Zaman gecikmeli sinir ağları, laboratuvar akustik emisyonunda basınca bağımlı olmayan fay kırılma süreçlerini ortaya çıkarıyor

Kırılmadan Önce Kayaları Dinlemek

Depremler aniden meydana geliyor gibi görünse de, bir fay aniden kaymadan çok önce sayısız küçük çatlak yerin derinliklerinde oluşur ve büyür. Laboratuvarda bu minyatür “taş depremleri” yüksek frekanslı sesler yayımlar; bunlar kaydedilip analiz edilebilir. Bu çalışma, basit bir yapay zekâ türünün bu sesleri dinleyip, büyük ölçüde kayaya uygulanan basınca bağlı görünmeyen ortak bir üç aşamalı fay büyüme desenini ortaya koyabildiğini gösteriyor — bu, büyük depremlerin nasıl biriktiğini daha iyi anlamaya yönelik potansiyel bir adım olabilir.

Minik Çatlaklar Nasıl Büyük Hikâyeler Anlatır

Bir granit bloğu başarısız olana kadar sıkıştırıldığında, bir kerede paramparça olmaz. Önce kayanın içinde küçük çatlaklar patlak verir; sonra bunlar örgütlenmeye başlar ve nihayet birbirine bağlanarak süreklilik gösteren bir fay oluşturur. Her mikroskobik çatlak, meydana geldiği yer ve dalganın nasıl yayıldığı hakkında bilgi taşıyan kısa bir ses darbesi, yani akustik emisyon yayar. Numunenin etrafına yerleştirilen sensörlerle binlerce bu tür sinyal kaydedilerek araştırmacılar hasarın nasıl yayıldığını, kümelendiğini ve sonunda doğal bir fayı taklit eden tek bir kırığa nasıl odaklandığını izleyebilirler.

Taş Seslerini Basit Bir YZ’ye Sokmak

Bu akustik “gürültüyü” yorumlamak için yazarlar, kısa zaman serisi verilerine uygun, sadeleştirilmiş bir makine öğrenmesi biçimi olan zaman‑g gecikmeli sinir ağı kullandılar. Her türlü sayıyı kara kutu bir modele vermek yerine, fiziksel olarak anlamlı olan bir avuç özelliği dikkatle seçtiler. Bazıları her ses dalgasının kayada yayılma şekline ilişkin—örneğin ne kadar saçıldığı ya da tepeye ulaşmasının ne kadar sürdüğü—özellikleri tanımlar. Diğerleri olayların ne zaman ve nerede meydana geldiğini özetler: ne kadar hızlı tekrarladıkları, büyüklüklerinin nasıl dağıldığı ve kaynak konumlarının mekânda ne kadar kümelendiği gibi. Birlikte, bu özellikler yükleme sırasında kayanın iç yapısının nasıl evrildiğine dair çok yönlü bir resim sunar.

Fay Büyümesi Farklı Basınçlarda Aynı Görünüyor

Araştırma ekibi, düşükten orta‑yüke kadar değişen örtü basınçlarında dört granit silindir üzerinde test yaptı; bu koşullar örneğin numunenin düz bir şekilde yarılmasından eğimli bir kesme düzlemi boyunca kaymaya kadar farklı görünür kırılma türleri üretiyor. Ağı, akustik özellikleri girdi olarak kullanarak gerilme ve şekil değişiminin (kayadaki deformasyonun) zaman içinde nasıl değiştiğini tahmin edecek şekilde eğittiler ve her seferinde doğrulama için bir basınç durumunu dışarıda bıraktılar. Küçük veri setine rağmen model, tüm basınçlar ve kırılma modları boyunca, başarısızlık anındaki ana gerilme düşüşü de dahil olmak üzere gerilme ve deformasyonun birikimini ve serbest bırakılışını başarıyla yeniden üretti. Bu çapraz test, fay gelişimini izleyen temel akustik desenlerin kayayı çevreleyen basıncın miktarına büyük ölçüde bağlı olmadığını gösterdi.

Ortaya Çıkan Üç Gizli Aşama

Zaman‑g gecikmeli ağ nispeten basit olduğundan, yazarlar modelin yüklemenin her aşamasında en çok hangi özelliklere güvendiğini izleyebildiler. Açık bir üç aşamalı hikâye ortaya çıktı. En erken “çekirdeklenme” aşamasında, çatlaklar dağınık ve izoleyken olayı sayan ve boyutlandıran istatistikler baskındı: emisyonların ne sıklıkla meydana geldiği ve büyüklüklerinin nasıl dağıldığı gibi. Yükleme “etkileşim” aşamasına ilerledikçe, olayların mekânsal kümelenmesi daha önemli hale geldi; bu, çatlakların birbirlerini etkilemeye başlayıp ağlar oluşturduğuna işaret ediyor. Başarısızlığa yakın, “koleşens” aşamasında modelin dikkati dalga formuna dayalı ölçümlere kayıyor — artan saçılma ve tepe gecikmesindeki hızlı değişimler gibi — bu da ortamın yoğun şekilde çatladığını ve ortaya çıkan fayan boyunca dalga enerjisinin kanallaştığını gösteriyor.

Laboratuvarın Ötesinde Neden Önemli

Çalışma, dağınık çatlaklardan organize bir kırılmaya kadar fay büyümesinin birçok yönünün, en azından bu granit için, basınç koşullarına güçlü biçimde bağlı olmayan ortak bir deseni izlediğini öne sürüyor. Benzer akustik özellikler alandaki mikrodepremlerden veya aktif sismik ölçümlerden çıkarılabilirse, karşılaştırılabilir bir çerçeve doğal bir fayın hangi aşamada olduğunu ve koleşense doğru mu ilerlediğini belirlemeye yardımcı olabilir. Santimetre boyutundaki numunelerden kabuk ölçeğindeki faylara ölçeklendirmenin zorlukları olsa da, bu çalışma nispeten şeffaf makine öğrenmesi araçlarının laboratuvar gözlemleri ile gerçek dünya izlemeleri arasında köprü kurabileceğini, büyük depremlerden önce ortaya çıkan ince sinyalleri dinlemek için daha fiziksel temelli bir yol sunabileceğini gösteriyor.

Atıf: King, T., Vinciguerra, S.C. Time delay neural networks reveal pressure-independent fault rupture processes in laboratory acoustic emission. Commun Earth Environ 7, 338 (2026). https://doi.org/10.1038/s43247-025-03003-8

Anahtar kelimeler: deprem öncüleri, akustik emisyonlar, fay mekaniği, yerbilimlerde makine öğrenmesi, taş kırılması deneyleri