разрыва — следуют общему шаблону, который слабо зависит от условий давления, по крайней мере для этого гранита. Если подобные акустические признаки удастся выделить из микро­землетрясений или активных сейсмических съёмок в полевых условиях, аналогичная схема могла бы помочь определить, в какой фазе находится природный разлом и не переходит ли он к стадии коалесценции. Хотя масштабирование от образцов сантиметрового размера до разломов корового масштаба остаётся сложной задачей, работа демонстрирует, что относительно прозрачные инструменты машинного обучения могут связать лабораторные наблюдения и мониторинг в реальном мире, предлагая более физически обоснованный способ «слушать» тонкие сигналы, предшествующие крупным землетрясениям.

Цитирование: King, T., Vinciguerra, S.C. Time delay neural networks reveal pressure-independent fault rupture processes in laboratory acoustic emission. Commun Earth Environ 7, 338 (2026). https://doi.org/10.1038/s43247-025-03003-8

Ключевые слова: предвестники землетрясений, акустические эмиссии, механика разломов, машинное обучение в геонауках, эксперименты по разрушению породы