ARGUS: 疎ネットワークEGS/CCS環境におけるリアルタイム地震源特性評価と地動予測のための17msエンドツーエンド深層学習パイプライン

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Novel integration of GNN, spectral graph networks, and Fourier neural operators for real-time seismic source characterization; provides a benchmark for low-latency ML in geophysical monitoring.

🏢実務担当者:Enables cost-effective, real-time induced seismicity monitoring for CCS and EGS operations, reducing the need for dense sensor arrays and high-performance computing.

🏛政策担当者:Supports evidence-based regulation of induced seismicity for CCS and geothermal projects, demonstrating that accurate monitoring is feasible with sparse networks.

我々はARGUS（Automated Real-time Geophysical Understanding System）を提示する。これは、稀疏地震観測網から震源位置、セントロイドモーメントテンソル（CMT）、および最大地動加速度（PGA）分布を同時に推定するエンドツーエンドの深層学習パイプラインであり、拡張地熱システム（EGS）および二酸化炭素回収・貯留（CCS）における誘発地震モニタリングを対象とする。わずか4〜8観測点から、ARGUSは市販ハードウェア上で17.0 ms以内に3つの出力すべてを生成する。このパイプラインは3つのニューラルコンポーネントを連結する：GNN-Locator（コンフォーマル不確実性定量化を備えたグラフアテンション（GATv2）ロケーター）、SWIFT CMT（破壊メカニズム分類のためのスペクトルグラフネットワーク）、およびFNO-NAMI（4.5 msで128×128のPGAマップを予測するフーリエニューラルオペレーター）。ここではMw 2.0未満の公開EGS微小地震データを使用しなかったため、EGS関連範囲Mw 2.6〜4.0をカバーする代理として、実地域記録（K-NETおよびHi-net、2016年熊本地震系列）で検証する。ロケーターは、ランダム分割で中央値誤差10.3 km、ファインチューニング後の時間分割で14.7 km（Mw 2.6〜4.0では12.7 km）を達成し、コンフォーマル区間は90%名目水準で96.2%の経験的カバレッジに達する；SWIFT CMTは、合成ユタ州FORGEデータ（99.4%の3クラス精度）で訓練され、熊本では95.1%のせん断分類に転移し、記録された横ずれメカニズムと整合する；FNO-NAMIはPGA減衰を再現する（Pearson r = 0.619；n = 2,892）。我々は、この地域スケールの検証が、統合された低遅延アーキテクチャの実現可能性を確立するものであり、貯留層スケールのEGS位置精度を確立するものではないことを強調する。後者には、次の即時ステップとして概説する専用のユタ州FORGEフィールド検証が必要である。アブレーション研究は、GATv2アテンション（+77%）、S–P差分特徴（+53%）、および波形エンコーダー（+59%）の貢献を確認する。完全に公開データと市販ハードウェアのみで構築されたARGUSは、高性能計算を必要とせずに、100 ms未満の同時震源特性評価が達成可能であることを示す。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

We present ARGUS (Automated Real-time Geophysical Understanding System), an end-to-end deep-learning pipeline that jointly estimates hypocenter location, centroid moment tensor (CMT), and peak ground acceleration (PGA) distribution from sparse seismic networks, targeting induced-seismicity monitoring in enhanced geothermal systems (EGS) and carbon capture and storage (CCS). From as few as four to eight stations, ARGUS produces all three outputs in 17.0 ms on commodity hardware. The pipeline chains three neural components: GNN-Locator, a graph-attention (GATv2) locator with conformal uncertainty quantification; SWIFT CMT, a spectral graph network for fracture-mechanism classification; and FNO-NAMI, a Fourier neural operator predicting 128 × 128 PGA maps in 4.5 ms. Because publicly available EGS microseismicity below Mw 2.0 was not used here, we validate on real regional records (K-NET and Hi-net, 2016 Kumamoto sequence) as a proxy spanning the EGS-relevant range Mw 2.6–4.0. The locator attains a median error of 10.3 km on random splits and 14.7 km on temporal splits after fine-tuning (12.7 km for Mw 2.6–4.0), with conformal intervals reaching 96.2% empirical coverage at the 90% nominal level; SWIFT CMT, trained on synthetic Utah FORGE data (99.4% three-class accuracy), transfers to 95.1% shear classification on Kumamoto, consistent with the documented strike-slip mechanism; FNO-NAMI reproduces PGA attenuation (Pearson r = 0.619; n = 2,892). We emphasize that this regional-scale validation establishes the feasibility of the integrated low-latency architecture rather than reservoir-scale EGS location accuracy, which requires the dedicated Utah FORGE field validation we outline as the immediate next step. Ablations confirm the contributions of GATv2 attention (+77%), S–P differential features (+53%), and the waveform encoder (+59%). Built entirely from public data on commodity hardware, ARGUS shows that simultaneous, sub-100-ms source characterization is attainable without high-performance computing.

• EarthArXiv https://eartharxiv.org/repository/object/13744/download/24144/first seen 2026-07-01 04:18:26 · last seen 2026-07-14 04:17:56