地震序列模拟跳过每次破裂:FNO 学出震前到震后的跳跃映射,两万年基准从 84.0 小时降到 11.1 小时
核心概要
加州理工学院团队把地震序列模拟中代价最高的动态破裂阶段交给傅里叶神经算子(FNO,一种在频域里学习函数到函数映射的网络),由它直接从震前断层状态预测震后状态,慢速震间期仍由常规准动态求解器推进。在同质断层两万年、异质断层四万年的基准上,混合模拟再现了全动态参考的震级与复发时间分布,且比常用的准动态近似更接近全动态结果;同质情形总计算时间从 84.0 小时降到 11.1 小时。
深度剖析
长周期地震序列模拟现在可以只在慢速震间期使用常规求解器,把每次快速破裂整段替换为一次学习到的状态跳跃,从而在保留惯性波致应力效应的同时完成数万年尺度的模拟。 此前的做法是在整个序列中忽略惯性波致应力传递、改用准动态近似,因为跟踪这些效应既需要额外计算又需要大量存储;而准动态近似会明显改变序列模拟的结果。 在同质断层两万年、异质断层四万年的模拟中,混合模型与全动态参考的震级分布 KL 散度为 0.1517(同质)和 0.0381(异质),准动态近似则为 0.6468 和 0.1091;复发时间分布上混合模型同样更接近全动态参考。
混合模拟器把一次地震事件当作一个整体来跨越:准动态求解器推进震间期,直到断层最大滑移速度越过阈值判定事件开始,随后由训练好的网络直接给出事件结束时的断层状态。 跳跃映射之所以可学,是因为事件前后惯性波致效应可以忽略,映射不依赖更早的历史,只取决于事件开始那一刻的滑移速度与状态变量。 训练数据来自同质与异质两种断层各两万对震前—震后状态,按 14000/2000/4000 划分为训练、验证与测试;在测试集上,带冗余变量的版本对对数滑移速度的中位相对误差为 0.00436(同质)和 0.00782(异质)。
网络输入输出中额外加入剪应力与应力传递泛函的变化量,使同一跳跃映射的预测更准,也让混合模拟能稳定地连续推进。 只用滑移速度与状态变量这两个基本量的版本也能学出跳跃映射,但误差更大。 加入冗余后,对数滑移速度的中位相对误差从 0.0172 降到 0.0091(同质),从 0.0128 降到 0.0078(异质);状态变量的中位误差从 0.0393 降到 0.0207(同质),从 0.0300 降到 0.0173(异质)。原文正文与表 2 对同质情形的具体数值给出不同结果,这里引用的是正文给出的降幅。
启示与展望
演示范围限于一维速率—状态摩擦界面、反平面剪切下的同质与异质两种断层构型,统计对照覆盖同质两万年与异质四万年的模拟。作者提出的后续方向包括三维断层、震间期含粘塑性效应的模型,以及闪热、孔隙流体热增压等更复杂的动态弱化机制。
跳跃映射的可用性建立在事件前后惯性波致效应可忽略、映射近似马尔可夫这一前提上。空间离散化测试中,同质情形从 8192 网格降到 512 网格时误差明显上升,异质情形只测到 1024 网格。大事件复发时间的 KL 散度在同质情形下混合模型为 0.2439,而准动态近似为 0.1910。原文正文与表 2 对同质情形冗余前后的中位误差给出不一致的数值,引用时需以其中一处为准。
