Tsunami deposits provide information for estimating the magnitude and flow conditions of paleotsunamis, and inverse models have potential for reconstructing hydraulic conditions of tsunamis from their deposits. The majority of the previously proposed models are based on oversimplified assumptions and possess some limitations. We present a new inverse model based on the FITTNUSS model, which incorporates nonuniform and unsteady transport of suspended sediment and turbulent mixing. The present model uses a deep neural network (DNN) for the inversion method. In this method, forward model calculations are repeated for random initial flow conditions (e.g., maximum inundation length, flow velocity, maximum flow depth, and sediment concentration) to produce artificial training data sets of depositional characteristics such as thickness and grain‐size distribution. The DNN was then trained to establish a general inverse model based on artificial data sets derived from the forward model. Tests conducted using independent artificial data sets indicated that this trained DNN can reconstruct the original flow conditions from the characteristics of the deposits. Finally, the model was applied to a data set of 2011 Tohoku‐oki tsunami deposits. The predicted results of flow conditions were verified by the observational records at Sendai plain. Jackknife resampling was applied to estimate the precision of the result. The estimated results of the flow velocity and maximum flow depth were approximately 5.4 ± 0.1 m/s and 4.1 ± 0.2 m, respectively, after the uncertainty analysis. The DNN shows promise for reconstruction of tsunami characteristics from its deposits, which would help in estimating the hydraulic conditions of paleotsunamis.

中文翻译：

---

用矿床估算海啸特征：使用深度学习神经网络的逆模型

海啸沉积物为估算古海啸的大小和流动条件提供了信息，逆模型具有从其沉积物重建海啸水力条件的潜力。先前提出的大多数模型都基于过分简化的假设，并具有一些局限性。我们提出了一个基于FITTNUSS模型的新逆模型，该模型结合了悬浮泥沙和湍流混合的非均匀，不稳定运输。本模型将深层神经网络（DNN）用于反演方法。在这种方法中，针对随机初始流量条件（例如，最大淹没长度，流速，最大流量深度，和沉积物浓度）以生成沉积特征（如厚度和粒度分布）的人工训练数据集。然后，对DNN进行训练，以基于从前向模型派生的人工数据集建立通用的逆模型。使用独立的人工数据集进行的测试表明，经过训练的DNN可以根据矿床的特征来重建原始流动条件。最后，该模型应用于2011年东北冲木海啸沉积物的数据集。仙台平原的观测记录证实了流动条件的预测结果。使用折刀重采样来估计结果的精度。流速和最大流深的估计结果约为5.4 然后，对DNN进行训练，以基于从前向模型派生的人工数据集建立通用的逆模型。使用独立的人工数据集进行的测试表明，经过训练的DNN可以根据矿床的特征来重建原始流动条件。最后，该模型应用于2011年东北冲木海啸沉积物的数据集。仙台平原的观测记录证实了流动条件的预测结果。使用折刀重采样来估计结果的精度。流速和最大流深的估计结果约为5.4 然后，对DNN进行训练，以基于从前向模型派生的人工数据集建立通用的逆模型。使用独立的人工数据集进行的测试表明，经过训练的DNN可以根据矿床的特征来重建原始流动条件。最后，该模型应用于2011年东北冲木海啸沉积物的数据集。仙台平原的观测记录证实了流动条件的预测结果。使用折刀重采样来估计结果的精度。流速和最大流深的估计结果约为5.4 使用独立的人工数据集进行的测试表明，经过训练的DNN可以根据矿床的特征来重建原始流动条件。最后，该模型应用于2011年东北冲木海啸沉积物的数据集。仙台平原的观测记录证实了流动条件的预测结果。使用折刀重采样来估计结果的精度。流速和最大流深的估计结果约为5.4 使用独立的人工数据集进行的测试表明，经过训练的DNN可以根据矿床的特征来重建原始流动条件。最后，该模型应用于2011年东北冲木海啸沉积物的数据集。仙台平原的观测记录证实了流动条件的预测结果。使用折刀重采样来估计结果的精度。流速和最大流深的估计结果约为5.4  不确定度分析后分别为±  0.1 m / s和4.1  ± 0.2 m。DNN显示了从其沉积物重建海啸特征的希望，这将有助于估计古海啸的水力条件。