人工爆炸检测有助于识别真实的事情

计算机可以被训练来更好的探测遥远的核爆炸,化学爆炸和火山喷发的学习人工爆炸信号,根据一项新的方法由阿拉斯加费尔班克斯大学的科学家。

领导的工作,Alex Witsil UAF地球物理研究所博士后研究员最近被发表在《地球物理研究快报》杂志上。

Witsil,地球物理研究所的威尔逊阿拉斯加技术中心,和他的同事创造了一个库爆炸合成次声信号的训练计算机在识别一个次声信号的来源。次声频率过低,是由人类和波比高频声音传播得更远。

“我们使用建模软件生成28000合成次声信号,虽然在计算机生成的,假设可以记录的次声麦克风部署数百公里从一个大爆炸,“Witsil说。

人工信号反映大气条件的变化,从而改变爆炸的区域或全球作为声波传播的信号。这些变化可以使人难以检测爆炸的来源和类型从一个很远的地方。

为什么创建人工爆炸的声音,而不是使用实际的例子吗?因为爆炸没有发生在这个星球上每一个位置,大气中不断变化,没有足够的实际的例子来训练检测通用机器学习算法。

“我们决定使用人工合成物,因为我们可以模拟许多不同类型的大气信号可以传播,通过“Witsil说。“即使我们没有获得任何爆炸发生在北卡罗莱纳,例如,我可以使用我的电脑模型北卡罗来纳州爆炸和建立一个机器学习算法来检测爆炸信号。”

今天,检测算法通常依赖于次声阵列组成的多个麦克风靠近对方。例如,国际全面禁止核试验条约组织、监控核爆炸,次声阵列部署。

“这是昂贵,很难维护,和更多的东西可以打破,“Witsil说。

Witsil的方法提高了检测利用数以百计的单个元素的次声麦克风已经在世界各地的地方。使检测更划算。

机器学习方法扩大单个元素次声麦克风的作用使它们能够检测更微妙的爆炸近实时信号。单元素麦克风目前是有用的只有追溯分析知道,通常高振幅的信号,就像1月的大规模火山喷发的汤加。

Witsil的方法可以部署在一个操作设置国防或自然灾害减灾。

参考:Witsil,费D, Dickey J,佩纳R, Waxler R,布鲁姆p .检测大爆炸与机器学习模型对合成次声数据训练。“Res列托人。2022;49 (11):e2022GL097785。doi:10.1029/2022 gl097785

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。