Vorschau
| Autor(en): | Walter, Fabian; Chmiel, Ma?gorzata; Hovius, Niels |
| Titel: | Debris flows at Illgraben, Switzerland - From seismic wiggles to machine learning |
| Kurzfassung: | Where debris flows can impinge on the built environment, early detection of flow events is necessary in order to issue warnings and initiate countermeasures like road or train track closure. In this contribution, previously published work at Illgraben, Switzerland, is compiled, which shows how seismic measurements can be used for debris flow monitoring and warning. The advantage of the seismic approach is that debris flow signals can be detected at large distances eliminating the need for installations within or close to torrents, which are usually difficult to access. It is shown that seismic data contain important information about debris flows, including initiation, propagation, and particle sizes. However, machine learning algorithms, which are tuned with example data rather than physical principles, so far offer the best performance for debris flow detection with continuous real-time data. Such algorithms pave the way for a new class of warning systems, based on data science techniques rather than in-torrent instrumentation. Murgänge am Illgraben, Schweiz - Von seismischem Schütteln zum maschinellen Lernen Schnelle Detektion von Murgängen ist nötig um Warnungen auszugeben und Maßnahmen wie Strassen- oder Gleissperrungen zu ergreifen. In diesem Beitrag präsentieren wir einen Überblick über veröffentlichte Studien am Illgraben, Schweiz, und zeigen wie seismische Messungen für Murgangüberwachung und -warnung verwendet werden können. Der Vorteil des seismischen Ansatzes ist, dass Murgangsignale über weite Distanzen detektiert werden können und Messinstrumente innerhalb oder in der Nähe der meist schwer zugänglichen Gerinne nicht nötig sind. Wir zeigen, dass seismische Daten wichtige Informationen über Murgänge beinhalten, wie z. B. das Fließen der Murgangfront oder Korngrössen. Trotzdem bieten Algorithmen des Maschinellen Lernens, welche mit Beispielsignalen statt mit physikalischen Prinzipien geeicht werden, die besten Ergebnisse für die Erkennung von Murgängen in kontinuierlichen seismischen Signalen. Solche Algorithmen bereiten den Weg für neue Ansätze zur Murgangwarnung, die auf Prinzipien der Datenwissenschaften beruhen statt auf Instrumentierung innerhalb von Gerinnen. |
| Erschienen in: | Geomechanics and Tunnelling 15 (2022), Heft 5 |
| Seite/n: | 671-675 |
| Sprache der Veröffentlichung: | Englisch/Deutsch |
Ich möchte den Artikel kaufen
Diesen Artikel können Sie für 25 € als PDF (0.26 MB) herunterladen. Das PDF kann gelesen, gedruckt und gespeichert werden. Eine Vervielfältigung und Weiterleitung an Dritte ist nicht gestattet. |
Ich bin Online-AbonnentAls Online-Abonnent der Zeitschrift "Geomechanics and Tunnelling" können Sie diesen Artikel über Wiley Online Library aufrufen. |
Ich möchte "Geomechanics and Tunnelling" abonnierenDieser Beitrag ist in der Zeitschrift "Geomechanics and Tunnelling" erschienen. Sie möchten die Zeitschrift näher kennenlernen? Dann bestellen Sie doch ein kostenloses Probeheft der aktuellen Ausgabe oder informieren sich über Inhalt, Preise und alles Weitere auf unserer Website. |
Preise inkl. MwSt. und inkl. Versand. Preise für 2017/2018.
€ Preise gelten ausschließlich für Deutschland. Änderungen und Irrtum vorbehalten.
€ Preise gelten ausschließlich für Deutschland. Änderungen und Irrtum vorbehalten.