1.简介
大量研究致力于研究地震事件之间的相关性[1,2,三,4]. 古腾堡-里希特和奥莫里-乌苏定律、余震和前震序列中的聚集性以及地震群等都是众所周知的。[5,6,7]. 块层次方法[4]ETAS模型[三,8],识别主要能源分支的方法[9,10,11,12,13],以及研究复杂网络的方法[14]已被用于研究相关性和确定地震事件连接性标准,这些地震事件被视为某些体积中的随机事件流。分形和分数过程理论广泛应用于地震过程的研究及其模型的构建。介质特征、故障网络结构[15]以及地震震中的设置[16]具有分形性质,由分数定律决定[三,14,17]. 大量构建的统计模型得出的结论是,根据所选标准考虑的目录中的地震事件之间存在相关性[三,6,7,10,11,12,17,18,19,20]. 在这种情况下,将地震过程表示为一系列独立事件,并用标准泊松过程进行描述是不正确的[2,19,21]. 这些序列中事件之间的关联导致了遗传性(时间非局部性,«记忆»)和空间非局部性的出现。使用分数泊松过程来描述地震变形过程是该方法的逻辑延续,它考虑了非局部性的特性[22]. 这篇文章是作品的延续[12,13,22]. 分数泊松过程用于描述不可逆变形变化[22]. 所提出的地震变形过程模型包括五种模式,每种模式都由分数泊松过程参数值的变化决定。为了验证变形过程的分数模型,根据地震目录数据构建了前震序列[23]使用统计模型[12]. 从地震危险性评估的角度来看,地震变形过程激活的这一阶段是令人感兴趣的。变形可以被认为是一系列独立的随机位错变化。标准泊松过程可以作为此类变化的模型。为了解释非局部性效应,作者建议使用分数泊松过程[22]. 本研究中向多参数分数泊松过程的过渡扩大了描述变形变化的可能性。不仅可以考虑地震事件之间的指数相关性,还可以考虑幂律相关性,从而可以对正常和异常的活化和弛豫过程进行建模。分析相关性与基于事件连接性标准获得的目录数据处理结果进行了比较。 2.变形过程的数学模型
如参考文献所述[22],弹性应力的临界水平由外力的功维持。它们作用的结果是变形模式发生变化的变形过程。这个过程的特征是位错的随机变化率,它由空间尺度和位移矢量值决定。该方法使用位错变化理论描述了不连续性、沿现有断层的运动以及在广泛范围内晶粒或块体的重新包装。 每个位错由时空坐标定义。位错集在所考虑体积中随时间变化的分布是一个随机过程。如果位错的影响区域不相交,则认为它们是独立的。在这种情况下,位错重新封装的过程被定义为随机行走过程,并用标准泊松过程描述。如果位错密度增加,且其影响范围重叠,则位错相互关联,形成位错簇。然后,在时空表示中,用分数泊松过程描述簇。我们将标准泊松过程的这种推广应用于描述变形过程中不可逆变化的模型。分数泊松过程可以获得三种类型的各种活化和弛豫过程:,、和最后一种幂律相关性是由遗传效应引起的,对应于分形特性,并给出了过程的异常激活和松弛。
位错变化过程在变形过程的不同尺度层次上具有相同的结构。因此,为了描述模型,只需考虑一个选定空间尺度的变形过程。
变形活动被分解为五种模式或状态:-背景模式(背景或正常脉动);-衰减模式(减速脉动);-前震阶段的激活模式;-主冲击阶段的激活模式;和-余震阶段的弛豫模式。我们使用分数泊松过程的概念和带有幂律参数的Mittag–Leffler函数来描述每个状态及其保持在相同状态或过渡到另一个状态的概率,该函数定义了变形过程的松弛或激活(取决于符号变化)特征,其中参数()是泊松过程的分数参数(分数导数的参数)是非平稳参数,即,如果参数值满足条件,则幂律依赖于非平稳事件流的时间.功能给出了遗传效应的描述(当减少,过程的遗传性增加),以及幂律论证决定了位错流强度的幂律变化。功能是服从微分方程的幂律指数律,对于一个过程x个其中位错流的强度根据幂律随时间局部变化。一起,和定义复杂的延迟松弛(产生非局部效应)(图1(二) )。 因此,通过改变参数和可以分别利用遗传性(«记忆»或非局部性)或局部性(局部分支过程的幂律指数函数)的优势获得变形过程的不同模式。事件之间具有非指数相关性的波过程的时间和空间特性通过色散关系相关联(例如,声发射的脉冲持续时间与裂纹尺寸有关,脉冲之间的等待时间与裂纹之间的距离有关);因此,如果过程具有时间非局部性,那么它也具有空间非局部性。当过程的激活阶段开始时,会出现记忆效应,伴随而来的是地震事件分支的空间非局部性效应。
