Nature子刊丨利用物理信息神经网络和断层带声学监测预测实验室地震
作者：Prabhav Borate, Jacques Rivière, Chris Marone, Ankur Mali, Daniel Kifer& Parisa Shokouhi
单位：美国宾夕法尼亚州帕克大学
01 摘要
预测固体失效具有广泛的应用，包括地震预 测，这仍然是一个无法实现的目标。然而，最近的机器学习工作表明，可以使用微观失效事件和断层带弹性特性的时间演变来预测实验室地震。值得注意的是，这些结果来自使用大型数据集训练的纯数据驱动模型。这些数据相当于几个世纪以来的断层运动，使构造断层的应用变得不清楚。此外，人们对这种预测的基本物理原理知之甚少。在这里，我们使用一种新的物理信息神经网络（PINN）来解决可伸缩性问题。我们的模型使用延时超声数据将故障物理编码在深度学习损失函数中。PINN模型优于数据驱动模型，并显著改善了小型训练数据集和训练中使用的条件之外的条件下的迁移学习。我们的工作表明，PINN为基于机器学习的故障预测提供了一条很有前途的途径，并最终提高了我们对地震物理和预测的理解。
图：结合超声波监测的摩擦实验：示意图设置和典型数据。a 实验p5270中剪切应力和滑移率的时间演变。插图显示了DDS设置的示意图，其中两个超声波换能器（发射器T和接收器R）探测故障。细垂直虚线对应于选择参考超声波波形的时间（更多详细信息，请参阅文本）。b 实验期间主动源超声监测的示意图。在整个粘滑循环中，每毫秒记录一次超声波波形。为了便于阅读，只显示了波形的一小部分。c记录的超声波信号的示例。机器学习模型的输入特征是从超声波信号的初始部分提取的（以棕色突出显示）。
图：特征提取过程的详细信息。 a 示出了参考波形（S0）和剪切期间的典型波形（Si）。插图强调了通过对两个信号进行互相关计算得出的两个信号之间的时间延迟Δti。该框标记了从ti开始的互相关窗口的范围 + w1到ti + w2与w1 = 20.76 μs和w2 = 25.16 μs。下图显示了30年内几个实验室地震周期的波速和时移演变样本 s. b示出了根据加窗信号的傅立叶频谱的频谱幅度计算。底部的曲线图显示了频谱幅度的示例性演变。请注意，波速和振幅随剪切应力系统地变化，但与剪切应力具有复杂的非线性关系，如参考文献所示
图：用于剪切应力（τi）和滑移率（Vi）预测的PINN框架和多层感知器（MLP）结构的示意图。
图：迁移学习方法
图：实验p5270的参考数据驱动、PINN#1和PINN#2模型的性能
图：数据驱动、PINN#1和PINN#2模型预测的一个剪切应力（τ）和滑移率（V）循环的比较。
图：实验#p5271的独立、TL:数据驱动、TL PINN#1和TL:PINN#2模型的性能。
图：实验p5270的数据显示了剪切应力历史和两种不同的训练验证测试分裂。
03 参考文献
Rahman M A, Zhang T, Lu Y. PINN-CHK: physics-informed neural network for high-fidelity prediction of early-age cement hydration kinetics[J]. Neural Computing and Applications, 2024: 1-23.
