AI 'DeepStrain' phát hiện hàng loạt 'động đất thầm lặng' trên đứt gãy San Andreas: Bước đột phá trong giám sát địa chấn

Hầu hết các trận động đất đều xảy đến một cách đột ngột. Nhưng bên dưới khu vực Parkfield, thuộc đứt gãy San Andreas ở California, tồn tại một dạng chuyển động thầm lặng hơn nhiều: các sự kiện trượt chậm (Slow Slip Events - SSE). Đây là những chuyển động giải phóng năng lượng trong nhiều ngày hoặc nhiều tuần mà không hề tạo ra rung chấn địa chấn. Giờ đây, một thuật toán học sâu có tên DeepStrain đã tiết lộ rằng những sự kiện thầm lặng này phổ biến hơn nhiều so với suy nghĩ trước đây, và chúng đóng vai trò trực tiếp trong việc kích hoạt các chấn động nhỏ được gọi là động đất tần số thấp (Low-Frequency Earthquakes - LFE).

Thách thức trong việc phát hiện 'Trượt thầm lặng'

Các sự kiện trượt chậm (SSE) vốn rất khó bị phát hiện. Máy đo biến dạng lòng đất (Borehole Strainmeters - BSM) là những thiết bị được chôn sâu trong các lỗ khoan hình trụ, có khả năng phát hiện biến dạng vỏ Trái Đất ở mức nanomet, đủ nhạy để ghi lại các biến dạng tạm thời từ hiện tượng trượt phi địa chấn và hiện tượng rung và trượt từng đợt (ETS) . Tuy nhiên, các tín hiệu từ những SSE nhỏ và ngắn hạn này thường bị lẫn trong chuỗi dữ liệu thời gian nhiễu mà các nhà phân tích thường bỏ sót . Mạng lưới GPS, công cụ truyền thống để đo chuyển động của vỏ Trái Đất, lại tỏ ra kém hiệu quả: tốc độ biến dạng từ các sự kiện sâu này thường nằm dưới ngưỡng phát hiện của GPS .

DeepStrain hoạt động như thế nào?

Do nhà địa vật lý Zahra Zali tại GFZ Potsdam phát triển, DeepStrain là một mô hình học sâu được huấn luyện đặc biệt trên các bản ghi dữ liệu từ máy đo biến dạng lòng đất của Mạng lưới Châu Mỹ (NOTA) thuộc Quỹ Khoa học Quốc gia Mỹ (NSF) . Thuật toán tự động học cách nhận ra các dạng sóng tinh tế của quá trình trượt chậm từ những dữ liệu biến dạng liên tục có độ nhiễu cao. Mã nguồn và quy trình tiền xử lý đã được công bố công khai vào tháng 8 năm 2025, cho phép các nhà nghiên cứu khác áp dụng phương pháp này cho các đứt gãy khác .

Khi được áp dụng cho khu vực Parkfield, DeepStrain đã đạt được một kết quả đáng chú ý: nó phát hiện 90% các SSE đã được ghi nhận trước đó và quan trọng hơn, xác định thêm 21 SSE mới mà các phân tích thủ công đã bỏ lỡ . Sự gia tăng khoảng 30% này trong danh mục sự kiện đã biết mang lại một bức tranh toàn diện hơn nhiều về hành vi của đứt gãy tại đoạn đã được nghiên cứu kỹ lưỡng này của San Andreas.

Mối liên hệ thời gian với Động đất tần số thấp

Có lẽ phát hiện quan trọng nhất xuất hiện khi nhóm nghiên cứu phân tích thời điểm xảy ra các SSE mới được phát hiện liên quan đến các LFE. Dữ liệu cho thấy các sự kiện trượt chậm thường xảy ra trước các trận động đất tần số thấp . Trình tự thời gian này gợi ý mạnh mẽ về một cơ chế nhân quả: sự trượt chậm phi địa chấn đã tích tụ hoặc kích hoạt các mảnh địa chấn mà sau đó tạo ra LFE.

Kết quả này phù hợp với các nghiên cứu trước đây cho thấy hoạt động rung chấn và LFE gần Parkfield có cùng tỷ lệ kéo dài mô-men như các sự kiện trượt chậm, ngụ ý chúng có liên kết vật lý . Các trận động đất tần số thấp từ lâu đã được coi là chỉ báo địa chấn của sự trượt phi địa chấn xung quanh , nhưng DeepStrain cung cấp bằng chứng trắc địa rõ ràng nhất cho thấy các sự kiện trượt chậm riêng lẻ xảy ra trước và có khả năng kích hoạt những trận động đất nhỏ đó.

Ý nghĩa đối với Giám sát đứt gãy và Vai trò của AI trong Địa vật lý

Khả năng phát hiện mở rộng

DeepStrain chứng minh rằng AI có thể trích xuất các tín hiệu trắc địa nằm dưới ngưỡng phát hiện của cả mạng lưới GPS lẫn các phân tích thủ công. Danh mục SSE mở rộng này cho phép các nghiên cứu thống kê mạnh mẽ hơn về hành vi đứt gãy, khoảng thời gian lặp lại và các điều kiện dẫn đến các trận động đất lớn hơn .

Mối liên hệ nhân quả giữa trượt phi địa chấn và địa chấn

Quan sát thấy rằng SSE thường xảy ra trước LFE ủng hộ các mô hình trong đó sự trượt chậm tích tụ áp lực lên các mảnh đứt gãy lân cận, có thể đưa chúng đến gần điểm phá hủy hơn. Phát hiện này có liên quan trực tiếp đến việc tìm hiểu sự hình thành và tái diễn của động đất trên đứt gãy San Andreas—một khu vực quan trọng để đánh giá nguy cơ địa chấn .

Tiềm năng hoạt động theo thời gian thực

Vì DeepStrain có thể được triển khai trên dữ liệu máy đo biến dạng lòng đất liên tục, nó cung cấp một công cụ để phát hiện gần như thời gian thực các biến dạng tạm thời có thể xảy ra trước các trận động đất lớn hơn. Mạng lưới NOTA đã duy trì cơ sở hạ tầng máy đo biến dạng cần thiết và cung cấp cả dữ liệu cũng như công cụ xử lý cho cộng đồng nghiên cứu . Điều này có thể thay đổi cách các hệ thống cảnh báo sớm động đất tích hợp dữ liệu trắc địa.

Tiền lệ rộng hơn về AI trong địa vật lý

Nghiên cứu này cùng với các bằng chứng ngày càng tăng (ví dụ: CNN để phát hiện rung chấn ở Cascadia , học sâu để xác định LFE trên San Andreas ) cho thấy rằng AI có thể trích xuất một cách có hệ thống các tín hiệu địa vật lý vô hình trước đây từ các bản ghi liên tục. DeepStrain chứng minh rằng nguyên tắc tương tự áp dụng cho dữ liệu máy đo biến dạng lòng đất, một loại cảm biến quan trọng để phát hiện trượt tạm thời trong các phần sâu của đứt gãy.

Lưu ý và Câu hỏi mở

Kiến trúc chi tiết của DeepStrain (ví dụ: nó có sử dụng thiết kế tích chập, hồi quy hay máy biến áp) không được trình bày chi tiết trong các thông tin tóm tắt công khai. Chi tiết phương pháp luận đầy đủ có trong bài báo trên Nature Communications (doi: 10.1038/s41467-026-74095-9) . Ngoài ra, thuật toán này mới chỉ được xác thực trên đoạn Parkfield; hiệu suất của nó trên các đới đứt gãy khác với cấu hình máy đo biến dạng và đặc điểm nhiễu khác vẫn cần được kiểm tra.