州在该方法的框架内,地震形变的背景过程是一个具有平均强度的标准泊松过程(一系列独立事件)。那么保持相同状态的概率以指数形式取决于时间(图1(一) ),定义为过程向下一状态的转移概率如下所示:. 州.持续作用的外力导致背景模式发生变化,并导致流变性发生变化。如果,在某些卷中V(V)在空间中,介质在瞬间发生局部硬化然后变形过程减慢,强度事件流的减少并等于(地震间隙区域[24],其中形成了变形不均匀性)。因此,延期(未完成)事件存在能量积累,这些事件位于卷中V(V)并形成集群。因此,对于接下来发生的每个事件,等待时间间隔都会增加,这表明了进程的遗传性。然后,该进程保持在该状态的概率可以由递减的分数Mittag–Leffler函数给出(1)具有以下参数:,、和[25,26] 概率(三)在初始阶段,下降速度比指数函数快(2),并且随着时间间隔的增加,它的减小速度会变慢(图1(二) ),即过程被延迟。这表明,由于地震间隙中未发生的事件的聚集,分数过程中存在后效或遗传效应。 我们应该注意,参数定义了时间间隔内事件分布的分数维[26]. 因此,中等硬度改变了过程的分数阶(事件统计),它检测由硬化引起的遗传效应引起的延迟松弛。 州.该州赛事短缺导致弹性应力增加,从而克服了介质硬化和强度的值增加并取释放累积的附加弹性能。其结果是在瞬间发生变形扰动以及向国家的过渡前震阶段,以主震结束(过渡到状态). 这种激活可被视为与地震间隙中未实现的事件相关的更高规模的事件,变形扰动的能量应与未实现事件的能量之和相对应。
对于状态的分析描述,我们使用主震在某一时刻发生的概率()即概率从状态转换的到州.我们给出了概率通过增加Mittag–Leffler分数函数(1)如下(图2):哪里-是变形扰动中事件流的平均强度,,在这种情况下,不改变状态的概率由表达式给出. 区分表达式(4),我们得到了前震增加流分布的概率密度,可以解释为逆Omori–Utsu定律, 前震阶段以及前震之前的阻尼阶段对于地震预测来说非常有趣。应力释放的能量可以从衰减时间来评估,变形扰动的发展速度可以从前震周期来预测,从而给出短期预测的时间。
州.当函数达到等于1的值时,进程进入状态位错密度最大的主震。概率仍然处于状态瞬间发生的主震,对于值,由递减的Mittag–Leffler分数函数给出(1):哪里,. 州由于主震,介质变弱(流变性改变),导致位错密度和事件流强度逐渐降低,该值为该过程与前震阶段相反;因此,余震的阶段可以被定义为与状态类似.概率过渡到状态,余震阶段,被定义为非保存性主震的概率(图3). 差异化表达(5),我们得到减少余震流的密度,即Omori–Utsu定律, 3.前震模式统计模型
3.1. 构造前震序列的算法
我们使用作品中定义的标准[12,13]构建统计模型。如果两个事件满足由介质不均匀性决定的空间准则,则它们是相关的[27]从古腾堡-里希特定律导出的时间准则,以及能量准则,根据该准则,主震之前的事件具有较少的能量(震级或能量等级)。根据引入的标准,相关地震事件序列的构成取决于前次事件与起始事件的接近程度。 根据以下算法识别前震。主激波准备的时空区域由空间和时间刻度,取决于正在准备的活动的能量等级[12,13]. 如果满足以下条件,则上一次地震被视为前震,并包含在序列(簇)中: - (1)
主震和前一事件之间的时间间隔不超过时间刻度:;
- (2)
主震与前一事件之间的距离不超过空间尺度:,其中第页是事件之前的半径矢量;
- (3)
前一事件的能量等级小于该等级K(K)主震的。
如果一个事件被标记为前震,则对其应用相同的算法,即,我们转换到较低的能级,并找到该事件的前震,等等。因此,我们继续降低能级。
如果能量较低的事件(前震)进入所考虑事件的时空区域,则该算法有效。否则,算法会返回到更高的一个能级。此过程一直持续到达到初始事件(主电击)。然后,该算法继续工作,直到耗尽能量较低的相关事件(前震)。
3.2. 经验累积前震等待时间分布函数的构造方法给定能量的主震
我们认为能量的主震K(K)发生在瞬间然后,论点经验累积分布函数(eCDF)瞬间发生的前震等待时间t吨,其中,定义为 构建eCDF前震等待时间取决于主震前的能量K(K),采用了历元叠加的方法。所获得的能量级主震的前震群中包括的所有事件K(K)沿时间轴分布,步长为一天。如果间隔包含的事件少于五个,则将其与相邻的时间间隔组合[28]. eCDF是前震发生相对频率随时间变化的函数在这期间,主震是根据所获得的统计数据编制的。这些函数是针对包括所有类别前震的样本和特定类别的前震进行计算的(也就是说,我们通过能量尺度对前震进行了排列)。 3.3. 处理目录数据
