Implementation, in the Vrancea geodynamic zone, of an intelligent seismic-risk monitoring system based on the multidimensional processing of data provided by bio-geophysical sensors with the aid of a neural network

OPEN PROJECT

Implementation, in the Vrancea geodynamic zone, of an intelligent seismic-risk monitoring system based on the multidimensional processing of data provided by bio-geophysical sensors with the aid of a neural network

English version. Romanian version and Bibliography below. 

Document retrieved from the archives of the UNESCO Chair of Geodynamics within the Institute of Geodynamics. The original text has been preserved as such, while the bibliography has been brought up to date through the addition of recent and relevant references.

Assessing the seismic risk of an area is a major objective of modern geophysical research. Studies aimed at understanding the mechanisms of stress accumulation in seismically active zones — and therefore responsible for the occurrence of earthquakes — have been reinvigorated by the emergence of a body of theories and models known as “Complexity science”. Thus, following the discovery of fractal geometry, chaos theory and catastrophe theory, seismic events have been reinterpreted as typical examples of the dynamics of nonlinear systems. Self-organization has become the most widely used and important model concerning the occurrence of earthquakes [1, 2]. Studies on databases containing all seismic events with magnitudes greater than 2 have revealed alternations between periods of acceptable predictability and periods with randomly distributed events, leading to the idea that “the very degree of predictability of seismic events changes over time” (J. D. Goltz, 1997). From this perspective, the earthquake has become an expression of “geocomplexity” (Rundle et al., 2000), which has directed scientific research toward the understanding of complex phenomena and the scientific exploitation, in the geosciences in general and in seismology in particular, of the principal concepts, models, theories and techniques offered by the new paradigm of Complexity.

By assimilating a seismically active zone to a hierarchically structured complex system, the following statements can be made:

– a seismic event irreversibly modifies the structure of the system, which is why the model must be continually adapted;
– each seismic event discharges the system by a characteristic energy value (the magnitude), which each time alters the initial condition for the new loading stage, resulting in reduced — but not impossible — predictability;
– precursors are sometimes expected to be identifiable (depending on the initial condition of the system after a seismic event);
– each seismic event discharges the local system and transfers part of the energy to neighbouring areas, which is why an understanding of the temporal evolution of a seismogenic zone cannot be achieved in the absence of a monitoring network at a scale larger than the system itself;
– in the critical state, triggering factors may alternate with inhibiting factors, reducing a model’s predictability and emphasizing two distinct objectives in the monitoring of a seismogenic zone: 1. assessing the onset of a critical state; 2. tracking low-intensity processes resonant with the hypocentral zone, which may provide information regarding “the formation of the triggering signal”;
– the seismogenic zone under observation is part of a higher-order hierarchical system and coupled with the dynamic/evolutionary GAIA assembly [16], which allows useful information to be extracted from adjacent and underlying systems, living and non-living;
– structural changes driven by variations in energy-informational and material fluxes obey laws of universality (patterns, allometric constants) that allow the evolution of real systems to be characterized.

1. Objectives

1. Structuring a set of models (a multimodel) and the specific methodology for characterizing their evolution from the perspective of a complex system evolving far from thermodynamic equilibrium — with particular application to the study of a seismically active zone;
2. Using the multimodel thus generated, together with the multiscale evaluation methodology (informational filter), to build an intelligent monitoring system for the evolution of a seismically active zone, with a view to improving seismic-risk assessment.

To achieve these aims, the project pursues the following specific objectives:

Assessing the effect of discretization on the behaviour of dynamical systems

Similarly to the studies that led to Feigenbaum’s discovery of the period-doubling route to chaos, the effect of discretization will be studied on the behaviour of the dynamical systems used in modelling the physical phenomena responsible for stress accumulation in seismic zones and for the triggering of earthquakes. In each case the control parameters will be identified and the model’s behaviour under their variation will be studied. The best representation methods will be identified, and techniques for the quantitative evaluation of the behaviour in conveniently chosen equivalent spaces will be systematized.

Exploring the features offered by automaton-type simulation in modelling geodynamic phenomena in seismically active zones

This activity involves building cellular-automaton programs specific to the modelling of rupture processes and adapting them to the study of the behaviour of a geodynamically active zone. The aim is to identify patterns in the model’s evolution (nucleation, growth and percolation of fractures in rupture processes), as well as the monitoring particularities associated with such a model (sensor placement, specific processing methods), etc. The intent is to understand the specific differences between modelling with dynamical systems and modelling through computational simulation, which allows the visualization of event-clustering processes, the dependence of avalanche dynamics on accumulated history, the highlighting/invention of new evaluation methods and the suggestion of measurement conditions.

