Videnskab
 science >> Videnskab >  >> Natur

Maskinlæring bruges til at forudsige jordskælv i laboratoriemiljøer

Luftfoto af San Andreas-forkastningen i Carrizo-sletten, nordvest for Los Angeles. Kredit:Wikipedia.

En gruppe forskere fra Storbritannien og USA har brugt maskinlæringsteknikker til med succes at forudsige jordskælv. Selvom deres arbejde blev udført i laboratoriemiljøer, eksperimentet efterligner virkelige forhold, og resultaterne kunne bruges til at forudsige tidspunktet for et rigtigt jordskælv.

Holdet, fra University of Cambridge, Los Alamos National Laboratory og Boston University, identificeret et skjult signal, der førte til jordskælv, og brugte dette 'fingeraftryk' til at træne en maskinlæringsalgoritme til at forudsige fremtidige jordskælv. Deres resultater, som også kan anvendes på laviner, jordskred og mere, er rapporteret i tidsskriftet Geophysical Review Letters.

For geovidenskabsfolk, at forudsige timingen og størrelsen af ​​et jordskælv er et grundlæggende mål. Generelt sagt, at udpege, hvor et jordskælv vil forekomme, er ret ligetil:hvis et jordskælv har ramt et bestemt sted før, chancerne er, at det slår der igen. Spørgsmålene, der har udfordret videnskabsmænd i årtier, er, hvordan man kan finde ud af, hvornår et jordskælv vil opstå, og hvor alvorligt det vil være. I løbet af de sidste 15 år, der er sket fremskridt inden for instrumentpræcision, men en pålidelig jordskælvsforudsigelsesteknik er endnu ikke blevet udviklet.

Som en del af et projekt, der søger efter måder at bruge maskinlæringsteknikker til at gøre galliumnitrid (GaN) LED'er mere effektive, undersøgelsens første forfatter, Bertrand Rouet-Leduc, som dengang var ph.d.-studerende ved Cambridge, flyttede til Los Alamos National Laboratory i New Mexico for at starte et samarbejde om maskinlæring i materialevidenskab mellem Cambridge University og Los Alamos. Derfra begyndte holdet at hjælpe Los Alamos Geophysics-gruppen med spørgsmål om maskinlæring.

Holdet i Los Alamos, ledet af Paul Johnson, studerer samspillet mellem jordskælv, forløber-skælv (ofte meget små jordbevægelser) og fejl, med håbet om at udvikle en metode til at forudsige jordskælv. Ved at bruge et lab-baseret system, der efterligner rigtige jordskælv, forskerne brugte maskinlæringsteknikker til at analysere de akustiske signaler, der kommer fra 'fejlen', mens den bevægede sig, og søge efter mønstre.

Laboratorieapparatet bruger stålblokke til nøje at efterligne de fysiske kræfter, der virker i et rigtigt jordskælv, og registrerer også de seismiske signaler og lyde, der udsendes. Maskinlæring bruges så til at finde sammenhængen mellem det akustiske signal, der kommer fra fejlen, og hvor tæt det er på at fejle.

Maskinlæringsalgoritmen var i stand til at identificere et bestemt mønster i lyden, tidligere anset for ikke at være andet end støj, som opstår længe før et jordskælv. Karakteristikaene for dette lydmønster kan bruges til at give et præcist estimat (inden for nogle få procent) af belastningen på fejlen (dvs. hvor meget kraft er den under) og for at estimere den resterende tid før fejl, som bliver mere og mere præcis, efterhånden som fiaskoen nærmer sig. Holdet mener nu, at dette lydmønster er et direkte mål for den elastiske energi, der er i systemet på et givet tidspunkt.

"Dette er første gang, at maskinlæring er blevet brugt til at analysere akustiske data for at forudsige, hvornår et jordskælv vil forekomme, længe før det sker, så der kan gives masser af advarselstid - det er utroligt, hvad maskinlæring kan gøre, " sagde medforfatter professor Sir Colin Humphreys fra Cambridges afdeling for materialevidenskab og metallurgi, hvis hovedforskningsområde er energieffektive og omkostningseffektive lysdioder. Humphreys var Rouet-Leducs vejleder, da han var ph.d.-studerende ved Cambridge.

"Machine learning muliggør analyse af datasæt, der er for store til at håndtere manuelt og ser på data på en objektiv måde, der gør det muligt at foretage opdagelser, sagde Rouet-Leduc.

Selvom forskerne advarer om, at der er flere forskelle mellem et laboratoriebaseret eksperiment og et rigtigt jordskælv, de håber gradvist at opskalere deres tilgang ved at anvende den på rigtige systemer, som mest ligner deres laboratoriesystem. Et sådant sted er i Californien langs San Andreas-forkastningen, hvor karakteristiske små gentagne jordskælv ligner dem i den laboratoriebaserede jordskælvssimulator. Der gøres også fremskridt med Cascadia-forkastningen i det nordvestlige Stillehav i USA og British Columbia, Canada, hvor gentagne langsomme jordskælv, der opstår over uger eller måneder, også minder meget om laboratoriejordskælv.

"Vi er på et punkt, hvor store fremskridt inden for instrumentering, maskinelæring, hurtigere computere og vores evne til at håndtere massive datasæt kan medføre enorme fremskridt inden for jordskælvsvidenskab, sagde Rouet-Leduc.


Varme artikler