СЕЙСМИКАЛЫҚ СИГНАЛ АМПЛИТУДАЛАРЫН МИНУТТЫҚ ДЕҢГЕЙДЕ НАҚТЫ УАҚЫТТА БОЛЖАУҒА АРНАЛҒАН ГИБРИДТІ МАШИНАЛЫҚ ОҚЫТУ ТӘСІЛІ

Сейсмикалық толқындық деректерді нақты уақыт режимінде интерпретациялау сигнал динамикасын бақылау және аномальды белсенділікті анықтау үшін маңызды болып табылады. Алайда сейсмикалық амплитудаларды болжау әлі де күрделі міндет болып қала береді, себебі сейсмикалық сигналдар жоғары өзгергіштікпен, шу деңгейінің көптігімен және стационарлы емес сипатымен ерекшеленеді. Бұл зерттеуде IRIS FDSN толқындық деректерін пайдалана отырып, минуттық деңгейдегі сейсмикалық сигнал амплитудаларын нақты уақыт режимінде болжауға арналған автоматтандырылған, үзілістерге төзімді конвейер, сондай-ақ жеті болжау моделін - Naive (persistence), ARIMA, Ridge-регрессия, HistGradientBoosting, стандартты GRU, LSTM және оқыту функциясына уақыттық тегістік пен амплитуданың өсуін шектейтін қосымша қосатын физикалық қағидаларға негізделген регуляризацияланған GRU (PI-GRU) - қатаң, статистикалық тұрғыдан негізделген салыстыруы ұсынылады. Модельдер 91 күндік үздіксіз бақылау кезеңінен алынған, төрт горизонт (5, 15, 30 және 60 минут) бойынша 81 тәуелсіз, қиылыспайтын болжау терезесінде бағаланды; бағалауда жұптасқан параметрсіз статистикалық маңыздылық тесттері, сандық абляциялық талдау және шу мен деректердің жетіспеушілігіне төзімділік тесттері қолданылды, ал негізгі нәтижелер балама peak-priority агрегациясы бойынша қосымша тексерілді. Классикалық модельдер, әсіресе Ridge-регрессия мен HistGradientBoosting, барлық нейрондық модельдерге қарағанда статистикалық тұрғыдан едәуір төмен болжау қатесін көрсетті (Friedman және Holm түзетілген Wilcoxon тесттері, p<0.0001) және синтетикалық шу мен жетіспейтін деректерге төзімді болды, ал ұсынылған PI-GRU моделі, керісінше, барлық модельдер арасында ең нашар нәтиже көрсетті және тегістелмеген базалық GRU моделімен салыстырғанда тегісірек болжам траекторияларын қалыптастыра алмады. Біз мұны жасырмай, адал теріс нәтиже ретінде хабарлаймыз: қазіргі конфигурацияда осы зерттеуде қарастырылған физикалық қағидаларға негізделген регуляризация классикалық машиналық оқыту әдістерімен салыстырғанда дәлдік немесе тұрақтылық артықшылығын көрсете алмады. Бұл жұмыстың негізгі үлесі - автоматтандырылған нақты уақыттағы болжау конвейерінің өзі және қайта пайдалануға болатын, қатаң бағалау әдістемесі, сондай-ақ нейрондық модельдердің неліктен төмен нәтиже көрсеткені және болашақта мұны қалай жақсартуға болатыны туралы нақты, тексерілетін болжамдар болып табылады.

1. Mojtahedi, F., Yousefpour, N., Chow, S. H., & Cassidy, M. (2025). Deep learning for time series forecasting: Review and applications in geotechnics and geosciences. Archives of Computational Methods in Engineering. Advance online publication. https://doi.org/10.1007/s11831-025-10244-5

2. Wang, L., Jia, B., & Su, G. (2025). Prediction of coal and gas outbursts based on physics-informed neural networks and traditional machine learning models. Scientific Reports, 15, Article 29984. https://doi.org/10.1038/s41598-025-02320-4

3. Jafari, A., Fox, G., Rundle, J. B., Donnellan, A., & Ludwig, L. G. (2024). Time series foundation models and deep learning architectures for earthquake temporal and spatial nowcasting. GeoHazards, 5(4), 1247–1274. https://doi.org/10.3390/geohazards5040059

4. Li, Z., Eaton, D. W., & Davidsen, J. (2023). Physics-informed deep learning for forecasting seismic activity. Scientific Reports, 13, Article 13133. https://doi.org/10.1038/s41598-023-40403-2

5. Bischof, R., & Kraus, M. A. (2025). Multi-objective loss balancing for physics-informed deep learning. Computer Methods in Applied Mechanics and Engineering. Advance online publication. https://doi.org/10.1016/j.cma.2025.117914

6. Hu, H., Qi, L., & Chao, X. (2024). Physics-informed neural networks for computational solid mechanics: Applications and frameworks. Thin-Walled Structures. Advance online publication. https://doi.org/10.1016/j.tws.2024.112495

7. Wang, S., Teng, Y., & Perdikaris, P. (2020). Understanding and mitigating gradient pathologies in physics-informed neural networks. Journal of Computational Physics, 419, Article 109913. https://doi.org/10.48550/arXiv.2001.04536

8. Nasiri, M., Kortelainen, J., & Särkkä, S. (2026). Dual-level models for physics-informed multi-step time series forecasting. arXiv. https://doi.org/10.48550/arXiv.2601.07640

9. Park, K. V., Kim, J., & Seo, J. (2025). PINT: Physics-informed neural time series models with applications to long-term inference on WeatherBench 2m-temperature data. arXiv. https://doi.org/10.48550/arXiv.2502.04018

10. Biswas, S., & Yadav, K. K. (2025). A physics-informed U-Net-LSTM network for nonlinear structural response under seismic excitation. arXiv. https://doi.org/10.48550/arXiv.2511.21276

11. Martinez, Y., Rojas, L., Peña, A., Valenzuela, M., & Garcia, J. (2025). Physics-informed neural networks for the structural analysis and monitoring of railway bridges: A systematic review. Mathematics, 13(10), Article 1571. https://doi.org/10.3390/math13101571

12. Huang, Y., Han, X., & Zhao, L. (2021). Recurrent neural networks for complicated seismic dynamic response prediction of a slope system. Engineering Geology, 289, Article 106198. https://doi.org/10.1016/j.enggeo.2021.106198

13. Huang, Y.-M., Chen, K.-Y., Lin, W.-W., & Chen, D.-Y. (2025). An attention-based framework with multistation information for earthquake early warnings. IEEE Transactions on Geoscience and Remote Sensing. Advance online publication. https://doi.org/10.48550/arXiv.2412.18099

14. Bilal, M. A., Ji, Y., Wang, Y., Akhter, M. P., & Yaqub, M. (2022). An early warning system for earthquake prediction from seismic data using batch normalized graph convolutional neural network with attention mechanism (BNGCNNATT). Sensors, 22(17), Article 6482. https://doi.org/10.3390/s22176482

15. Lyu, D., Nakata, R., Ren, P., Mahoney, M. W., Pitarka, A., Nakata, N., & Erichson, N. B. (2025). Rapid wavefield forecasting for earthquake early warning via deep sequence to sequence learning. Nature Communications. Advance online publication. https://doi.org/10.1038/s41467-025-65435-2

16. Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 1724-1734). https://doi.org/10.3115/v1/D14-1179

17. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735

18. Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67. https://doi.org/10.1080/00401706.1970.10488634

19. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189-1232. https://doi.org/10.1214/aos/1013203451

20. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.