Exploring continuous seismograms with machine learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Exploring continuous seismograms with machine learning

Exploration de sismogrammes continus par l'apprentissage automatique

René Steinmann
  • Fonction : Auteur
  • PersonId : 1266827
  • IdRef : 268795908

Résumé

Continuous seismograms record time series of ground motion and are considered as a goldmine of information on active geological objects such as volcanoes or faults. However, the complexity and size of seismic data challenge the efficient and successful mining of the interesting information, hidden within a large amount of data. Automatic algorithms scanning continuous data streams can help overcome these challenges and might reveal new types of seismic signals, offering new insights about active geological objects. In this work, we develop a novel strategy based on machine learning, which infers meaningful and continuous patterns from seismograms and identifies groups of seismic signals in a data-driven fashion.The proposed strategy, which involves hierarchical waveform clustering, breaks up into three major steps: (1) a scattering network retrieves a rich and stable data representation of the continuous seismogram,(2) we lower the dimensionality of the data representation by extracting the most relevant features describing continuous temporal patterns, and (3) we perform hierarchical agglomerative clustering in the feature space, revealing hierarchical groups of similar signals in a tree-like structure. With this strategy we blindly identify a seismic burst of more than 200 similar low-magnitude earthquakes in the continuous seismogram recorded in a noisy urban environment. Besides identifying patterns and signal clusters related to various seismic sources, we are also able to infer medium changes due to freezing and thawing processes directly from the continuous seismogram of a single station. The continuous data-driven patterns describe also the stationarity of the seismic wavefield. An application to seismic data recorded in the vicinity of the Klyuchevskoy volcano, Russia, highlights the strong non-stationary character of seismic tremors, witnessing a constant change of the volcanic system. In general, hierarchical waveform clustering can deliver a quick and data-driven overview over the seismic signals and patterns present in the seismograms. Identifying blindly patterns related to medium changes seems possible and more studies and applications are needed for a generalization. We conclude that hierarchical waveform clustering might be a helpful tool in searching for tectonic background signals in vast amount of seismic time series.
Les sismogrammes sont des séries temporelles du mouvement du sol considérées comme une mine d'informations sur les objets géologiques actifs tels que les volcans ou les failles. Cependant, la complexité et le volume de ces données rendent difficile une extraction efficace d'informations intéressantes. Des algorithmes automatiques appliqués aux données continues peuvent aider à surmonter ces difficultés et pourraient révéler de nouveaux types de signaux sismiques, offrant de nouvelles perspectives de recherche sur les objets géologiques actifs. Dans ce travail, nous développons une nouvelle stratégie basée sur l'apprentissage machine pour inférer des structures de signal significatives et continues à partir de sismogrammes, en particulier, des groupes de signaux sismiques. La stratégie proposée utilise le regroupement hiérarchique de formes d'onde, et comporte trois étapes principales : (1) un réseau diffusif permet une représentation riche et stable des données sismiques continues, (2) nous réduisons la dimensionnalité de la représentation des données en extrayant les éléments les plus pertinents décrivant les modèles temporels continus, et (3) nous effectuons un regroupement agglomératif hiérarchique à partir des données réduites, révélant des groupes hiérarchiques de signaux similaires dans une structure arborescente. Grâce à cette stratégie, nous montrons qu'il est possible de mettre en évidence des essaims sismiques de plus de 200 séismes similaires de faible magnitude dans des sismogrammes continus enregistrés dans un environnement urbain bruyant. Outre l'identification de groupes de signaux liés à diverses sources sismiques, nous déduisons également un changement de milieu dû à des processus de gel et de dégel directement à partir de données continues receuillies par une seule station. Ces caractéristiques continues basées sur les données fournissent également une excellente description du caractère stationnaire du champ d'ondes sismiques. Finalement, une application aux sismogrammes enregistrées à proximité du volcan Klyuchevskoy met en évidence le caractère fortement non stationnaire des trémors volcaniques, et témoigne d'une évolution constante du système volcanique. En général, le regroupement hiérarchique des formes d'onde peut fournir un aperçu rapide et orienté données des signaux sismiques et des structures présentes dans les sismogrammes. L'identification automatique de structures liées à des changements de propriétés du milieu semble possible et d'autres études et applications sont nécessaires pour une généralisation à d'autres cas d'étude. Le regroupement hiérarchique des formes d'onde s'avère être un outil utile pour la recherche de signaux tectoniques faibles dans les grandes séries temporelles sismiques enregistrées dans les observatoires sismologiques et volcaniques.
Fichier principal
Vignette du fichier
STEINMANN_2022_archivage.pdf (18.3 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04148384 , version 1 (03-07-2023)

Identifiants

  • HAL Id : tel-04148384 , version 1

Citer

René Steinmann. Exploring continuous seismograms with machine learning. Environmental Engineering. Université Grenoble Alpes [2020-..], 2022. English. ⟨NNT : 2022GRALU038⟩. ⟨tel-04148384⟩
79 Consultations
29 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More