En ny tilnærming til kunstig intelligens kan bidra til å forutsi plasseringen av etterskjelv etter et jordskjelv
An jordskjelv er et fenomen forårsaket når stein under jorden i jordens skorpen bryter plutselig rundt en geologisk forkastningslinje. Dette forårsaker rask frigjøring av energi som produserer seismiske bølger som så får bakken til å riste og dette er følelsen vi falt under et jordskjelv. Stedet der steinen knekker kalles fokus på jordskjelv og sted over det på bakken kalles 'episenter'. Energien som frigjøres måles som magnitude, en skala for å beskrive hvor energisk et jordskjelv var. Et jordskjelv med styrke 2 er knapt merkbart og kan kun registreres ved å bruke sensitivt spesialutstyr, mens jordskjelv av mer enn styrke 8 kan føre til at bakken rister merkbart veldig hardt. Et jordskjelv følges vanligvis av mange etterskjelv som oppstår av en lignende mekanisme og som er like ødeleggende og mange ganger deres intensitet og alvorlighetsgrad er lik det opprinnelige jordskjelvet. Slike skjelvinger etter skjelvet forekommer vanligvis innen den første timen eller et døgn etter hovedinntaket jordskjelv. Å forutsi romlig fordeling av etterskjelv er svært utfordrende.
Forskere har formulert empiriske lover for å beskrive størrelsen og tidspunktet for etterskjelv, men det er fortsatt en utfordring å finne plasseringen deres. Forskere ved Google og Harvard University har utviklet en ny tilnærming for vurdering jordskjelv og prognoser plasseringen av etterskjelv ved hjelp av kunstig intelligens-teknologi i deres studie publisert i Natur. De brukte spesifikt maskinlæring – et aspekt ved kunstig intelligens. I maskinlæringstilnærmingen "lærer" en maskin fra et sett med data, og etter å ha tilegnet seg denne kunnskapen er den i stand til å bruke denne informasjonen til å forutsi nyere data.
Forskere analyserte først en database over globale jordskjelv ved å bruke dype læringsalgoritmer. Dyplæring er en avansert type maskinlæring der nevrale nettverk prøver å etterligne tankeprosessen til den menneskelige hjernen. Deretter hadde de som mål å kunne prognose etterskjelv bedre enn tilfeldig gjetting og prøv å løse problemet med "hvor" etterskjelvene vil oppstå. Observasjoner samlet fra mer enn 199 store jordskjelv rundt om i verden ble brukt bestående av rundt 131,000 XNUMX hovedsjokk-etterskjelv-par. Denne informasjonen ble kombinert med en fysikkbasert modell som beskriver hvordan Earth ville være anstrengt og anspent etter en jordskjelv som da vil utløse etterskjelv. De opprettet 5 kvadratkilometer store rutenett der systemet ville sjekke etter et etterskjelv. Det nevrale nettverket vil da danne forhold mellom belastninger forårsaket av hovedjordskjelvet og plasseringen av etterskjelv. Når nevrale nettverkssystem var godt trent på denne måten, var det i stand til å forutsi plasseringen av etterskjelv nøyaktig. Studien var ekstremt utfordrende ettersom den brukte komplekse jordskjelvdata fra den virkelige verden. Forskere alternativt setter opp kunstig og slags "ideelle" jordskjelv for å lage prognoser og undersøkte deretter spådommene. Når de så på utdata fra nevrale nettverk, prøvde de å analysere hvilke forskjellige 'mengder' som sannsynligvis vil kontrollere prognoser for etterskjelv. Etter å ha gjort romlige sammenligninger, kom forskerne til en konklusjon om at et typisk etterskjelvmønster var fysisk "tolkbart". Teamet foreslår at en mengde kalt den andre varianten av avvikende spenningsspenning – ganske enkelt kalt J2 – holder nøkkelen. Denne mengden er svært tolkbar og brukes rutinemessig i metallurgi og andre felt, men har aldri tidligere brukt for å studere jordskjelv.
Etterskjelv etter jordskjelv forårsaker ytterligere skader, skader eiendommer og hindrer også redningsarbeid, og derfor vil det å forutsi dem være livreddende for menneskeheten. Sanntidsprognose er kanskje ikke mulig akkurat nå, da de nåværende AI-modellene kun kan håndtere en bestemt type etterskjelv og enkel geologisk forkastningslinje. Dette er viktig fordi geologiske forkastningslinjer har forskjellig geometri i forskjellige geografiske steder på planet. Så det kan foreløpig ikke gjelde for forskjellige typer jordskjelv rundt om i verden. Ikke desto mindre ser kunstig intelligens-teknologi ut som egnet for jordskjelv på grunn av n antall variabler som må vurderes når man studerer dem, for eksempel styrken til støtet, plasseringen av tektoniske plater osv.
Nevrale nettverk er designet for å forbedre seg over tid, dvs. ettersom mer data mates inn i et system, skjer mer læring og systemet forbedres jevnt og trutt. I fremtiden kan et slikt system være en integrert del av prediksjonssystemer som brukes av seismologer. Planleggere kan også iverksette nødtiltak basert på kunnskap om jordskjelvadferd. Teamet ønsker å bruke kunstig intelligens-teknologi for å forutsi omfanget av jordskjelv.
***
{Du kan lese den originale forskningsoppgaven ved å klikke på DOI-lenken nedenfor i listen over siterte kilder}
Source (s)
DeVries PMR et al. 2018. Dyp læring av etterskjelvmønstre etter store jordskjelv. Natur560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
