En ny djupinlärningsmodell för att konvertera DAS-deformation till geofonpartikelhastighet: tillämpning på PoroTomo-data från Brady-geotermiska fältet

Lyssna på jordbävningar med internetliknande kablar

Tänk om samma typ av fiberoptiska kablar som bär vår internettrafik också kunde fungera som jättelika rader av tusentals jordbävningssensorer? Denna studie undersöker just den idén. Författarna visar hur en modern artificiell intelligens (AI)-modell kan omvandla de råa, svårtolkade signalerna från fiberkablar till de mer bekanta rörelsemätningarna som seismologer använder, vilket potentiellt kan göra seismisk övervakning billigare, tätare och lättare att sätta upp i krävande eller trånga miljöer.

Varför fiberoptiska "öron" är svåra att tolka

Distributed Acoustic Sensing (DAS) förvandlar vanliga fiberkablar till kontinuerliga sensorrader som reagerar på mycket små uttänjningar och kompressioner i marken. Istället för ett par hundra fristående instrument över ett fält kan DAS ge tusentals mätpunkter längs en enda kabel. Denna täthet är en stor fördel för att följa hur seismiska vågor rör sig genom jorden. Men det finns en svårighet: DAS mäter kabelns deformation (strain), medan traditionella seismometrar, kallade geofoner, registrerar hur snabbt marken rör sig. De flesta befintliga seismologiska metoder är utformade för geofonliknande rörelser, inte för deformation. Deformation förstärker dessutom småskaliga oregelbundenheter nära ytan, vilket gör data brusigare och mindre jämna från plats till plats. Att konvertera DAS-deformation till geofonliknande markrörelser är därför avgörande, men standardrecept baserade på fysik kräver ofta starka antaganden om vågbeteende, kabelgeometri och närvaro av samlokaliserade referenssensorer.

Använda AI för att översätta mellan två sätt att höra

Forskarna utvecklade en djupinlärningsmodell som fungerar som en översättare mellan DAS-deformation och geofonpartikelhastighet. De tränade den på data från PoroTomo-experimentet vid Brady Hot Springs-geotermiska fält i Nevada, där en 8,4 kilometer lång zigzag-fiberkabel placerades intill ett rutnät med 238 trefaldiga geofoner. För 112 lägen där geofoner låg mycket nära kabeln parade de ihop varje geofons horisontella rörelsespår med de tio närmaste DAS-kanalerna. Modellen, som kombinerar en Fourier Neural Operator (för att fånga rumsliga mönster längs kabeln), ett bidirektionellt återkommande nätverk (för att förstå tidutvecklingen) och en attention-mekanism (för att fokusera på de mest informativa delarna av varje signal), lärde sig att förutsäga vad geofonen skulle ha registrerat enbart baserat på DAS-deformationsinmatningen.

Hur väl fungerar AI-översättaren

För att bedöma prestanda jämförde författarna de AI-genererade vågformerna med de faktiska geofondata med hjälp av standardmått för fel och likhet. De kontrollerade också hur ofta förutsägelserna stämde över många exempel. Den hybridarkitektur som användes överträffade tydligt en enklare design som utelämnade Fourier-komponenten: felen var i genomsnitt ungefär tjugo gånger mindre, och likheten med verkliga geofonspår var konsekvent mycket hög. I frekvensdomänen, där forskare analyserar vilka frekvenser av vibration som finns, matchade de AI-producerade partikelhastigheterna geofonspektret väl över hela det intressanta frekvensområdet för både P-vågor och S-vågor. Till skillnad från detta överensstämde en konventionell fysikbaserad konversionsmetod bara väl vid låga frekvenser och missade viktiga detaljer vid högre frekvenser där DAS-beteendet är mer komplicerat.

Användning av de konverterade data

Det verkliga testet är om de konverterade signalerna är användbara för efterföljande uppgifter. Teamet tillämpade en beamformingteknik, känd som MUSIC, som använder ett sensorfält för att uppskatta riktningen och den skenbara hastigheten hos inkommande seismiska vågor. Tidigare arbete på samma plats visade att rå DAS-deformationshastighet var för okoordinerad för pålitlig beamforming: vågorna såg ut att vara utsmetade och resultaten var dåliga jämfört med den nodala geofonarrayen. Den nya AI-baserade konversionen ger en annan bild. När författarna körde beamforming på den AI-förutsagda partikelhastigheten längs kabeln återfann metoden en skarp uppskattning av jordbävningens backazimut och våghastighet—vilket matchade eller till och med förbättrade geofonernas prestanda och överträffade den fysikbaserade DAS-konversionen. Förbättringen kommer både från den högre rumsliga tätheten hos DAS-kanalerna och från AI-modellens förmåga att undertrycka okohärent brus samtidigt som den bevarar den koherenta rörelse som är viktig för seismisk analys.

Vad detta betyder för framtida övervakning av jorden

För icke-specialister är huvudslutsatsen att författarna har byggt en smart översättare som låter täta, flexibla fiberoptiska kablar tala samma språk som konventionella seismiska instrument. Deras AI-modell ersätter inte fysiken, men den lär sig en platsspecifik avbildning som fångar röriga verkliga faktorer som kabel-mark-koppling och lokalt brus. Även om varje ny installation fortfarande kommer att behöva en kort kalibreringsperiod med ett fåtal samlokaliserade geofoner öppnar tillvägagångssättet möjligheten att göra befintliga och framtida fibernät till kraftfulla, högupplösta verktyg för jordbävningsövervakning, riskbedömning och underjordsavbildning. Med tiden, när metoden testas på fler platser och fler händelser, skulle sådana AI-assisterade konversioner kunna hjälpa till att föra detaljerad seismologisk analys till platser där traditionell sensortillförsel är opraktisk eller för kostsam.

Citering: 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

Nyckelord: distributed acoustic sensing, seismology, deep learning, earthquake monitoring, fiber-optic sensors