Koşullu üretken modelleme yoluyla deprem zemin hareketlerini öğrenme

Gelecekteki depremlerin neden sallantısı önemli

Depremler, San Francisco Körfez Bölgesi’nden Japonya’ya kadar pek çok bölgede kaçınılmaz bir gerçektir. İnsanlar ve yapılar için asıl tehdit, depremin kendisi değil, yer yüzeyinde yarattığı sallantıdır. Mühendislerin ve planlamacıların, sensörlerin bulunduğu yerlerle sınırlı kalmadan birçok konumda zeminin ne kadar şiddetle hareket edebileceğine dair gerçekçi senaryolara ihtiyacı vardır. Bugünkü yöntemler ya yerel ayrıntıları kaçıran basitleştirilmiş istatistiklere dayanır ya da süper bilgisayarlar ve Dünya iç yapısının ayrıntılı bilgisini gerektiren ağır fiziksel simülasyonlara. Bu çalışma, geçmiş sallantılardan öğrenerek tüm bir bölgenin gelecekte nasıl sarsılabileceğini hızlıca hayal edebilen yeni bir yapay zeka (YZ) yaklaşımını tanıtıyor.

Sallantıyı hayal etmenin yeni bir yolu

Araştırmacılar, Koşullu Üretken Modelleme for Ground Motion (CGM-GM) adını verdikleri bir model sunuyor. Dalga fiziğinin denklemlerini doğrudan çözmek yerine CGM-GM, San Francisco Körfez Bölgesi’ndeki Hayward ve San Andreas fayları çevresinde kaydedilmiş binlerce küçük depremin örüntülerinden öğreniyor. Temel fikir “koşullu” üretim: YZ’ye bir olay hakkında—büyüklüğü, derinliği ve depremin ile sensörlerin haritadaki konumu gibi—temel bilgiler veriliyor ve model bu koşullara uygun olası zemin hareketi zaman serilerini üretiyor. Etkili olarak model, daha önce kaydedilmemiş konumlar ve depremler için nasıl bir sallantı olabileceğini doldurabilen akıllı bir simülatör gibi davranıyor.

Depremleri zaman ve renkte dinlemek

YZ’yi eğitmek için ekip, her kaydedilmiş sallantı sinyalini spektrogram adı verilen, farklı frekansların gücünün zaman içinde nasıl değiştiğini gösteren renkli bir resim türüne dönüştürüyor. Her dalga formunu genlik (ne kadar güçlü) ve faz (özelliklerin ne zaman ortaya çıktığı) olmak üzere ayırmak için Kısa Süreli Fourier Dönüşümü adlı bir araç kullanıyorlar. Dinamik bir varyasyonel otoenkoder olan özel bir sinir ağı türü, bu genlik spektrogramlarını gizli değişkenler dizisine sıkıştırmayı ve sonra yeniden inşa etmeyi öğreniyor. Bir yardımcı modül ise coğrafi koordinatları ve deprem özelliklerini bu gizli dizi üzerinde etkili kılarak modelin sallantı örüntülerini dalgaların izlediği yollar ve depremin büyüklüğüyle doğal şekilde ilişkilendirmesini sağlıyor. Üretim sırasında model yeni gizli diziler çizer, genlik spektrogramlarını yeniden yapılandırır, fazi tahmin eder ve her şeyi sentetik dalga formlarına geri çevirir.

Seyrek sensörler arasındaki haritayı doldurmak

Eğitildikten sonra CGM-GM’ye şu soru sorulabilir: “Belirli bir büyüklükte ve konumda bir deprem olursa, yoğun bir nokta ızgarası boyunca ne tür sallantılar görebiliriz?” Yazarlar bunu, Körfez Bölgesi’nin bir alt bölgesinde on bin sentetik kayıt üreterek ve ardından her noktada Fourier genlik spektrumlarını (frekansa bağlı sallantı şiddetinin bir ölçüsü) hesaplayarak test ediyorlar. Elde edilen haritalar pürüzsüz, gerçekçi değişimler gösteriyor: sallantı kaynağa uzaklaştıkça zayıflama eğiliminde, yönle değişiyor ve San Jose ile San Francisco Körfezi çamurları gibi yumuşak zeminleri olan alanlarda güçleniyor. Önemli olarak, mekânsal örüntüler sadece mesafe ve derinliği bilen daha basit bir temel YZ modeline kıyasla çok daha gerçekçi görünmekte ve sismologlar tarafından oluşturulmuş gelişmiş, non-ergodik ampirik zemin-hareketi modellerine benzemektedir.

Gerçek verilerle hem şekil hem şiddet açısından uyum

Ekip, YZ’nin çıktısını birkaç yolla gerçek kayıtlarla karşılaştırıyor. Frekans alanında, sentetik genlik spektrumları 2 ile 15 hertz arasındaki, pek çok bina için en önemli aralıkta gözlemlere iyi ölçüde uyuyor. Zaman alanında ise üretilen dalga formları yalnızca genel şekilleri değil, aynı zamanda bağımsız bir seçme algoritmasıyla belirlenen tepe yer hızı değerlerini ve P ile S dalgalarının varış zamanlarını da yeniden üretiyor. Model ayrıca aynı senaryo için birçok hafifçe farklı sallantı versiyonu üretebiliyor ve depremlerin doğal rastgeleliğini yakalıyor. Sınırlamalar mevcut: çok düşük ve çok yüksek frekansları mükemmel eşleştirmek daha zor, en küçük olaylar için sallantı süresi daha fazla saçılma gösteriyor ve çok büyük depremlere ölçeklendirme, ek eğitim verisi olmadan zor olmaya devam ediyor.

Bu durum insanlar ve yapılar için ne anlama geliyor

Uzman olmayanlar için sonuç şudur: Bu YZ çerçevesi, pahalı süper bilgisayar simülasyonları çalıştırmaya gerek kalmadan ve sensör olmayan yerlerde dahi bir kentsel bölge genelinde hızlıca gerçekçi, fiziğe duyarlı deprem sallantı senaryoları üretebilir. CGM-GM, ayrıntılı fizik tabanlı modellerin veya dikkatle kalibre edilmiş ampirik denklemlerin yerini almaz, ama esnek ve hızlı olmasının yanı sıra en gelişmiş yöntemlerle karşılaştırılabilir performans sergiler. Daha fazla geliştirme ve daha fazla veri ile bu tür üretken modeller, “ya olursa” deprem senaryolarını keşfetmek, tehlike haritalarını iyileştirmek ve mühendislerin bir sonraki büyük sallantıya daha iyi hazırlanmış binalar ve altyapı tasarlamasına yardımcı olmak için pratik araçlar haline gelebilir.

Atıf: Ren, P., Nakata, R., Lacour, M. et al. Learning earthquake ground motions via conditional generative modeling. Nat Commun 17, 4021 (2026). https://doi.org/10.1038/s41467-026-70719-2

Anahtar kelimeler: deprem zemin hareketi, üretken yapay zeka, sismik tehlike, San Francisco Körfez Bölgesi, varyasyonel otoenkoder