Building a multimodel

The starting point is the claim that a complex system can be approximated by a set of conveniently chosen models — in short, a multimodel. Each model used will accurately capture one aspect of the changes occurring in the complex system, the totality of these aspects constituting an objective measure of the system’s evolution. By appropriately adjusting the control parameters of each individual model, the multimodel’s behaviour can be tuned so as to minimize the prediction error. When this control is exercised through a neural network, it can be said that the multimodel’s evolution will gradually track the evolution of the monitored complex system, justifying the term intelligent monitoring system. To this end, those models that allow the most heterogeneous evaluation of a geodynamically active zone will be assessed and retained, in order to ensure as complete an overall picture as possible.

Building an informational filter

In the context of the present project, an “informational filter” was defined as the set of methods for evaluating a data series of non-periodic appearance, capable of associating with it a set of scalars. This allows an objective characterization of the structure of the data series. The application of evaluation methods — statistical, fractal, the determination of wavelet-type estimators, the Lyapunov exponent, the dimension of the phase space — allows the generation of a vector that distils the main characteristics of the analysed data series, thus making the transition from a quantitative, statistical evaluation to a qualitative one, associated with the structure of the analysed signal. The study will pursue the optimization of the informational filter so that it can correctly characterize surrogate data series generated by known methods.

Adapting the measurement equipment and the measurement protocol to the requirements imposed by the monitoring of a complex system and by the construction of the intelligent monitoring system

This stage of the project addresses the quality of the measurement chain and the manner of placing the set of geophysical sensors, with a view to adapting, on the one hand, to the requirements imposed by the monitoring of a complex system and, on the other hand, to those imposed by the multimodel used. In the case of good adaptation it can be anticipated — as theoretical studies on the synchronization of chaotic systems show — that, over time, the data flow will be able to ensure synchronization between the intelligent monitoring system and the monitored reality, leading to an improvement of the prediction offered and thus to an improvement in seismic-risk assessment in a geodynamically active zone.

Carrying out a pilot experiment at the Căldărușani Geodynamic Observatory aimed at evaluating the performance of an intelligent monitoring system for a seismically active zone

This is the main objective, by which the results obtained throughout the project are aggregated into a unified whole that couples a neural network with an informational filter that pre-processes the information coming from a battery of sensors capable of providing a data flow from the monitored reality, the network being trained with the aid of the information provided by the multimodel used. The entire structured assembly is designed under the concrete conditions required for implementation within the Căldărușani Geodynamic Observatory.

 

 

PROIECT DESCHIS

Implementarea în zona geodinamică Vrancea a unui sistem inteligent de monitorizare a riscului seismic, bazat pe procesarea multidimensională a datelor furnizate de senzori bio-geofizici cu ajutorul unei rețele neurale

*Document preluat din arhivele Catedrei de Geodinamică UNESCO din cadrul Institutului de Geodinamică. Textul original a fost păstrat ca atare, iar bibliografia a fost adusă la zi prin adăugarea unor referințe recente și relevante.

Evaluarea riscului seismic al unei zone este un obiectiv major în cercetarea geofizică modernă. Studiile legate de înțelegerea mecanismelor de cumulare a tensiunii în zone seismic active și implicit responsabile de producerea cutremurelor de pământ au fost revigorate de apariția unui ansamblu de teorii și modele cunoscute sub denumirea de „știința Complexității”. Astfel, după descoperirea geometriei fractale, a teoriei haosului și a teoriei catastrofelor, evenimentele seismice au fost reinterpretate ca exemple tipice ale dinamicii sistemelor neliniare. Procesul de auto-organizare a devenit cel mai uzitat și important model privitor la producerea cutremurelor de Pământ [1, 2]. Studiile în baze de date ce conțin toate evenimentele seismice cu magnitudini mai mari de 2 au evidențiat alternanțe între perioade cu predictibilitate acceptabilă și perioade cu evenimente distribuite aleator, fapt ce a condus la ideea că „însăși gradul de predictibilitate al evenimentelor seismice se schimbă în timp” (J. D. Goltz, 1997). Din această perspectivă, cutremurul de pământ a devenit o expresie a „geocomplexității” (Rundle ș.a., 2000), fapt ce a determinat orientarea cercetării științifice către înțelegerea fenomenelor complexe și valorificarea științifică în domeniul geoștiințelor în general și al seismologiei în special a principalelor concepte, modele, teorii și tehnici puse la dispoziție de noua paradigmă a Complexității.

