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.

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.

Stellenangebote im Bereich Elektrotechnik, Elektronik

OST – Ostschweizer Fachhochschule-Firmenlogo
OST – Ostschweizer Fachhochschule Professor/in für Computer Vision and Control (m/w/d) Rapperswil (Schweiz)
Dynamic Engineering GmbH-Firmenlogo
Dynamic Engineering GmbH Ingenieur / Techniker (m/w/d) – SPS-Programmierung / Automatisierung München
Physik Instrumente (PI) GmbH & Co. KG-Firmenlogo
Physik Instrumente (PI) GmbH & Co. KG Leiter Produktentwicklung (m/w/d) Raum Eschbach
Dynamic Engineering GmbH-Firmenlogo
Dynamic Engineering GmbH Software Entwickler (m/w/d) Embedded Systeme München
Emscher Lippe Energie GmbH-Firmenlogo
Emscher Lippe Energie GmbH Ingenieur als Teamleiter im Projektmanagement für Energiesysteme / Versorgungstechnik (m/w/d) Gelsenkirchen
Borsig GmbH-Firmenlogo
Borsig GmbH Sachbearbeiter Technisches Gebäudemanagement / Arbeitssicherheit (m/w/d) Berlin
Wahl GmbH + Co. KG-Firmenlogo
Wahl GmbH + Co. KG Fachplaner Elektrotechnik / Elektroingenieur (m/w/d) Seelze bei Hannover
Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik FHR-Firmenlogo
Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik FHR Teamleiter*in / Betriebsingenieur*in für die Großradaranlage TIRA Wachtberg bei Bonn
FVLR GmbH-Firmenlogo
FVLR GmbH Referent/in (m/w/d) Detmold
Beckhoff Automation GmbH & Co. KG-Firmenlogo
Beckhoff Automation GmbH & Co. KG Ingenieur (m/w/d) Vertrieb Automatisierungstechnik Verl

Alle Elektrotechnik, Elektronik Jobs

Top 5 Messtechni…

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.