Dünyamızın derinlikleri, sürekli hareket halinde olan, karmaşık ve gizemli bir sistemdir. Bu hareketlilik, zaman zaman yıkıcı depremlerle kendini gösterir ve bu doğa olaylarını anlamak, tahmin etmek insanlık için hayati bir çaba olmuştur. Talivio olarak, yapay zeka ve en son bilimsel araştırmaları kullanarak deprem tahmin modellerimizi sürekli olarak geliştiriyoruz. Bu süreçte, yer kabuğunun fiziksel özelliklerini derinlemesine anlamak, yani kayaçların davranışlarını mikro düzeyde incelemek kritik bir rol oynamaktadır. Bu yazıda, dijital kaya fiziği ve yapay zekanın, özellikle evrişimsel sinir ağlarının (CNN'ler), kayaçların elastik modüllerini tahmin etme konusundaki gücünü ve bu bilgilerin Talivio'nun deprem tahmin modellerine nasıl entegre edildiğini keşfedeceğiz.
Dijital Kaya Fiziği: Yeraltını Sanal Ortamda Keşfetmek
Dijital kaya fiziği (DRP), kayaçların karmaşık mikro yapılarını, genellikle yüksek çözünürlüklü 3 boyutlu görüntüler (örneğin, X-ışını mikro-bilgisayarlı tomografi taramaları) aracılığıyla sanal ortamda yeniden oluşturma ve analiz etme bilimidir. Bu görüntüler, kayaçların gözenek yapısını, mineral dağılımını ve diğer morfolojik özelliklerini detaylı bir şekilde ortaya koyar. Geleneksel laboratuvar deneyleri pahalı, zaman alıcı ve bazen imkansız olabilirken, DRP araştırmacılara kayaçların fiziksel ve mekanik özelliklerini sanal bir ortamda, farklı koşullar altında simüle etme olanağı sunar.
Bu sanal kayaçlar üzerinde yapılan analizler, gözenek boyutu dağılımı, geçirgenlik, elektrik iletkenliği ve en önemlisi, elastik özellikler gibi parametrelerin belirlenmesine yardımcı olur. Bir kayacın dijital ikizini oluşturarak, bilim insanları fiziksel denklemleri doğrudan bu yapı üzerinde çözebilir ve kayacın gerçek dünyadaki davranışını yüksek doğrulukla tahmin edebilirler. Bu yaklaşım, sismik dalgaların kayaçlar içindeki yayılımını anlamak için temel bir adımdır, zira dalgaların hızı ve zayıflaması, kayaçların fiziksel özelliklerine doğrudan bağlıdır. Talivio'nun modelleri, sismik dalga yayılımını ve yer altı heterojenliğini anlamak için bu tür ayrıntılı yer altı bilgilerinden yararlanır.
Elastik Modüller Neden Önemlidir?
Elastik modüller, bir malzemenin uygulanan gerilime karşı deformasyona ne kadar direndiğini, yani ne kadar sert veya esnek olduğunu tanımlayan temel fiziksel özelliklerdir. Yer bilimleri bağlamında, bu modüller kayaçların davranışını ve sismik dalga yayılımını anlamak için vazgeçilmezdir. Başlıca elastik modüller şunlardır:
- Young Modülü (E): Bir malzemenin çekme veya basma gerilimi altındaki uzunluk değişimine karşı direncini ölçer.
- Kayma Modülü (G): Bir malzemenin kayma gerilimi altındaki deformasyonuna karşı direncini ölçer.
- Hacim Modülü (K): Bir malzemenin hacimsel gerilime karşı hacim değişimine karşı direncini ölçer.
- Poisson Oranı (ν): Bir malzemenin bir yönde gerildiğinde veya sıkıştırıldığında diğer yöndeki orantılı deformasyonunu ifade eder.
Bu modüller, P-dalgası (birincil, sıkıştırma) ve S-dalgası (ikincil, kayma) hızlarının hesaplanması için doğrudan kullanılır. Sismik dalgalar, yer altında farklı kayaç katmanlarından geçerken hızları ve genlikleri değişir. Bu değişiklikler, kayaçların yoğunluğu, gözenekliliği ve özellikle elastik özellikleri hakkında değerli bilgiler sağlar. Örneğin, yüksek kayma modülüne sahip kayaçlar, sismik kayma dalgalarını daha hızlı iletirken, daha düşük modüllere sahip kayaçlar dalgaları yavaşlatır veya zayıflatır.