Asimilând o zonă seismic activă cu un sistem complex ierarhizat, putem face următoarele afirmații:

– un eveniment seismic modifică ireversibil structura sistemului, motiv pentru care este necesară o permanentă adaptare a modelului;
– fiecare eveniment seismic descarcă sistemul cu o valoare energetică proprie (magnitudinea), fapt ce modifică de fiecare dată condiția inițială pentru noua etapă de încărcare, având drept consecință o predictibilitate redusă, dar nu imposibilă;
– este de așteptat ca uneori să se identifice precursori (dependent de condiția inițială a sistemului după un eveniment seismic);
– fiecare eveniment seismic descarcă sistemul local și transferă o parte din energie zonelor alăturate, motiv pentru care o înțelegere a evoluției în timp a unei zone seismogene nu poate fi realizată în lipsa unei rețele de monitorizare la o scară superioară sistemului;
– în stare critică, factorii declanșatori pot alterna cu factori inhibitori, reducând predictibilitatea unui model și punând accent pe două obiective diferite în cadrul monitorizării unei zone seismogene: 1. evaluarea instalării unei stări critice; 2. urmărirea proceselor de mică intensitate și rezonante cu zona hipocentrală, ce pot aduce informații privitoare la „formarea semnalului declanșator”;
– zona seismogenă aflată sub observație este parte dintr-un sistem ierarhic superior și cuplată cu ansamblul dinamic/evolutiv GAIA [16], fapt ce permite extragerea de informații utile din sistemele adiacente și subiacente, vii și nevii;
– schimbările de structură în funcție de variații ale fluxurilor energo-informaționale și materiale respectă legi de universalitate (pattern, constante alometrice) ce permit caracterizarea evoluției unor sisteme reale.

1. Obiective

1. Structurarea unui ansamblu de modele (un multimodel) și a metodologiei specifice de caracterizare a evoluției acestora din perspectiva unui sistem complex ce evoluează departe de echilibrul termodinamic – cu particularizare la studiul unei zone seismic active;
2. Folosirea multimodelului astfel generat și a metodologiei de evaluare multiscalară (filtru informațional) în construirea unui sistem de monitorizare inteligentă a evoluției unei zone seismic active în vederea îmbunătățirii evaluării riscului seismic.

Pentru atingerea acestor obiective, proiectul vizează atingerea următoarelor obiective punctuale:

Evaluarea efectului discretizării asupra comportării sistemelor dinamice

Asemănător studiilor ce au condus la descoperirea scenariului de tranziție la haos prin bifurcații succesive a lui Feigenbaum, se va studia efectul discretizării asupra comportamentului sistemelor dinamice utilizate în modelarea fenomenelor fizice responsabile de cumularea stresului în zone seismice, respectiv de declanșarea seismelor. Se vor identifica în fiecare caz în parte parametrii de control și se va studia comportarea modelului la variația acestora. Se vor identifica cele mai bune modalități de reprezentare și se vor sistematiza tehnicile de evaluare cantitativă a comportării în spații echivalente, convenabil alese.

Explorarea caracteristicilor oferite de simularea de tip automat în modelarea fenomenelor geodinamice în zone seismic active

Activitatea desfășurată presupune construcția de programe de tip automat celular, specifice modelării proceselor de rupere, și particularizarea lor pentru studiul comportării unei zone geodinamic active. Se va căuta identificarea unor pattern-uri în evoluția modelului (germinarea, dezvoltarea și percolarea fisurilor în procesele de rupere), precum și identificarea particularităților de monitorizare asociate unui asemenea model (amplasarea senzorilor, modalități de procesare specifice) etc. Se va urmări înțelegerea diferențelor specifice dintre modelarea cu sisteme dinamice și cea prin simulare computațională ce permite vizualizarea unor procese de clusterizare a evenimentelor, dependența dinamicii unei avalanșe de istoria acumulată, evidențierea/inventarea unor metode noi de evaluare, sugerarea unor condiții de măsurare.

