用于实验室地震预测与断层带应力自回归深度学习的预报

地震预报与预测有着悠久且在某些情况下不光彩的历史，但近期的工作基于早期预警、诱发地震危险性评估以及实验室地震成功预测的进展重新引发了关注。在实验室中，摩擦粘滑事件为地震和地震周期提供了类比。实验室地震是机器学习(ML)的理想目标，因为它们可在受控条件下以长序列产生。近期研究表明，ML可利用断层带声发射预测实验室地震的若干方面。在此，我们推广这些结果并探索用于实验室地震预测和自回归(AR)预报的深度学习方法。DL改进了现有的实验室地震预测ML方法。AR方法通过迭代预测实现未来时刻的预报。我们证明，基于长短期记忆(LSTM)和卷积神经网络的DL模型在多种条件下预测实验室地震，且断层带应力可被高保真地预测，证实了声能量是断层带应力的指纹。我们还预测了实验室地震的失效开始时间(TTsF)和失效结束时间(TTeF)。有趣的是，TTeF在所有地震周期中均被成功预测，而TTsF预测随震前断层蠕滑量变化。我们报告了使用三种序列建模框架：LSTM、时间卷积网络和Transformer网络，来预报断层应力演化的AR方法。AR预报不同于现有的仅预测特定时刻目标变量的预测模型。超出单一地震周期的预报结果有限但令人鼓舞。我们的ML/DL模型优于最先进水平，且我们的自回归模型代表了一种可增强现有地震预报方法的新型框架。