Maskinlytning efter jordskælv:Algoritmer udvælger skjulte signaler, der kan øge geotermisk energiproduktion

For alt det, seismologer har lært om jordskælv, nye teknologier viser, hvor meget der mangler at blive opdaget.

I en ny undersøgelse i Videnskabens fremskridt , forskere ved Columbia University viser, at maskinlæringsalgoritmer kunne udvælge forskellige typer jordskælv fra tre års jordskælvsoptagelser ved The Geysers i Californien, et af verdens ældste og største geotermiske reservoirer. De gentagne mønstre af jordskælv ser ud til at matche årstidens stigning og fald i vandinjektionsstrømme ind i de varme klipper nedenfor, foreslår et link til de mekaniske processer, der får sten til at glide eller revne, udløser et jordskælv.

"Det er en helt ny måde at studere jordskælv på, " sagde studiemedforfatter Benjamin Holtzman, en geofysiker ved Columbias Lamont-Doherty Earth Observatory. "Disse maskinlæringsmetoder udvælger meget subtile forskelle i de rå data, som vi lige er ved at lære at fortolke."

Tilgangen er ny på flere måder. Forskerne samlede et katalog med 46, 000 jordskælvsoptagelser, hver repræsenteret som energibølger i et seismogram. De kortlagde derefter ændringer i bølgernes frekvens gennem tiden, som de plottede som et spektrogram - en slags musikalsk køreplan over bølgernes skiftende tonehøjder, skulle de konverteres til lyd. Seismologer analyserer typisk seismogrammer for at vurdere et jordskælvs størrelse og hvor det opstod. Men at se på et jordskælvs frekvensinformation tillod i stedet forskerne at anvende maskinlæringsværktøjer, der kan udvælge mønstre i musik og menneskelig tale med minimal menneskelig input. Med disse værktøjer, forskerne reducerede hvert jordskælv til et spektralt "fingeraftryk", der afspejler dets subtile forskelle fra de andre jordskælv, og brugte derefter en klyngealgoritme til at sortere fingeraftrykkene i grupper.

Maskinlæringsassistenten hjalp forskere med at skabe forbindelse til de fluktuerende mængder vand, der blev injiceret under jorden under energiudvindingsprocessen, give forskerne en mulig forklaring på, hvorfor computeren grupperede signalerne, som den gjorde. "Arbejdet nu er at undersøge disse klynger med traditionelle metoder og se, om vi kan forstå fysikken bag dem, " sagde studiemedforfatter Felix Waldhauser, en seismolog hos Lamont-Doherty. "Normalt har man en hypotese og tester den. Her bygger man en hypotese ud fra et mønster, maskinen har fundet."

Hvis jordskælvene i forskellige klynger kan kædes sammen med de tre mekanismer, der typisk genererer jordskælv i et geotermisk reservoir - forskydningsbrud, termisk brud og hydraulisk revnedannelse - det kunne være muligt, siger forskerne, at øge strømudbyttet i geotermiske reservoirer. Hvis ingeniører kan forstå, hvad der sker i reservoiret i næsten realtid, de kan eksperimentere med at kontrollere vandstrømmene for at skabe flere små revner, og dermed, opvarmet vand for at generere damp og til sidst elektricitet. Disse metoder kan også hjælpe med at reducere sandsynligheden for at udløse større jordskælv - ved The Geysers, og hvor som helst andre steder pumpes væske under jorden, herunder på fracking-væske bortskaffelsessteder. Endelig, værktøjerne kunne hjælpe med at identificere advarselstegnene på en stor på vej – en af ​​seismologiens hellige grale.

Forskningen voksede ud af et usædvanligt kunstnerisk samarbejde. Som musiker, Holtzman havde længe været indstillet på de mærkelige lyde af jordskælv. Med lyddesigner Jason Candler, Holtzman havde konverteret de seismiske bølger af optagelser af bemærkelsesværdige jordskælv til lyde, og derefter fremskyndede dem for at gøre dem forståelige for det menneskelige øre. Deres samarbejde, med studiemedforfatter Douglas Repetto, blev grundlaget for Seismodome, et tilbagevendende show på American Museum of Natural Historys Hayden Planetarium, der sætter mennesker inde i jorden for at opleve den levende planet.

Efterhånden som udstillingen udviklede sig, Holtzman begyndte at spekulere på, om det menneskelige øre kunne have en intuitiv forståelse af jordskælvsfysik. I en række eksperimenter, han og studiemedforfatter Arthur Paté, derefter en postdoc forsker ved Lamont-Doherty, bekræftet, at mennesker kunne skelne mellem storme, der forplanter sig gennem havbunden, eller mere stiv kontinental skorpe, og stammer fra en tryk- eller slag-slip-fejl.

Opfordrede, og ønsker at udvide forskningen, Holtzman nåede ud for at studere medforfatter John Paisley, en elektroingeniør professor ved Columbia Engineering og Columbia's Data Science Institute. Holtzman ville vide, om maskinlæringsværktøjer kunne opdage noget nyt i et gigantisk datasæt af jordskælv. Han besluttede at starte med data fra The Geysers på grund af en langvarig interesse for geotermisk energi.

"Det var et typisk klyngeproblem, " siger Paisley. "Men med 46, 000 jordskælv, det var ikke en ligetil opgave."

Paisley kom med en tre-trins løsning. Først, en type emnemodelleringsalgoritme udvalgte de mest almindelige frekvenser i datasættet. Næste, en anden algoritme identificerede de mest almindelige frekvenskombinationer i hvert 10-sekunders spektrogram for at beregne dets unikke akustiske fingeraftryk. Endelig, en klyngealgoritme, uden at blive fortalt, hvordan dataene skal organiseres, grupperede de 46, 000 fingeraftryk efter lighed. Talknusning, der kunne have taget en computerklynge flere uger, blev udført på få timer på en bærbar computer takket være et andet værktøj, stokastisk variationsslutning, Paisley havde tidligere været med til at udvikle sig.

Da forskerne matchede klyngerne mod gennemsnitlige månedlige vandinjektionsvolumener på tværs af Gejserne, et mønster sprang ud:En høj injektionsrate om vinteren, som byer sender mere afløbsvand til området, var forbundet med flere jordskælv og én type signal. En lav injektionsrate om sommeren svarede til færre jordskælv, og et separat signal, med overgangssignaler forår og efterår.

Forskerne planlægger derefter at anvende disse metoder til optagelser af andre naturligt forekommende jordskælv såvel som dem, der er simuleret i laboratoriet for at se, om de kan forbinde signaltyper med forskellige fejlprocesser. En anden undersøgelse offentliggjort sidste år i Geophysical Research Letters antyder, at de er på et lovende spor. Et hold ledet af Los Alamos-forsker Paul Johnson viste, at maskinlæringsværktøjer kunne udvælge et subtilt akustisk signal i data fra laboratorieforsøg og forudsige, hvornår det næste mikroskopiske jordskælv ville indtræffe. Selvom naturlige fejl er mere komplekse, forskningen tyder på, at maskinlæring kan føre til indsigt i at identificere forløbere for store jordskælv.