Maschinelles Lernen 03.03.2020, 07:00 Uhr

Geologische Formationen anhand von Erdbebendaten besser erkennen

Schwingungen niedriger Frequenz bieten interessante Einblicke in Erdstrukturen, lassen sich aus seismischen Signalen aber kaum extrahieren. Dies könnte mit maschinellem Lernen gelingen.

Seismische Signale - Erdbeben

Forscher haben mit einem neuronalen Netz niederfrequente seismische Wellen in Erdbeben-Daten extrapoliert.

Foto: Christine Daniloff, MIT

Im letzten Jahrhundert haben Wissenschaftler zahlreiche Methoden entwickelt, um Strukturen in der Erdkruste abzubilden oder um Ressourcen wie Ölreserven sowie geothermische Quellen aufzuspüren. Die Suche nach geeigneten Formationen zur Speicherung von Kohlendioxid kam als weitere Herausforderung mit hinzu. Um Strukturen darzustellen, arbeiten Geologen mit seismischen Wellen, die auf natürliche Weise durch Erdbeben oder künstlich über Sprengungen erzeugt werden. Die Art und Weise, wie sich solche Wellen in Formationen bewegen und wie sie gestreut werden, bietet Einblicke in geologische Schichten.

Eigentlich wären seismische Wellen im niedrigen Frequenzbereich von etwa 1,0 Hertz dafür ideal. Denn sie vermitteln das klarste Bild von unterirdischen Strukturen über weite Entfernungen hinweg. Aufgrund des Rauschens durch andere seismische Signale lassen sie sich aber nicht praktisch nutzen. Jetzt zeigen Forscher am Massachusetts Institute of Technology (MIT), Cambridge, wie sich solche Signale mit maschinellem Lernen auswerten lassen. Die neue Methode könnte es Geologen ermöglichen, innere Strukturen der Erde genauer abzubilden.

Maschinelles Lernen auf geologische Fragestellungen übertragen

Zum Hintergrund: Ein neuronales Netzwerk bildet Vorgänge des menschlichen Denkens anhand von Algorithmen nach. Die MIT-Mathematiker Hongyu Sun und Laurent Demanet haben jetzt ein solches Netzwerk angepasst, um Muster in seismischen Daten zu erkennen.

Dabei arbeiteten sie mit dem Konzept des maschinellen Lernens: Bekommen Algorithmen ausreichend viele Beispiele für Erdbeben-Signale und für die resultierenden hoch- und niederfrequenten seismischen Wellen, können sie mögliche Zusammenhänge auf andere Daten übertragen. Es sollte per Extrapolation möglich sein, fehlende Frequenzen zu erkennen, falls das Netzwerk nur das partielle seismische Profil eines Erdbebens erhält – ausgehend von den vorhandenen Daten werden die fehlenden Werte also, vereinfacht gesagt, geschätzt.

Algorithmen extrapolieren fehlende Anteile im Frequenzspektrum

Die Forscher trainierten im Experiment ein Convolutional Neural Network (CNN oder ConvNet), zu Deutsch etwa „faltendes neuronales Netzwerk“. Es besteht im Allgemeinen aus einer Eingabe- und Ausgabeschicht und mehreren verborgenen Schichten dazwischen, die Eingaben verarbeiten, um Korrelationen zwischen ihnen zu identifizieren. Bislang wurden CNN oft zur maschinellen Verarbeitung von Bild- oder Audiodaten eingesetzt; dazu gibt es etliche Vorarbeiten.

Top Stellenangebote

Zur Jobbörse
VIVAVIS AG-Firmenlogo
Vertriebsingenieur / Key Account Manager (m/w/d) VIVAVIS AG
Vertriebsgebiet Süddeutschland (Home-Office) Zum Job 
VIVAVIS AG-Firmenlogo
Vertriebsingenieur Innendienst (m/w/d) VIVAVIS AG
Koblenz, Ettlingen Zum Job 
VIVAVIS AG-Firmenlogo
Manager Vertriebspartner (m/w/d) VIVAVIS AG
Ettlingen Zum Job 
VIVAVIS AG-Firmenlogo
Produktmanager (m/w/d) Meter Data Management / Smart Metering VIVAVIS AG
Koblenz Zum Job 
Airbus Defence and Space GmbH-Firmenlogo
IT System Engineer (w/m/d) Airbus Defence and Space GmbH
Taufkirchen, Manching Zum Job 
Dentinox Gesellschaft für pharmazeutische Präparate Lenk & Schuppan KG-Firmenlogo
Validierungs- und Qualifizierungsexperte (m/w/d) Dentinox Gesellschaft für pharmazeutische Präparate Lenk & Schuppan KG
Mahler GmbH-Firmenlogo
Projekt- / Vertriebsingenieur (m/w/d) Maschinenbau / Verfahrenstechnik Mahler GmbH
Plochingen Zum Job 
Bertrandt Technologie GmbH Mönsheim-Firmenlogo
Ingenieur fürs Testing im Automotive-Bereich (m/w/d) Bertrandt Technologie GmbH Mönsheim
Mönsheim Zum Job 
Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Schwieberdingen-Firmenlogo
Entwickler Systemtest / Fahrversuch Bremssysteme für autonomes Fahren (m/w/d) Knorr-Bremse Systeme für Nutzfahrzeuge GmbH Schwieberdingen
Schwieberdingen bei Stuttgart Zum Job 
SWM Services GmbH-Firmenlogo
Ingenieur*in Energieerzeugung (m/w/d) SWM Services GmbH
München Zum Job 
Airbus Defence & Space-Firmenlogo
Simulation & Modelling Engineer (d/f/m) Airbus Defence & Space
Friedrichshafen Zum Job 
Stadtwerke München GmbH-Firmenlogo
Ingenieur*innen für München (m/w/d) Stadtwerke München GmbH
München Zum Job 
Stadtwerke München GmbH-Firmenlogo
Ingenieur*innen für Tram-Bauprojekte in München (m/w/d) Stadtwerke München GmbH
München Zum Job 
Airbus Defence and Space GmbH-Firmenlogo
Galileo - Hardware Technical Authority (d/m/w) Airbus Defence and Space GmbH
Friedrichshafen Zum Job 
Universität zu Köln-Firmenlogo
Ingenieur*in der Fachrichtung Elektrotechnik (m/w/d) Universität zu Köln
EUROVIA Verkehrsbau Union GmbH-Firmenlogo
Technischer Trainee (m/w/d) für die Bauleitung EUROVIA Verkehrsbau Union GmbH
Berlin, Michendorf Zum Job 
EUROVIA Verkehrsbau Union GmbH-Firmenlogo
Bauleiter (m/w/d) für den Bereich Asphaltstraßenbau EUROVIA Verkehrsbau Union GmbH
Michendorf Zum Job 
EUROVIA Verkehrsbau Union GmbH-Firmenlogo
Bauleiter (m/w/d) für den Bereich Straßen- und Tiefbau EUROVIA Verkehrsbau Union GmbH
HIMA Paul Hildebrandt GmbH-Firmenlogo
Vertriebsingenieur/ Key Account Manager (m/w/d) HIMA Paul Hildebrandt GmbH
Neuss, Nordrhein-Westfalen (Home-Office) Zum Job 
G+E GETEC Holding GmbH-Firmenlogo
Senior Produktmanager Photovoltaik (w/m/d) G+E GETEC Holding GmbH
Berlin, Magdeburg Zum Job 