俄罗斯科学院地球物理调查局堪察加分局1962年1月1日至2002年12月31日期间Kuril-Kamchatka岛弧俯冲带的地震目录用于研究(区域–N、,–E)[23]. 样本量为,目录中包含能量等级的事件–根据能量等级对地震数量的统计表明,能量低于超过15人的班级是不具代表性的。在这方面,级别低于研究中未使用。 参数近似Mittag–Leffler函数的(4)确定了形变扰动中事件流的平均密度。该参数是使用Gutenberg–Richter的统计数据估计的,这些统计数据是从考虑中的目录处理结果中获得的。当事件的能量等级值从到,强度的估计值在极限范围内变化分别是。 为了构建和调查eCDF在前震等待时间方面,考虑了12.0~12.9级的主震(大约相当于里氏震级的5~5.5级)。这种选择取决于这些类别(超过50个事件)的事件样本大小、地震准备的足够大的时空区域以及按能量分解前震样本时前震样本的大小。对于高能地震,样本规模较小;例如,对于同学们,只有32场比赛。8.5-10级的事件注册频率最高;因此,它们对前震等待时间eCDF的形式影响最大。
应该注意的是,尽管给定能量的主震(1000–4000次前震)的目录和前震样本规模较大,但在构建前震能量分级分布时,样本规模不超过200–300个事件。
4.结果和讨论
图4绘制eCDF在对数刻度上,显示所有类别的前震频率,具体取决于时间在主震之前。函数参数是时间增量(6)以主震前几天为单位进行测量。价值观对应于主震。在对数刻度上获得的曲线图是非线性的,但也有接近线性的部分。在双对数标度中没有线性。得到的相关性表明,统计分布比幂律更接近指数律。 这个表1显示了主震类别前震样本的主要特征第12.3、12.7和12.9节。应该指出,主震等级的增加导致前震样本量的增加,因为地震准备的时空区域增加了。然而,与此同时,主震样本量的减少降低了所考虑时间间隔内的事件发生频率。此外,当到达主震的时间增加时,即在分布尾部,间隔中的事件数量减少。分布尾部的事件频率随着样本量的增加而增加,从而导致参数值的减少和/或. 基于构造的变形过程模式模型,eCDF能量级地震(主震)的前震等待时间、12.3、12.7和12.9由Mittag–Leffler函数近似(4),其中表示法(6)并通过指数函数进行比较。最小二乘法用于eCDF的近似前震等待时间。Mittag–Leffler函数的表示(4)包括该系列的201个术语(). 然后,我们获取参数的值,,从指定的间隔开始,增量为对于和并且增量为对于。当,我们得到了一个指数函数。Mittag–Leffler函数与样本值的平方偏差之和最小的参数值用于近似。结果如所示表2和中图5和图6通过比较Mittag–Leffler函数和指数函数的近似结果,表明Mittag-Lefler函数具有更好的精度(表2). Mittag-Lefler函数的近似误差为百分比单位。通常,它比指数函数的近似误差小得多,除非指数函数是最佳近似(). 平均密度值变形扰动中事件流的阶数为当经验法则由函数近似(4). 这与从目录中获得的估计一致。需要注意的是,eCDF通过Mittag–Leffler函数具有最佳近似值,参数值接近或相等和这可能表明非局部过程在时间(遗传性)和空间上的关系。此外,如果主震的能量等级(图5)减小,则参数值,值减小增加。当主震等级增加时,我们观察到相反的情况(图6). 5.结论
本文采用分数泊松过程来描述不可逆变形变化。从概率角度来看,变形过程被视为从一种状态(或模式)到另一种状态的过渡。分数Mittag–Leffler函数考虑了非局部性的性质(即过程的历史),用于描述变形过程的模式。该模型是具有独立事件的泊松过程模型的逻辑延续和扩展。此外,分数参数和由介质参数决定,从而可以更完整地描述其特性。
目前,余震序列的规律已经得到了很好的研究。本文根据与地震孕育区能量和介质特征有关的判据,构造了前震序列(群)。前震等待时间的eCDF取决于获得主震前的时间。
分数参数的变化,和比例因子Mittag–Leffler函数使近似eCDF成为可能Mittag–Leffler函数对统计结果的近似表明,该函数的近似精度高于指数函数的近似。eCDF的最佳近似值获得了接近的参数值和Mittag–Leffler函数的。强弱主震的前震行为存在差异。这可以解释为不同能量事件的记忆效果不同。需要注意的是,由于数据量较小,地震学在统计上不足以严格解决选择有利于分数泊松过程的变形模型的问题。然而,由于其普遍性,它仍然是可取的。
该模型可用于诱发地震活动的研究,其中的模式很可能与自然地震活动中的模式相同。在炼油过程中,将流体注入井中,诱发地震具有重要的应用价值[29,30,31].