Deprem mekaniği açısından, elastik modüllerin anlaşılması, fay hatları üzerindeki gerilim birikimini ve salınımını modellemek için hayati öneme sahiptir. Bir fay hattının çevresindeki kayaçların elastik özellikleri, ne kadar enerji depolayabileceğini ve bu enerjiyi bir depremle nasıl serbest bırakacağını doğrudan etkiler. Bu nedenle, yer altındaki elastik modüllerin doğru tahmini, Talivio'nun deprem potansiyeli ve sismik tehlike değerlendirmeleri için kritik bir girdidir.
Yapay Zeka ile Tahmin: Evrişimsel Sinir Ağları (CNN'ler) Sahneye Çıkıyor
Geleneksel olarak, kayaçların elastik modüllerini belirlemek için laboratuvar deneyleri veya karmaşık sayısal simülasyonlar kullanılır. Ancak bu yöntemler, özellikle büyük veri setleri ve karmaşık kayaç mikro yapıları için hesaplama açısından yoğun ve zaman alıcı olabilir. İşte burada yapay zeka, özellikle evrişimsel sinir ağları (CNN'ler) devreye giriyor.
CNN'ler, görüntü tanıma ve analizinde olağanüstü başarılar elde etmiş bir derin öğrenme mimarisidir. Dijital kaya fiziği bağlamında, CNN'ler, 3 boyutlu dijital kaya görüntülerinden doğrudan elastik modülleri tahmin etmek için eğitilebilir. Araştırmalar, CNN'lerin dijital kaya görüntüleri içindeki karmaşık gözenek yapısı ve mineral dağılımı gibi özellikleri otomatik olarak öğrenerek, bu yapıların elastik özelliklerle olan ilişkisini yüksek doğrulukla çıkarabildiğini göstermektedir. Örneğin, [Demirci et al., 2026 — arxiv:2606.25275] tarafından yapılan güncel bir çalışma, 3 boyutlu CNN'lerin dijital kaya örneklerindeki P-dalgası ve S-dalgası hızlarını ve dolayısıyla elastik modüllerini başarılı bir şekilde tahmin ettiğini bulmuştur. Bu modeller, geleneksel yöntemlere kıyasla daha hızlı ve verimli bir şekilde sonuç üretme potansiyeline sahiptir.
CNN'lerin bu alandaki avantajları şunlardır:
- Verimlilik: Büyük veri setleri üzerinde hızlı tahminler yapabilirler.
- Doğruluk: Karmaşık mikro yapısal özellikleri öğrenerek yüksek tahmin doğruluğu sağlarlar.
- Genelleme Yeteneği: Farklı kayaç türleri ve yapıları için genellenebilir modeller oluşturulabilir.
Bu gelişmeler, yer altı karakterizasyonunda devrim niteliğindedir. Artık, binlerce dijital kaya örneğinin elastik özelliklerini, her birini manuel olarak analiz etmeye gerek kalmadan, otomatik ve güvenilir bir şekilde tahmin edebiliyoruz. [Demirci et al., 2026 — arxiv:2606.25275] makalesinde belirtildiği gibi, bu tür yapay zeka destekli yaklaşımlar, sismik hız modellerinin oluşturulmasında ve yer altı gerilim alanlarının daha hassas bir şekilde belirlenmesinde önemli bir potansiyel sunmaktadır. Bu, Talivio gibi platformlar için, deprem potansiyeli olan bölgelerdeki yer altı koşullarını daha iyi anlamak adına paha biçilmez bir araçtır.
Talivio'nun Modelleriyle Bağlantı: Yüzey Altı Bilgisinin Deprem Tahminine Katkısı
Talivio'nun deprem tahmin modeli, çeşitli sismik, jeodezik ve jeolojik verileri entegre eden çok katmanlı, bantlı bir makine öğrenimi sistemidir. Modellerimiz, M4-5, M5-6, M6-7 ve M7+ gibi farklı deprem büyüklüğü bantları için özelleştirilmiştir ve LightGBM, Random Forest, ExtraTrees ve Calibrated Lojistik Regresyon gibi gelişmiş algoritmaları kullanır. Bu algoritmalar, GNSS gerinim hızı, b-değeri anomalisi, Coulomb gerilim transferi ve ETAS parametre tahmini gibi 102'den fazla sismik özniteliği işleyerek deprem olasılıklarını değerlendirir.
Dijital kaya fiziği ve yapay zeka ile elde edilen elastik modül tahminleri, Talivio'nun bu karmaşık sistemine doğrudan katkıda bulunur. Nasıl mı?
