En ny tilnærming til kunstig intelligens kan bidra til å forutsi plasseringen av etterskjelv etter et jordskjelv
An jordskjelv is a phenomenon caused when rock underground in the jordens crust suddenly breaks around a geological fault line. This causes rapid release of energy which produces seismic waves which then make the ground shake and this is the sensation we fell during an earthquake. The spot where the rock breaks is called focus of the jordskjelv and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while earthquakes of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main earthquake. Forecasting spatial distribution of aftershocks is very challenging.
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 å vurdere jordskjelv og varsle plassering av etterskjelv ved bruk 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 aftershocks better than random guessing and try to solve the problem of ‘where’ the aftershocks will occur. Observations collected from more than 199 major earthquakes around the world were utilized consisting of around 131,000 mainshock-aftershock pairs. This information was combined with a physics-based model which describing how Earth would be strained and tense after an earthquake which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up 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.
Aftershocks of earthquakes cause further injuries, damage properties and also hinder rescue efforts therefore predicting them would be life-saving for humanity. Real time forecast may not be possible at this very moment as the current AI models can deal with a particular type of aftershock and simple geological fault line only. This is important because geological fault lines have different geometry in diverse geographical location on the planet. So, it may not be currently applicable to different type of earthquakes around the world. Nevertheless, artificial intelligence technology looks suitable for earthquakes because of n number of variables which need to considered when studying them, example strength of the shock, position of tectonic plates etc.
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
***
