Deformationsentwicklung in kontinentalen Rifts: Machine learning für seismische Daten und numerische Modellierung

• Antragsteller: Privatdozent Dr. Sascha Brune
• Fachliche Zuordnung: Physik des Erdkörpers ; Geologie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 460760884

Kontinentales Rifting ist ein geodynamischer Schlüsselprozess, der kontinuierlich die Oberfläche unseres Planeten formt. Derzeit aktive Rifts und geriftete Kontinentränder beherbergen bedeutende natürliche Ressourcen wie Grundwasser und Geothermische Energie, sind aber auch Orte von starken, seltenen Erdbeben, die erhebliche Naturgefahren darstellen. Um diese Naturgefahren und Georessourcen zu verstehen, ist es nötig, die Lokalisierung und die Entwicklung von Störungsnetzwerken in kontinentalen Rifts zu quantifizieren. Zu diesem Zweck schlagen wir ein innovatives, multidisziplinäres Projekt vor, das Techniken des Machine Learning nutzt und weiterentwickelt, um große Datenvolumen sowohl aus seismischen 3-D Reflexionsdaten als auch aus geodynamischen 3-D Modellen zu analysieren. Unser Machine Learning Ansatz versetzt uns in die einzigartige Lage, große Datenmengen automatisiert zu untersuchen. Unser Projekt richtet sich dabei auf drei grundlegend Fragenkomplexe hinsichtlich der Dynamik von tektonischen Störungsnetzwerken in Raum und Zeit: Q1) Wie verteilt sich das Deformationsfeld in Riftsystemen? Wie stark variiert die Deformation mit der Tiefe? Q2) Wie entwickelt sich das 3D-Dehnungsfeld eines Störungsnetzwerks zeitlich? Welchen Einfluss hat dabei die Rheologie der Erdkruste? Q3) Wie ändert sich das Störungsfeld, wenn sich die Dehnungsrichtung ändert? Können wir beobachtete Störungsorientierungen verwenden, um auf Änderungen in Plattenbewegungen zu schließen?Hier beantragen wir ein dreijähriges Forschungsprojekt, in dem wir Deep Learning Methoden verwenden, um Versätze von Störungen aus seismischen 3D-Reflexionsdaten zu extrahieren. Unsere Fokusregion wird das nördliche Nordsee-Rift sein, wo wir einen einzigartigen neuen seismischen Datensatz analysieren, der fast das gesamte Rift (35.410 km2) mit einer Auflösung von einigen zehn bis hundert Metern abbildet und eine Tiefe von ~ 20 km abdeckt. Die Analyse dieses Störungsnetzwerks ergänzen wir durch geodynamische Modelle, die wir ebenfalls mit Machine Learning Techniken analysieren. Im Gegensatz zur seismischen Datenanalyse lässt sich mit dem numerischen Modellierungsansatz die vollständige, zeitabhängige Entwicklung eines Rift-Systems nachvollziehen, und eröffnet damit die Möglichkeit einer detaillierten räumlich-zeitlichen Deformationsanalyse. Letztendlich werden wir eine Reihe von Modellen für repräsentative rheologische und kinematische Parameter durchführen, um die Variabilität der entstehenden Störungsdynamik abzuleiten und die großräumige Extensionsgeschichte der nördlichen Nordsee zu quantifizieren. Darüber hinaus werden unsere Ergebnisse zur Dynamik von Störungsnetzwerken für viele andere Rifts und Kontinentalränder weltweit von hoher Relevanz sein. Machine Learning birgt ein enormes Potenzial für die Analyse großer Datenmengen in ähnlichen und anderen Studienbereichen. Wir werden daher sämtliche Software-Routinen dieses Projekts unter einer Open-Source-Lizenz zu Verfügung stellen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Großbritannien, Norwegen
• Kooperationspartnerinnen / Kooperationspartner: Dr. Rebecca Bell; Professor Dr. Robert Gawthorpe; Dr. Indranil Pan