उत्तरप्रकाशित3 दिन पहलेLast edited 3 दिन पहले19 स्रोत

सैन एंड्रियास फॉल्ट का राज़ खोल रहा AI: DeepStrain ने पकड़ी वो हलचल जो भूकंप से पहले होती है

GFZ पॉट्सडैम की भूभौतिकीविद् ज़हरा ज़ाली द्वारा विकसित डीप लर्निंग एल्गोरिदम DeepStrain ने पार्कफील्ड सेक्शन के बोरहोल स्ट्रेनमीटर डेटा का विश्लेषण कर 90% ज्ञात SSEs का पता लगाया और 21 नए SSEs की पहचान की। नए पाए गए स्लो स्लिप इवेंट्स के बाद अक्सर लो फ़्रीक्वेंसी भूकंप (LFEs) आते हैं, जो यह संकेत देता है कि यह धीमी...

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

AI-generated illustration of a borehole strainmeter installation on the San Andreas Fault, with a neural network diagram overlay detecting slow slip events. — Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetecConceptual illustration: a deep-learning algorithm analyzes borehole strainmeter data to uncover previously undetected slow slip events beneath the Parkfield section of the San Andreas Fault.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How did a deep-learning algorithm trained on borehole strainmeter data uncover previously undetec. Article summary: ## Key Findings from the EarthScope Consortium / DeepStrain Study. Topic tags: general, government, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidenc
openai.com

ज़्यादातर भूकंप अपने आने का एहसास एक जोरदार झटके से कराते हैं। लेकिन कैलिफोर्निया में सैन एंड्रियास फॉल्ट के पार्कफील्ड सेक्शन के नीचे एक बिल्कुल अलग तरह की हलचल हो रही है—ऐसी हलचल जो दिनों या हफ़्तों में ऊर्जा छोड़ती है, लेकिन कोई झटका महसूस नहीं होता। इसे कहते हैं स्लो स्लिप इवेंट (SSE)। अब एक डीप-लर्निंग एल्गोरिदम DeepStrain ने खुलासा किया है कि ये खामोश घटनाएं पहले के अनुमान से कहीं ज़्यादा आम हैं, और ये सीधे तौर पर उन छोटे-छोटे कंपनों को जन्म देती हैं जिन्हें लो-फ़्रीक्वेंसी भूकंप (LFE) कहा जाता है।

खामोश खिसकन को पकड़ने की चुनौती

स्लो स्लिप इवेंट्स को पकड़ना बेहद मुश्किल काम है। इसके लिए बोरहोल स्ट्रेनमीटर (BSM) नाम के उपकरणों का इस्तेमाल किया जाता है, जिन्हें ज़मीन में गहरे बेलनाकार छेदों में दफनाया जाता है। ये उपकरण नैनोस्ट्रेन स्तर तक पृथ्वी की पपड़ी में होने वाली विकृति (deformation) को माप सकते हैं । ये भूकंपीय रेंगने (aseismic creep) और एपिसोडिक ट्रेमर एंड स्लिप (ETS) से होने वाली क्षणिक विकृति को रिकॉर्ड करने में सक्षम हैं। लेकिन छोटे और थोड़े समय के लिए होने वाले SSEs के संकेत अक्सर डेटा के शोर में दब जाते हैं, जिन्हें मैन्युअल रूप से पहचान पाना मानव विश्लेषकों के लिए बेहद मुश्किल होता है । दूसरी तरफ, पारंपरिक GPS नेटवर्क तो और भी कम कारगर हैं, क्योंकि इन गहरी घटनाओं से उत्पन्न स्ट्रेन दर अक्सर GPS की पकड़ से बाहर होती है ।

DeepStrain कैसे काम करता है?

GFZ पॉट्सडैम की भूभौतिकीविद् ज़हरा ज़ाली द्वारा विकसित DeepStrain एक ऐसा डीप-लर्निंग मॉडल है जिसे विशेष रूप से NSF के 'नेटवर्क ऑफ़ द अमेरिकाज़' (NOTA) के बोरहोल स्ट्रेनमीटर रिकॉर्डिंग पर प्रशिक्षित किया गया है । यह एल्गोरिदम लगातार आने वाले स्ट्रेन डेटा के उच्च-आयामी शोर के बीच से स्लो स्लिप के सूक्ष्म तरंग पैटर्न को पहचानना सीखता है। इसके कोड और प्रीप्रोसेसिंग पाइपलाइन को अगस्त 2025 में सार्वजनिक कर दिया गया, ताकि अन्य शोधकर्ता भी इस विधि का इस्तेमाल दूसरे फॉल्ट ज़ोन पर कर सकें ।

जब इस एल्गोरिदम को पार्कफील्ड क्षेत्र पर लागू किया गया, तो इसने एक उल्लेखनीय परिणाम दिया: इसने पहले से मैन्युअल रूप से सूचीबद्ध 90% SSEs का पता लगाया और, इससे भी महत्वपूर्ण बात, 21 नए SSEs की पहचान की जो मैन्युअल विश्लेषण से छूट गए थे । यह ज्ञात घटनाओं की सूची में लगभग 30% की वृद्धि है, जो सैन एंड्रियास के इस बारीकी से अध्ययन किए गए हिस्से में फॉल्ट व्यवहार की कहीं अधिक संपूर्ण तस्वीर पेश करता है।

