رویکرد یادگیری ماشین که برای دادههای کمیاب توسعه یافته است، خطاهای لغزش را در زمینلرزههای آزمایشگاهی بهطور قابل اعتماد پیشبینی میکند و میتواند کلیدی برای پیشبینی لغزش و زمینلرزههای احتمالی در میدان باشد. تحقیقات تیم آزمایشگاه ملی لس آلاموس بر موفقیت قبلی آنها با استفاده از رویکردهای داده محور استوار است که در رویدادهای آهسته لغزش کار می کنند اما برای خطاهای لغزش در مقیاس بزرگ که داده های نسبتا کمی تولید می کنند - اما زلزله های بزرگ ناکافی هستند.
"مقیاس زمانی بسیار طولانی بین زمین لرزه های بزرگ مجموعه داده ها را محدود می کند، زیرا گسل های بزرگ فقط می توانند هر 50 تا 100 سال یا بیشتر یک بار لغزش کنند، که به این معنی است که زلزله شناسان فرصت کمی برای جمع آوری داده های رصدی گسترده ای داشته اند که برای یادگیری ماشین نیاز است." پل جانسون، ژئوفیزیکدان لوس آلاموس و یکی از نویسندگان مقاله جدید، "پیش بینی آسیب اسلاید از طریق آموزش انتقال"، گفت: ارتباطات طبیعی.
جانسون گفت، برای جبران دادههای محدود، این تیم یک شبکه عصبی کانولوشنال را بر روی خروجی شبیهسازیهای عددی زمینلرزههای آزمایشگاهی و همچنین روی مجموعه کوچکی از دادههای آزمایشهای آزمایشگاهی آموزش دادند. آنها سپس قادر به پیش بینی خطا در سایر داده های آزمایشگاهی نادیده بودند.
جانسون گفت: این مطالعه اولین کاربرد انتقال آموزش به شبیهسازیهای عددی برای پیشبینی لغزش در آزمایشهای آزمایشگاهی است و هیچکس آن را برای مشاهدات زمینی اعمال نکرده است.
با آموزش انتقال، محققان می توانند از یک مدل به مدل دیگر به عنوان راهی برای غلبه بر کمبود داده تعمیم دهند. این رویکرد به تیم آزمایشگاهی اجازه داد تا بر روی آزمایشهای یادگیری ماشینی قبلی خود مبتنی بر دادههایی که با موفقیت لغزش در لرزشهای آزمایشگاهی را پیشبینی میکنند، استفاده کنند و آن را برای دادههای شبیهسازی کمیاب اعمال کنند. به طور خاص، در این مورد، آموزش انتقال به آموزش شبکه عصبی بر روی یک نوع داده - خروجی شبیه سازی - و کاربرد آن بر روی دیگری - داده های تجربی - با مرحله یادگیری اضافی و بر روی زیر مجموعه کوچکی از داده های تجربی اشاره دارد.
جانسون گفت: «لحظه آها ما فرا رسید که فهمیدم میتوانیم چنین رویکردی به زمین داشته باشیم. ما میتوانیم یک گسل لرزهزا را در زمین شبیهسازی کنیم و سپس دادههای مربوط به گسل واقعی را در طول بخشی از چرخه لغزش از طریق همان نوع آموزش متقاطع وارد کنیم.» هدف پیشبینی حرکت گسل به یک گسل لرزهای مانند سن آندریاس است، جایی که دادهها توسط زلزلههای نادر محدود میشوند.
این تیم ابتدا شبیه سازی عددی لرزش های آزمایشگاهی را انجام داد. این شبیهسازیها شامل ساختن یک شبکه ریاضی و افزودن مقادیر برای شبیهسازی رفتار خطاها است که گاهی اوقات فقط مفروضات خوبی هستند.
برای این مقاله، شبکه عصبی کانولوشن شامل یک رمزگذار است که خروجی شبیهسازی را به ویژگیهای کلیدی آن کاهش میدهد، که در فضای پنهان یا پنهان مدل بین رمزگذار و رمزگشا کدگذاری میشوند. این ویژگی ها جوهره داده های ورودی هستند که می توانند رفتار خطا را پیش بینی کنند.
شبکه عصبی توابع ساده شده را رمزگشایی می کند تا اصطکاک خطا را در هر زمان معین ارزیابی کند. با اصلاح بیشتر این روش، فضای پنهان مدل بیشتر بر روی یک قطعه کوچک از داده های تجربی آموزش داده شد. این شبکه عصبی با استفاده از این "آموزش متقابل"، هنگام ارائه داده های نامرئی از یک آزمایش متفاوت، رویدادهای لغزش را با دقت پیش بینی می کند.
نقل قول: استفاده از داده های نادر برای پیش بینی زلزله آزمایشگاهی (2021، 17 دسامبر)، استخراج شده در 17 دسامبر 2021 از https://phys.org/news/2021-12-sparse-lab-quakes.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه به منظور تحقیق یا مطالعه خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
[ad_2]
مقالات مشابه
- اصول اساسی مطرح شده شرکت طراحی داخلی در کیش
- MLB به شدت slims پایین پیش نویس به ارمغان می آورد coronavirus پس انداز
- اسباب بازی بدون رانندگی خودت دیوانه
- میل سوپاپ تقویتی Tu5
- 24 hours in a COVID-19 hot spot leaves no walk of life unscathed. This is what it's like.
- زمانی که او آزمایش مثبت برای coronavirus او آماده برای 2 هفته از بدبختی است. ماه بعد او هنوز بیمار است.
- آژانس تحقیقات ملی استرالیا معیاری را برای تولید گوشت گاو تعیین کرده است
- سریع واکنش بازار به تغذیه ممکن است بیشتر در مورد آنچه در آن انجام نمی, و از آنچه در آن انجام تحلیلگران می گویند
- کلید واژهها: راجر سنگ دیرین تهمت متحد قطره کم کالری نسخه N-Word' در مصاحبه رادیویی میزبان می گوید
- نوع اسباب بازی