Die Forscher trainierten ihr neuronales Netzwerk mit Eingaben, die sie über das Marmousi-Modell generierten. Hier handelt es sich um ein zweidimensionales geophysikalisches Modell, das simuliert, wie sich seismische Wellen durch Strukturen unterschiedlicher Dichte und Zusammensetzung im Inneren der Erde bewegen. Es ist vor allem aus der Erdölindustrie bekannt.

Auf Basis des Marmousi-Modells wurden neun „virtuelle Erden“ mit unterschiedlicher Zusammensetzung simuliert. Für jedes Erdmodell generierten die Forscher am Computer 30 verschiedene Erdbeben, alle mit der gleichen Stärke, aber mit unterschiedlichem Epizentrum. Im nächsten Schritt speisten sie Informationen aus Modellierungen in ihre Software ein und ließen das Netzwerk Korrelationen zwischen seismischen Signalen und geologischen Strukturen finden.

Nach erfolgreichem Abschluss des Trainings erhielt das Tool Informationen über ein neues Erdbeben aus der Simulation; diese Muster waren in Testdaten nicht enthalten. Hier handelte es sich nur um den hochfrequenten Teil der seismischen Aktivität auf Basis des Marmousi-Modells. Andere Komponenten hatten die Wissenschaftler zuvor entfernt. Wie erhofft, gelang es dem neuronalen Netzwerk, die interessanten niedrigen Frequenzanteile zu simulieren. „Unsere Ergebnisse sind ziemlich gut“, kommentiert Demanet. „Es ist beeindruckend, zu sehen, wie weit das Netzwerk auf die fehlenden Frequenzen extrapolieren kann.“

Grenzen des Modellierungssystems

Wie bei allen neuronalen Netzen hat die Methode aber auch ihre Grenzen. Neuronale Netzwerke sind immer nur so gut wie die Daten, welche eingespeist werden. Hinzu kommt: Wenn sich Signalmuster stark von den meisten Trainingsdaten eines Netzwerks unterscheiden, kann nicht garantiert werden, dass die Ausgabe korrekt ist.

Um hier gegenzusteuern, planen die Forscher, eine größere Zahl an Signalen in das neuronale Netzwerk zu geben, etwa Erdbeben mit unterschiedlicher Stärke sowie Untergründe mit verschiedener Zusammensetzung.

„Die Verwendung dieses neuronalen Netzwerks hilft uns, die fehlenden Frequenzen zu finden, um letztendlich das Bild unter der Oberfläche zu verbessern und die Zusammensetzung der Erde zu finden“, sagt Demanet.

Er hofft mittelfristig auf Anwendungen in der Geologie.

Mehr zum Thema Erdbeben:

Ein Beitrag von:

  • Michael van den Heuvel

    Michael van den Heuvel hat Chemie studiert. Unter anderem arbeitet er für Medscape, DocCheck, für die Universität München und für pharmazeutische Fachmagazine. Seit 2017 ist er selbstständiger Journalist und Gesellschafter von Content Qualitäten. Seine Themen: Chemie/physikalische Chemie, Energie, Umwelt, KI, Medizin/Medizintechnik.

Zu unseren Newslettern anmelden

Das Wichtigste immer im Blick: Mit unseren beiden Newslettern verpassen Sie keine News mehr aus der schönen neuen Technikwelt und erhalten Karrieretipps rund um Jobsuche & Bewerbung. Sie begeistert ein Thema mehr als das andere? Dann wählen Sie einfach Ihren kostenfreien Favoriten.