BP sinir ağı kullanılarak mutlak yerçekimi ölçümünde titreşim hatası düzeltmesi

Neden küçük sallantılar önemlidir

Mükemmel biçimde sabit durduğumuzda bile, altında durduğumuz zemin hiçbir zaman gerçekten hareketsiz değildir. Okyanus dalgaları, geçen kamyonlar, uzak depremler ve hatta rüzgâr Dünya yüzeyini titreştirir. Çoğumuz için bu hareketler fark edilmez. Ancak gezegenimizin çekimini son derece hassas şekilde ölçmeye çalışan bilim insanları için bu küçük sallantılar ölçümü tamamen bulanıklaştırabilir. Bu çalışma, sinir ağı adı verilen bir yapay zeka türünü kullanarak bu istenmeyen titremeleri yazılım yoluyla iptal eden ve yerçekimi ölçümlerini milyarda birkaç parçaya kadar hassaslaştıran akıllı bir yöntemi tanıtıyor.

Düşen cisimlerle Dünya’yı tartmak

Modern “mutlak gravimetreler”, kontrollü bir haznede küçük bir cismin ne kadar hızlı düştüğünü zamanlayarak yerçekimini ölçer. Bir lazer, düşen cismin konumunu izleyerek ayrıntılı bir yörünge oluşturur ve buradan yerel yerçekimi kuvveti hesaplanır. Yaygın olarak kullanılan FG5‑X gibi aletler zaten etkileyici bir hassasiyete ulaşabiliyor; yerkabuğundaki ince değişiklikleri tespit etmek veya temel fiziği test etmek için yeterli hassasiyete sahiptirler. Bununla birlikte, bu ölçümler cihazın referans aynasının ve çevre yapısının titreşimlerine karşı son derece duyarlıdır. Zemin hareket ettiğinde lazer sinyali sallanır ve aletin düşen cismin kritik noktalardan geçtiğini düşündüğü anların kaymasına yol açar. Bu küçük zaman kaymaları, hesaplanan yerçekimi değerinde doğrudan hatalara dönüşür.

Zemin hareketi düşüşü nasıl bozar

Yazarlar önce farklı titreşim türlerinin—yavaş sürüklenmelerin, eğimli salınımların ve hızlı titreşimlerin—lazer sinyalini tam olarak nasıl bozduğunu anlamak için matematiksel ve bilgisayar modelleri oluşturdu. Her titreşim deseninin düşen cismin yolculuğundaki zamanlama hatalarında kendine özgü bir iz bıraktığını gösterdiler. Önemli olarak, bu hatalar basitçe zaman içinde birikmez; bunun yerine her anın hatası o andaki titreşimle yakından ilişkilidir. Bu, titreşim sinyalini yeterince iyi bilirseniz, teoride neden olduğu zamanlama hatalarını yeniden oluşturup geri alabileceğiniz anlamına gelir. Zorluk ise ham titreşim okuması ile ortaya çıkan zamanlama hatası arasındaki ilişkinin oldukça doğrusal olmayan ve basit formüllerle yakalanamayacak kadar karmaşık olmasıdır.

Gürültüyü geri almak için bir sinir ağı eğitmek

Buna çözüm olarak ekip, karmaşık giriş–çıkış ilişkilerini öğrenmede başarılı olan yaygın bir makine öğrenimi modeli olan geri yayılımlı (BP) sinir ağına döndü. Sessiz laboratuvarlardan tipik saha noktalarına ve gürültülü ortamlara kadar gerçekçi titreşim örüntülerini içeren ideal serbest düşme sinyaliyle birleştirilmiş 100.000 simüle edilmiş yerçekimi ölçümü örneği ürettiler. Her durum için titreşimin neden olduğu kesin zamanlama hatasını hesapladılar. Sinir ağı daha sonra ölçülen titreşim dalga biçimini (artı zamanlama bilgisini) girdi olarak alıp karşılık gelen zamanlama düzeltmesini çıktı olarak vermeyi öğrenecek şekilde eğitildi. Öğrenme sürecini hızlandırmak ve kararlı hale getirmek için yazarlar geleneksel eğitim yönteminin yerine ağın iç ağırlıklarını uyarlamalı olarak ayarlayan Adam optimizasyon algoritmasını kullandılar. Bu kombinasyon modelin daha hızlı yakınsamasına ve zamanlama hatalarını son derece küçük ortalama hatalarla tahmin etmesine olanak sağladı.

Bilgisayar testlerinden gerçek dünya yerçekimi noktalarına

Yöntemi simülasyonlarda doğruladıktan sonra araştırmacılar, kendi kompakt lazer gravimetreleri Tide‑010 ile Pekin yakınlarında üç çok farklı noktada test ettiler: sessiz bir yeraltı ulusal yerçekimi benchmarkı, zemin kat bir ofis ve gevşek topraklı, güçlü çevresel titreşimlerin olduğu bir dağlık bölge. Her konumda hem lazer girişim sinyalini hem de referans noktasının hareketini hassas bir ivmeölçerle kaydettiler. Ham veriler önce çok yüksek frekanslı gürültüyü kaldırmak için filtrelendi, sonra eğitilmiş sinir ağına beslenerek düşen cismin düzeltilmiş zaman koordinatlarını üretti. Bu düzeltilmiş yörüngeler kullanılarak ekip yerçekimini yeniden hesapladı ve sonuçların dağılımını ile konvansiyonel “doğrudan” uyumdan elde edilen sapma ve yanlılığı karşılaştırdı. Genel olarak sinir ağı yerçekimi okumalarındaki rastgele saçılmayı yaklaşık %80–85 oranında azalttı ve ortalama hataları sıfıra çok yakın tuttu.

Daha keskin yerçekimi okumaları ve bunların anlamı

Bir düz insan için ana sonuç, bu yapay zeka destekli yaklaşımın bir gravimetrenin zeminin sallanmasını “dinlemesine” ve ardından matematiksel olarak etkisini çıkarmasına izin vermesidir; tıpkı gürültü giderici kulaklıkların arka plan uğultusunu müziğinizden kaldırması gibi. Sessiz yeraltı koşullarında ve sıradan bir binada düzeltilmiş ölçümler en iyi ticari cihazların performansına eşdeğer veya onlardan daha iyi çıktı ve yaklaşık bir ila iki mikrogal doğruluklara ulaştı—bu, yerçekiminden hissettiğimiz ivmenin milyonda birine tekabül eder. Gürültülü bir dağ ortamında bile yöntem hataları yaklaşık üç mikrogal civarında tuttu. Bu iyileşme hantal yeni donanımlar gerektirmiyor; ağırlıklı olarak daha akıllı veri işleme ile sağlanıyor. Sonuç olarak, teknik kendi yüksek hassasiyetli gravimetrelerini geliştirmelerine yardımcı olabilir, depremler ve volkanların daha iyi izlenmesini destekleyebilir ve temel fiziğin daha doğru testlerini mümkün kılabilir; tüm bunlar cihazların Dünya’nın sürekli, ince titreşimlerini görmesini sağlayarak elde edilir.

Atıf: 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

Anahtar kelimeler: yerçekimi ölçümü, zemin titreşimi, sinir ağları, yüksek doğruluklu jeofizik, sinyal düzeltme