Vibrationsfelkorrigering i absolut gravitationsmätning med BP-neuralt nätverk

Varför små skakningar spelar roll

Även när vi står helt stilla är marken under oss aldrig helt i vila. Vågor från haven, passerande lastbilar, avlägsna jordbävningar och till och med vind gör att jordytan darrar. För de flesta av oss går dessa rörelser obemärkt förbi. Men för forskare som vill mäta planetens dragningskraft med extrem precision kan sådana små skakningar helt urvattna bilden. I denna studie presenteras en smart, mjukvarubaserad metod – med hjälp av en typ av artificiell intelligens kallad ett neuralt nätverk – för att avlägsna dessa oönskade skakningar och förfina gravitationsmätningar ner till några delar per miljard.

Vägning av jorden med fallande föremål

Moderna ”absoluta gravimetrar” mäter gravitation genom att tidsbestämma hur snabbt ett litet föremål faller i en kontrollerad kammare. En laser följer föremålets position när det faller och bygger upp en detaljerad bana från vilken den lokala gravitationsstyrkan kan beräknas. Instrument som den mycket använda FG5‑X-gravimetern når redan häpnadsväckande precision, tillräckligt för att upptäcka subtila förändringar i jordskorpan eller hjälpa till att testa grundläggande fysik. Dessa mätningar är dock extremt känsliga för vibrationer i instrumentets referensspegel och kringliggande konstruktion. När marken rör sig svajar lasersignalen och förskjuter de exakta ögonblick då instrumentet bedömer att det fallande föremålet passerar nyckelpunkter. Dessa små tidsförskjutningar översätts direkt till fel i det beräknade gravitationsvärdet.

Hur markrörelser förvränger fallet

Författarna byggde först matematiska och datorbaserade modeller för att förstå exakt hur olika typer av vibrationer – långsamma drifter, böljande svängningar och snabba oscillationer – förvränger lasersignalen. De visade att varje vibrationsmönster lämnar ett distinkt fingeravtryck i tidsfelen hos det fallande föremålets bana. Viktigt är att dessa fel inte bara ackumuleras över tid; istället är varje ögonblicks fel nära kopplat till vibrationerna vid samma tidpunkt. Det innebär att om man känner vibrationssignalen tillräckligt väl kan man i princip rekonstruera och ångra de tidsfel den orsakar. Utmaningen är att sambandet mellan råa vibrationsavläsningar och de resulterande tidsfelen är starkt icke-linjärt och för komplext för att fånga med enkla formler.

Att lära ett neuralt nätverk att ta bort bruset

För att tackla detta vände sig gruppen till ett backpropagation (BP) neuralt nätverk, en vanlig maskininlärningsmodell som är utmärkt på att lära sig komplicerade in-/utförhållanden. De genererade 100 000 simulerade exempel på gravitationsmätningar, där varje exempel kombinerade en ideal fri-fall-signal med realistiska vibrationsmönster som täckte tysta laboratorier, typiska fältplatser och bullriga miljöer. För varje fall beräknade de det exakta tidsfelet som vibrationerna orsakade. Det neurala nätverket tränades sedan att ta den uppmätta vibrationsvågformen (plus tidsinformation) som indata och ge motsvarande tidskorrigering som utdata. För att påskynda och stabilisera inlärningsprocessen ersatte författarna den traditionella träningsmetoden med Adam-optimeringsalgoritmen, som adaptivt justerar hur kraftigt nätverket uppdaterar sina interna vikter. Denna kombination gjorde att modellen konvergerade snabbare och förutspådde tidsfel med mycket små genomsnittliga avvikelser.

Från datorprov till verkliga gravitationspunkter

Efter att ha bekräftat metoden i simuleringar testade forskarna den med sin egen kompakta laservgravimeter, Tide‑010, på tre mycket olika platser nära Peking: ett tyst underjordiskt nationellt gravitionsreferensmärke, en markplanskontor och ett bergsområde med löst jordlager och starka miljövibrationer. På varje plats registrerade de både laserinterferenssignalen och referenspunktsrörelsen med en känslig accelerometer. Rådata filtrerades först för att ta bort mycket högfrekvent brus och matades sedan in i det tränade neurala nätverket, som producerade korrigerade tidskoordinater för det fallande föremålet. Med dessa korrigerade banor beräknade teamet om gravitationen och jämförde spridning och bias i resultaten med dem från konventionell ”direkt” passning. Överlag minskade det neurala nätverket den slumpmässiga spridningen i gravitationsmätningarna med ungefär 80–85 % och höll genomsnittsfelen mycket nära noll.

Skarpare gravitationsavläsningar och vad de innebär

För en lekman är huvudresultatet att detta AI-stödda förfarande låter en gravimeter ”lyssna” på markens skakningar och sedan matematiskt subtrahera dess effekt, ungefär som brusreducerande hörlurar tar bort bakgrundsbrum från din musik. I tysta underjordiska förhållanden och i en vanlig byggnad matchade eller överträffade de korrigerade mätningarna prestandan hos de bästa kommersiella instrumenten, med noggrannheter på omkring en till två mikrogal – en miljondel av den acceleration vi känner från gravitationen. Även i en bullrig bergsmiljö höll metoden fortfarande felen runt cirka tre mikrogal. Denna förbättring kräver ingen skrymmande ny hårdvara; den bygger främst på smartare databehandling. Som en följd skulle tekniken kunna hjälpa länder att utveckla egna högprecisionsgravimetrar, stödja bättre övervakning av jordbävningar och vulkaner och möjliggöra mer exakta tester av grundläggande fysik, allt genom att lära instrument att se igenom jordens ständiga, subtila darrning.

Citering: 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

Nyckelord: gravitationsmätning, markvibration, neurala nätverk, precisionsgeofysik, signalkorrigering