DAS gerilimini geofon parçacık hızına dönüştürmek için yeni bir derin öğrenme modeli: Brady jeotermal sahasından PoroTomo verilerine uygulama

İnternet-Tarzı Kablolarla Depremleri Dinlemek

Aynı fiber optik kablolar ki internet trafiğimizi taşıyorlar, aynı zamanda binlerce deprem sensöründen oluşan dev diziler olarak da kullanılabilseydi ne olurdu? Bu çalışma tam olarak bu fikri araştırıyor. Yazarlar, fiber optik kabloların ürettiği ham, yorumlaması zor sinyalleri sismologların alışkın olduğu hareket ölçümlerine dönüştürebilen modern bir yapay zeka (YZ) modelinin nasıl çalıştığını gösteriyor; bu da sismik izlemenin daha ucuz, daha yoğun ve zorlu ya da kalabalık ortamlarda daha kolay konuşlandırılabilir hale gelmesini sağlayabilir.

Fiber Optik Kulakların Anlaşılmasının Zorluğu

Dağıtık Akustik Algılama (DAS), sıradan fiber optik kabloları zemindeki çok küçük gerilmeler ve sıkışmalarla tepki veren sürekli sensör hatlarına dönüştürür. Bir tarlaya serpiştirilmiş birkaç yüz bağımsız enstrüman yerine, DAS tek bir kablo boyunca binlerce ölçüm noktası sağlayabilir. Bu yoğunluk, sismik dalgaların yeryüzünde nasıl yayıldığını izlemek için büyük bir avantajdır. Ancak bir sorun vardır: DAS kablodaki gerilimi ölçerken, geleneksel seismometreler yani geofonlar zeminin ne kadar hızlı hareket ettiğini kaydeder. Mevcut sismoloji yöntemlerinin çoğu geofon tarzı hareket verilerine göre geliştirilmiştir, gerilime göre değil. Ayrıca gerilim yüzeye yakın küçük ölçekli düzensizlikleri abartır; bu da veriyi gürültülü ve yer yer tutarsız kılar. Bu nedenle DAS gerilimini geofon benzeri yer hareketine dönüştürmek elzemdir, ama fizik temelli standart dönüşümler genellikle dalga davranışı, kablo geometrisi ve eşzamanlı referans sensörlerin varlığı hakkında güçlü varsayımlar gerektirir.

İki Dinleme Yöntemi Arasında Çeviri İçin YZ Kullanmak

Araştırmacılar DAS gerilimi ile geofon parçacık hızı arasında bir çevirmen işlevi gören bir derin öğrenme modeli geliştirdiler. Modeli Nevada’daki Brady Hot Springs jeotermal sahasında yürütülen PoroTomo deneyinden gelen verilerle eğittiler; burada 8.4 kilometrelik zikzak bir fiber optik kablo 238 adet üç bileşenli geofondan oluşan bir ızgara boyunca döşenmişti. Geofonların kabloya çok yakın olduğu 112 konum için her bir geofonun yatay hareket izi ile en yakın on DAS kanalı eşleştirildi. Fourier Neural Operator (kablo boyunca mekânsal desenleri yakalamak için), iki yönlü tekrarlayan ağ (zaman evrimini anlamak için) ve dikkat mekanizması (her bir sinyalin en bilgilendirici kısımlarına odaklanmak için) bileşenlerini birleştiren model, yalnızca DAS gerilimi girdisine dayanarak geofonun ne kaydedeceğini tahmin etmeyi öğrendi.

YZ Çevirmeninin Başarımı Ne Kadar İyi

Performansı değerlendirmek için yazarlar, YZ tarafından üretilen dalga formlarını standart hata ve benzerlik ölçüleri kullanarak gerçek geofon verileriyle karşılaştırdılar. Ayrıca tahminlerin birçok örnek arasında ne sıklıkla uyuştuğunu kontrol ettiler. Hibrit mimari, Fourier bileşeni çıkarılmış daha basit bir tasarıma kıyasla açıkça daha iyi performans gösterdi: ortalama hatalar kabaca yirmi kat daha küçüktü ve gerçek geofon izlerine olan benzerlik tutarlı biçimde çok yüksekti. Bilim insanlarının hangi titreşim frekanslarının mevcut olduğunu incelediği frekans alanında, YZ tarafından üretilen parçacık hızları hem P-dalgaları hem de S-dalgaları için ilgi duyulan tam frekans aralığında geofon spekstralarına yakın şekilde eşleşti. Buna karşılık, geleneksel fizik-temelli bir dönüşüm yöntemi yalnızca düşük frekanslarda iyi uyum sağladı ve DAS davranışının daha karmaşık olduğu daha yüksek frekanslardaki önemli ayrıntıları kaçırdı.

Dönüştürülmüş Verileri Kullanıma Sokmak

Gerçek sınav, dönüştürülmüş sinyallerin sonraki görevler için gerçekten yararlı olup olmadığıdır. Ekip, gelen sismik dalgaların yönünü ve görünür hızını tahmin etmek için sensör dizisini kullanan MUSIC adı verilen bir ışın oluşturma (beamforming) tekniğini uyguladı. Aynı sahada yapılan önceki çalışmada ham DAS gerilim hızının güvenilir beamforming için çok tutarsız olduğu; dalgaların bulanık göründüğü ve sonuçların nodal geofon dizisine kıyasla zayıf olduğu gösterilmişti. Yeni YZ tabanlı dönüşüm ise farklı bir tablo sunuyor. Yazarlar kablo boyunca YZ tarafından tahmin edilen parçacık hızında beamforming yaptıklarında, yöntem depremin arka azimutunu ve dalga hızını keskin biçimde geri kazandı—geofonların performansına eşdeğer veya biraz daha iyi sonuçlar verdi ve fizik-temelli DAS dönüşümünü geride bıraktı. Bu iyileşme hem DAS kanallarının daha yüksek mekânsal yoğunluğundan hem de YZ modelinin tutarsız gürültüyü bastırırken sismik analiz için önemli olan tutarlı hareketi koruma yeteneğinden kaynaklanıyor.

Geleceğin Dünya İzlemesi İçin Anlamı

Uzman olmayanlar için ana çıkarım, yazarların yoğun, esnek fiber optik kabloların geleneksel sismik enstrümanlarla aynı dili konuşmasını sağlayan akıllı bir çevirmen inşa etmiş olmalarıdır. YZ modelleri fiziğin yerini almaz, fakat kablo-zemin bağlantısı ve yerel gürültü gibi karmaşık gerçek dünya faktörlerini yakalayan site-özgü bir eşleştirme öğrenir. Her yeni kuruluma hâlâ birkaç eşzamanlı geofonla kısa bir kalibrasyon dönemi gerekecek olsa da, bu yaklaşım mevcut ve gelecekteki fiber ağlarını deprem izleme, tehlike değerlendirmesi ve yeraltı görüntülemesi için güçlü, yüksek çözünürlüklü araçlara dönüştürme olanağını açıyor. Yöntem daha fazla sahada ve daha çok olayda test edildikçe, bu YZ destekli dönüşümler geleneksel sensör yerleşimlerinin pratik olmadığı veya çok pahalı olduğu yerlere ayrıntılı sismolojik analiz getirmeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: dağıtık akustik algılama, sismoloji, derin öğrenme, deprem izleme, fiber optik sensörler