- Gelişmiş Coulomb Gerilim Transferi Modelleri: Coulomb gerilim transferi, bir depremin ardından komşu fay segmentleri üzerindeki gerilim değişikliklerini tahmin ederek, gelecekteki deprem riskini değerlendirmede kritik bir faktördür. Bu hesaplamalar, yer altındaki kayaçların elastik özelliklerine (özellikle Kayma Modülü ve Poisson Oranı) son derece duyarlıdır. CNN'ler aracılığıyla elde edilen doğru elastik modül haritaları, bu gerilim transferi modellerini daha gerçekçi ve hassas hale getirir. Bu, Talivio'nun 102 sismik özniteliğinden biri olan Coulomb gerilim transferi tahminlerinin doğruluğunu artırır.
- GNSS Gerinim Hızı Yorumu: Küresel Navigasyon Uydu Sistemleri (GNSS) verileri, yer kabuğundaki deformasyonları ve gerinim birikimini ölçer. Ancak bu yüzey deformasyonlarının yer altındaki fay hatlarına nasıl yansıdığını anlamak için, aradaki kayaç kütlesinin elastik özelliklerini bilmek gerekir. Dijital kaya fiziği, bu bağlantıyı kurarak GNSS gerinim hızı verilerinin yorumunu iyileştirir ve Talivio'nun gerinim hızı özniteliklerinin etkinliğini artırır. Örneğin, 2023 Türkiye-Suriye depremlerinin (örn. usgs:us6000jllz) ardından yapılan çalışmalar, bölgedeki karmaşık fay sisteminin ve yer altı heterojenliğinin bu tür modellerle daha iyi anlaşılabileceğini göstermiştir.
- Sismik Dalga Hız Modellerinin İyileştirilmesi: Deprem dalgalarının yer altındaki yolculuğunu doğru bir şekilde modellemek, deprem kaynak parametrelerini (derinlik, fay düzlemi oryantasyonu) ve yer altı yapısını anlamak için esastır. Yapay zeka ile tahmin edilen elastik modüller, bu sismik hız modellerinin çözünürlüğünü ve doğruluğunu artırır. Daha hassas hız modelleri, Talivio'nun deprem konumlandırma ve fay mekanizması analizleri için temel oluşturur.
- Bantlı Makine Öğrenimi Sistemine Entegrasyon: Talivio'nun M4-5, M5-6, M6-7, M7+ deprem büyüklüğü bantları için ayrı ayrı eğitilmiş modelleri, yer altı özelliklerindeki ince farklılıkları yakalamak için tasarlanmıştır. CNN'lerden gelen yüksek çözünürlüklü elastik modül bilgileri, özellikle bu bantlar arasında daha hassas ayrım yapılmasına olanak tanır. [Demirci et al., 2026 — arxiv:2606.25275] araştırması, bu tür detaylı verilerin, özellikle büyük depremlerin meydana geldiği karmaşık tektonik bölgelerdeki tahmin modellerinin performansını artırabileceğini ortaya koymaktadır.
Özetle, dijital kaya fiziği ve yapay zeka, Talivio'nun deprem tahmin modellerinin temelini oluşturan yer altı karakterizasyonunu zenginleştirir. Bu sayede, makine öğrenimi algoritmalarımız (LightGBM, Random Forest vb.) daha doğru ve anlamlı verilere erişerek, deprem olasılıklarını daha güvenilir bir şekilde değerlendirebilir.
Sonuç
Yerin derinliklerindeki sırları çözmek, deprem tahmini gibi karmaşık bir görevin anahtarıdır. Dijital kaya fiziği ve yapay zeka, özellikle evrişimsel sinir ağları, kayaçların temel elastik özelliklerini daha önce hiç olmadığı kadar hızlı ve doğru bir şekilde belirlememizi sağlamaktadır. Bu yenilikçi yaklaşımlar, sismik dalga yayılımını, gerilim birikimini ve fay mekaniğini anlamak için hayati öneme sahip bilgileri ortaya koymaktadır.
Talivio olarak, bu bilimsel ilerlemeleri aktif olarak takip ediyor ve modellerimize entegre ediyoruz. Yer altındaki her bir kaya parçasının davranışını daha iyi anlayarak, GNSS gerinim hızlarından Coulomb gerilim transferine kadar 102'den fazla sismik özniteliğimizi güçlendiriyor ve bantlı makine öğrenimi sistemimizin doğruluğunu artırıyoruz. Amacımız, en son bilimsel araştırmaları ve yapay zekanın gücünü kullanarak, deprem riskini daha iyi anlamak ve toplulukları gelecekteki sismik olaylara karşı daha dirençli hale getirmektir. Bilimsel veriler ve sürekli geliştirilen modellerimiz, bu hedefe ulaşma yolunda bize rehberlik etmektedir.