Construcția unui multimodel

Se pornește de la afirmația că un sistem complex poate fi aproximat printr-un ansamblu de modele convenabil alese, pe scurt un multimodel. Fiecare model utilizat va surprinde cu acuratețe câte un aspect al modificărilor survenite în sistemul complex, ansamblul acestor aspecte constituindu-se într-o măsură obiectivă a evoluției sistemului. Modificând corespunzător parametrii de control al fiecărui model în parte, se poate ajusta comportamentul multimodelului astfel încât eroarea de predicție să se minimizeze. Atunci când acest control se face prin intermediul unei rețele neurale, se poate spune că evoluția multimodelului va urmări treptat evoluția sistemului complex monitorizat, justificând termenul de sistem inteligent de monitorizare. În acest sens, se vor evalua și reține acele modele ce permit o evaluare cât mai eterogenă a unei zone geodinamic active pentru a asigura o viziune de ansamblu cât mai completă.

Construcția unui filtru informațional

În contextul prezentului proiect, a fost definit „filtru informațional” ansamblul de metode de evaluare a unei serii de date cu aspect neperiodic, capabil să asocieze acesteia un set de scalari. Prin aceasta se permite o caracterizare obiectivă a structurii seriei de date. Aplicarea unor metode de evaluare: statistice, fractale, determinarea unor estimatori de tip wavelets, exponent Liapunov, dimensiunea spațiului fazelor permite generarea unui vector ce esențializează principalele caracteristici ale seriei de date analizate, făcându-se astfel tranziția de la o evaluare cantitativă, statistică, la una calitativă, asociată structurii semnalului analizat. Studiul va urmări optimizarea filtrului informațional pentru a putea caracteriza corect o serie de date surogat generate prin metode cunoscute.

Adaptarea aparaturii de măsură și a protocolului de măsurare la cerințele impuse de monitorizarea unui sistem complex, respectiv de construcția sistemului inteligent de monitorizare

Această etapă a proiectului vizează studiul calității lanțului de măsură și a modalității de amplasare a ansamblului de senzori geofizici în vederea adaptării la cerințele impuse de monitorizarea unui sistem complex pe de o parte și la cerințele impuse de multimodelul utilizat pe de altă parte. În cazul unei bune adaptări se poate preconiza, așa cum arată studiile teoretice legate de sincronizarea sistemelor haotice, că, în timp, fluxul de date va fi capabil să asigure sincronizarea dintre sistemul inteligent de monitorizare și realitatea monitorizată, fapt ce va conduce la îmbunătățirea predicției oferite și implicit la o îmbunătățire a evaluării riscului seismic într-o zonă geodinamic activă.

Realizarea unui experiment pilot în Observatorul de Geodinamică Căldărușani destinat evaluării performanțelor unui sistem inteligent de monitorizare a unei zone seismic active

Este obiectivul principal prin care se agregă rezultatele obținute de-a lungul proiectului într-un ansamblu unitar, ce alătură unei rețele neurale un filtru informațional ce preprocesează informația provenită de la o baterie de senzori capabili să furnizeze un flux de date din realitatea monitorizată, rețeaua fiind antrenată cu ajutorul informației furnizate de multimodelul utilizat. Întreg ansamblul structurat este proiectat în condițiile concrete cerute de implementarea în cadrul Observatorului de Geodinamică Căldărușani.

 