लो-फ़्रीक्वेंसी भूकंपों से अस्थायी संबंध

शायद सबसे महत्वपूर्ण खोज तब सामने आई जब टीम ने नए पाए गए SSEs और LFEs के समय का विश्लेषण किया। डेटा से पता चला कि स्लो स्लिप इवेंट्स के बाद अक्सर लो-फ़्रीक्वेंसी भूकंप आते हैं । यह अस्थायी क्रम एक कारणात्मक संबंध की ओर इशारा करता है: भूकंपीय न होने वाली यह धीमी खिसकन (aseismic slow slip) उस भूकंपजन्य क्षेत्र को लोड या ट्रिगर करती है जो बाद में LFE उत्पन्न करता है।

यह परिणाम पिछले शोधों के अनुरूप है, जिसमें दिखाया गया था कि पार्कफील्ड के पास ट्रेमर और LFE गतिविधि का क्षण-अवधि स्केलिंग (moment-duration scaling) SSEs के समान ही होता है, जो यह बताता है कि वे शारीरिक रूप से जुड़े हुए हैं । लो-फ़्रीक्वेंसी भूकंपों को लंबे समय से आसपास के भूकंपीय खिसकन (aseismic slip) के भूकंपीय संकेतक के रूप में व्याख्यायित किया जाता रहा है , लेकिन DeepStrain ने पहली बार सबसे स्पष्ट भूगणितीय सबूत पेश किया है कि व्यक्तिगत धीमी घटनाएं पहले आती हैं और संभवतः उन छोटे भूकंपों को ट्रिगर करती हैं।

फॉल्ट निगरानी और भूभौतिकी में AI के निहितार्थ

विस्तारित पहचान क्षमता

DeepStrain ने प्रदर्शित किया है कि AI उन भूगर्भीय संकेतों को निकाल सकता है जो GPS नेटवर्क और मैन्युअल स्ट्रेनमीटर विश्लेषण दोनों की पहचान सीमा से नीचे होते हैं। SSEs की यह विस्तारित सूची फॉल्ट व्यवहार, पुनरावृत्ति अंतराल, और बड़े भूकंपों की ओर ले जाने वाली स्थितियों के अधिक मजबूत सांख्यिकीय अध्ययनों को सक्षम बनाती है ।

भूकंपीय और अ-भूकंपीय खिसकन के बीच एक कारणात्मक संबंध

यह अवलोकन कि SSEs लगातार LFEs से पहले आते हैं, उन मॉडलों का समर्थन करता है जिनमें धीमी खिसकन पास के फॉल्ट पैच को लोड करती है, संभावित रूप से उन्हें विफलता (failure) के करीब लाती है। इसका सीधा संबंध सैन एंड्रियास फॉल्ट पर भूकंप की उत्पत्ति (nucleation) और पुनरावृत्ति को समझने से है—जो भूकंपीय खतरे के आकलन के लिए एक महत्वपूर्ण क्षेत्र है ।

वास्तविक समय में संचालन की क्षमता

चूंकि DeepStrain को लगातार आने वाले बोरहोल स्ट्रेनमीटर डेटा पर तैनात किया जा सकता है, यह उस क्षणिक विकृति (transient deformation) का लगभग वास्तविक समय में पता लगाने का एक उपकरण प्रदान करता है जो बड़े भूकंपों से पहले हो सकती है। NOTA नेटवर्क के पास पहले से ही आवश्यक स्ट्रेनमीटर बुनियादी ढांचा है, और यह अनुसंधान समुदाय को डेटा और प्रसंस्करण उपकरण दोनों उपलब्ध कराता है । यह बदल सकता है कि कैसे 'अर्थक्वेक अर्ली वार्निंग सिस्टम' भूगर्भीय डेटा को शामिल करते हैं।

भूभौतिकी में AI का व्यापक उदाहरण

यह कार्य इस बढ़ते सबूतों में शामिल हो गया है कि डीप लर्निंग पारंपरिक तरीकों से अदृश्य रहने वाले भूभौतिकीय संकेतों को व्यवस्थित रूप से निकाल सकता है। इसी तरह के दृष्टिकोण—जैसे कैस्केडिया में ट्रेमर डिटेक्शन के लिए CNN और सैन एंड्रियास पर LFE पहचान के लिए डीप लर्निंग —ने दिखाया है कि AI मौजूदा निगरानी नेटवर्क के लिए एक 'बल गुणक' (force multiplier) के रूप में काम कर सकता है। DeepStrain ने साबित कर दिया है कि यही सिद्धांत बोरहोल स्ट्रेनमीटर डेटा पर भी लागू होता है, जो फॉल्ट की गहरी जड़ों में क्षणिक खिसकन का पता लगाने के लिए एक प्रमुख सेंसर प्रकार है।

सावधानियां और खुले प्रश्न

DeepStrain की सटीक आर्किटेक्चर (यह कन्वोल्यूशनल, रिकरंट या ट्रांसफॉर्मर-आधारित डिज़ाइन का उपयोग करता है या नहीं) सार्वजनिक रूप से उपलब्ध सारांशों में विस्तृत नहीं है। पूरी विधि संबंधी जानकारी Nature Communications पेपर (doi: 10.1038/s41467-026-74095-9) में है । इसके अतिरिक्त, अब तक एल्गोरिदम को केवल पार्कफील्ड खंड पर मान्य किया गया है; अन्य फॉल्ट ज़ोन पर अलग-अलग स्ट्रेनमीटर कॉन्फ़िगरेशन और शोर विशेषताओं के साथ इसका प्रदर्शन अभी परीक्षण किया जाना बाकी है।

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं