Nowatorskie podejście oparte na sztucznej inteligencji może pomóc w przewidywaniu lokalizacji wstrząsów wtórnych po trzęsieniu ziemi
An trzęsienie ziemi to zjawisko powstające, gdy skała znajduje się pod ziemią Ziemi skorupa nagle pęka wokół linii uskoku geologicznego. Powoduje to szybkie uwolnienie energii, która wytwarza fale sejsmiczne, które następnie wprawiają ziemię w drżenie i jest to uczucie, które odczuwamy podczas trzęsienia ziemi. Miejsce, w którym pęka skała, nazywa się ogniskiem trzęsienie ziemi a miejsce nad nim na ziemi nazywane jest „epicentrum”. Uwolnioną energię mierzy się jako wielkość, czyli skalę opisującą, jak energetyczne było trzęsienie ziemi. Trzęsienie ziemi o sile 2 stopni jest ledwo zauważalne i można je zarejestrować jedynie przy użyciu czułego, specjalistycznego sprzętu trzęsienia ziemi o magnitudzie większym niż 8 może spowodować zauważalne, bardzo mocne wstrząsy ziemi. Po trzęsieniu ziemi na ogół następuje wiele wstrząsów wtórnych, które mają podobny mechanizm i są równie niszczycielskie, a ich intensywność i dotkliwość są wielokrotnie podobne do pierwotnego trzęsienia ziemi. Takie wstrząsy po trzęsieniu występują zazwyczaj w ciągu pierwszej godziny lub jednego dnia po trzęsieniu głównym trzęsienie ziemi. Prognozowanie przestrzennego rozkładu wstrząsów wtórnych jest bardzo trudne.
Naukowcy sformułowali prawa empiryczne opisujące wielkość i czas wstrząsów wtórnych, ale określenie ich lokalizacji nadal stanowi wyzwanie. Naukowcy z Google i Uniwersytetu Harvarda opracowali nowe podejście do oceniania trzęsienia ziemi i prognozowanie lokalizacji wstrząsów wtórnych przy użyciu technologii sztucznej inteligencji w badaniu opublikowanym w Natura. W szczególności wykorzystali uczenie maszynowe – aspekt sztucznej inteligencji. W podejściu do uczenia maszynowego maszyna „uczy się” na podstawie zestawu danych i po zdobyciu tej wiedzy jest w stanie wykorzystać te informacje do przewidywania nowszych danych.
Naukowcy najpierw przeanalizowali bazę danych globalnych trzęsień ziemi przy użyciu algorytmów głębokiego uczenia. Głębokie uczenie to zaawansowany rodzaj uczenia maszynowego, w którym sieci neuronowe próbują naśladować proces myślenia ludzkiego mózgu. Następnie chcieli być w stanie: prognoza wstrząsów wtórnych niż przypadkowe zgadywanie i spróbuj rozwiązać problem „gdzie” wystąpią wstrząsy wtórne. Wykorzystano obserwacje zebrane podczas ponad 199 dużych trzęsień ziemi na całym świecie, obejmujące około 131,000 XNUMX par wstrząsów głównych i wtórnych. Informacje te połączono z modelem opartym na fizyce, który opisuje, w jaki sposób ziemia byłby napięty i napięty po trzęsienie ziemi co następnie wywoła wstrząsy wtórne. Stworzyli siatki o powierzchni 5 kilometrów kwadratowych, w obrębie których system sprawdzał, czy nie doszło do wstrząsu wtórnego. Sieć neuronowa utworzyłaby wówczas relacje między odkształceniami spowodowanymi głównym trzęsieniem ziemi a lokalizacją wstrząsów wtórnych. Kiedy system sieci neuronowej został dobrze przeszkolony w ten sposób, był w stanie dokładnie przewidzieć lokalizację wstrząsów wtórnych. Badanie było niezwykle trudne, ponieważ wykorzystywało złożone, rzeczywiste dane dotyczące trzęsień ziemi. Naukowcy skonfigurowali alternatywnie sztuczny i rodzaj "idealnych" trzęsień ziemi do tworzenia prognoz, a następnie analizowania prognoz. Patrząc na dane wyjściowe sieci neuronowej, starali się przeanalizować, jakie różne "ilości" mogą kontrolować prognozowanie wstrząsów wtórnych. Po przeprowadzeniu porównań przestrzennych naukowcy doszli do wniosku, że typowy wzorzec wstrząsów wtórnych jest fizycznie „możliwy do zinterpretowania”. Zespół sugeruje, że kluczem jest wielkość zwana drugim wariantem dewiatoryjnego napięcia naprężenia – po prostu zwana J2. Ta wielkość jest wysoce zrozumiała i jest rutynowo stosowana w metalurgii i innych dziedzinach, ale nigdy wcześniej nie była wykorzystywana do badania trzęsień ziemi.
Wstrząsy wtórne po trzęsieniach ziemi powodują dalsze obrażenia, niszczą nieruchomości, a także utrudniają działania ratownicze, dlatego ich przewidzenie uratowałoby życie ludzkości. Prognozowanie w czasie rzeczywistym może w tej chwili nie być możliwe, ponieważ obecne modele sztucznej inteligencji radzą sobie jedynie z określonym typem wstrząsu wtórnego i prostą linią uskoku geologicznego. Jest to istotne, ponieważ linie uskoków geologicznych mają różną geometrię w różnym położeniu geograficznym na planeta. Dlatego może nie mieć obecnie zastosowania do różnych typów trzęsień ziemi na całym świecie. Niemniej jednak technologia sztucznej inteligencji wydaje się odpowiednia do trzęsień ziemi ze względu na n wielu zmiennych, które należy wziąć pod uwagę podczas ich badania, na przykład siłę wstrząsu, położenie płyt tektonicznych itp.
Sieci neuronowe są projektowane tak, aby z czasem ulegały poprawie, tj. im więcej danych jest wprowadzanych do systemu, ma miejsce więcej uczenia się, a system stale się poprawia. W przyszłości taki system mógłby stanowić integralną część systemów predykcyjnych stosowanych przez sejsmologów. Planiści mogliby również wdrożyć środki awaryjne w oparciu o wiedzę na temat zachowań związanych z trzęsieniami ziemi. Zespół chce wykorzystać technologię sztucznej inteligencji do przewidywania wielkości trzęsień ziemi.
***
{Możesz przeczytać oryginalną pracę naukową, klikając link DOI podany poniżej na liście cytowanych źródeł}
Źródło (s)
DeVries PMR i in. 2018. Głębokie uczenie się wzorców wstrząsów wtórnych po dużych trzęsieniach ziemi. Natura560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