References / Bibliografie

1. Bak, P., Tang, C. (1994). Earthquakes as a self-organized critical phenomenon. *Journal of Geophysical Research*, 99(B8), 15635–15637.
2. Rundle, J., Turcotte, D. L., Rundle, P. B., Yakovlev, G., Shcherbakov, R. (2006). Pattern dynamics, pattern hierarchies, and forecasting in complex multi-scale earth systems. *Hydrology and Earth System Sciences Discussions*, 3, 1045–1069.
3. Prigogine, I., Dewel, G., Kondepudi, D. (2001). *Chemistry Far from Equilibrium: Thermodynamics, Order and Chaos*. Cambridge University Press.
4. Lovejoy, S., Schertzer, D. (2007). Scaling and multifractal fields in the solid earth and topography. *Nonlinear Processes in Geophysics*, 14, 465–502.
5. Bejan, A. (2006). *Advanced Engineering Thermodynamics* (3rd ed.). Wiley-Interscience.
6. Savageau, M. A. (1979). Allometric Morphogenesis of Complex Systems: Derivation of the Basic Equations from First Principles. *Proceedings of the National Academy of Sciences USA*, 76(12), 6023–6025.
7. Munteanu, F., Zugrăvescu, D., Rusu, M., Suteanu, C. (1994). On the synergy of ruptures. *Revue Roumaine de Géophysique*, 38.
8. Wolfram, S. (2002). *A New Kind of Science*. Wolfram Media.
9. Chua, L. O., Lin, G.-N. (1990). Canonical realization of Chua’s circuit family. *IEEE Transactions on Circuits and Systems*, 37(7), 885–902.
10. Dogaru, R., Murgan, A. T. (1995). Chaotic Resonance Theory, a New Approach for Pattern Storage and Retrieval in Neural Networks. În *Proceedings of the IEEE International Conference on Neural Networks*, 6, 3048.
11. Strogatz, S. (2003). *Sync: The Emerging Science of Spontaneous Order*. Hyperion, New York.
12. Munteanu, F., Zugrăvescu, D., Ioana, C., Suteanu, C. (1994). On the possibility to use the Feigenbaum scenario in modelling certain geodynamic phenomena. *Revue Roumaine de Géologie, Géophysique et Géographie, Série de Géophysique*, 38.
13. Schöll, E., Schuster, H. G. (Eds.) (2007). *Handbook of Chaos Control*. Wiley.
14. Gassmann, F. (1997). Noise-induced chaos-order transitions. *Physical Review E*, 55(3).
15. Yang, T., Chua, L. O. (2000). Chaotic impulse radio: a novel chaotic secure communication system. *International Journal of Bifurcation and Chaos in Applied Sciences and Engineering*, 10(2), 345–357.
16. Lovelock, J. E. (1987). *Gaia: A New Look at Life on Earth*. Oxford University Press, Oxford / New York.
17. Petrescu, L., & Enescu, B. (2025). Seismicity of a relic slab: space-time cluster analysis in the Vrancea Seismic Zone. *Earth, Planets and Space*, 77(1), 6. https://doi.org/10.1186/s40623-025-02136-6
18. Ferrand, T. P., & Manea, E. F. (2021). Dehydration-induced earthquakes identified in a subducted oceanic slab beneath Vrancea, Romania. *Scientific Reports*, 11, 10315. https://doi.org/10.1038/s41598-021-89601-w
19. Enescu, B., Ghita, C., Moldovan, I.-A., & Radulian, M. (2023). Revisiting Vrancea (Romania) Intermediate-Depth Seismicity: Some Statistical Characteristics and Seismic Quiescence Testing. *Geosciences*, 13(7), 219. https://doi.org/10.3390/geosciences13070219
20. Petrescu, L., Borleanu, F., Radulian, M., Ismail-Zadeh, A., & Mațenco, L. (2021). Tectonic regimes and stress patterns in the Vrancea Seismic Zone: Insights into intermediate-depth earthquake nests in locked collisional settings. *Tectonophysics*, 799, 228688. https://doi.org/10.1016/j.tecto.2020.228688
21. Mousavi, S. M., & Beroza, G. C. (2023). Machine Learning in Earthquake Seismology. *Annual Review of Earth and Planetary Sciences*, 51, 105–129. https://doi.org/10.1146/annurev-earth-071822-100323
22. Mousavi, S. M., Ellsworth, W. L., Zhu, W., Chuang, L. Y., & Beroza, G. C. (2020). Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. *Nature Communications*, 11(1), 3952. https://doi.org/10.1038/s41467-020-17591-w
23. Zhu, W., & Beroza, G. C. (2019). PhaseNet: a deep-neural-network-based seismic arrival-time picking method. *Geophysical Journal International*, 216(1), 261–273. https://doi.org/10.1093/gji/ggy423
24. Toader, V.-E., Mihai, A., Moldovan, I.-A., Ionescu, C., Marmureanu, A., & Lingvay, I. (2021). Implementation of a Radon Monitoring Network in a Seismic Area. *Atmosphere*, 12(8), 1041. https://doi.org/10.3390/atmos12081041
25. Galiana-Merino, J. J., Molina, S., Kharazian, A., Toader, V.-E., Moldovan, I.-A., & Gómez, I. (2022). Analysis of Radon Measurements in Relation to Daily Seismic Activity Rates in the Vrancea Region, Romania. *Sensors*, 22(11), 4160. https://doi.org/10.3390/s22114160
26. Sarlis, N. V., Skordas, E. S., & Varotsos, P. A. (2020). Self-organized criticality and earthquake predictability: A long-standing question in the light of natural time analysis. *EPL (Europhysics Letters)*, 132(2), 29001. https://doi.org/10.1209/0295-5075/132/29001