Maskinlæring afslører jordskælv og glidning forekommer kontinuerligt, ikke med mellemrum

Anvendelse af dyb læring til seismiske data har afsløret rysten og glidning, der forekommer på alle tidspunkter - før og efter kendte storstilede jordskælv med langsom skred - snarere end periodisk i diskrete udbrud, som tidligere antaget. Endnu mere overraskende, maskinlæring generaliserer til andre tektoniske miljøer, inklusive San Andreas-forkastningen.

"Værket fortæller os, at fysikken om friktion på fejl ser ud til at have universelle karakteristika - noget vi havde mistanke om, men ikke kunne bevise, " sagde Bertrand Rouet-Leduc, en geofysiker i Geofysik-gruppen ved Los Alamos National Laboratory og hovedforfatter på papiret.

I forskningen, holdet trænede et konvolutionelt neuralt netværk - en form for dyb læring - på et tremorkatalog skabt af Aaron Wech fra University of Washington. Kataloget bruger flere års seismogrammer fra en seismisk station på Vancouver Island i Cascadia-regionen i Pacific Northwest. Tremorhændelser, der oprindeligt blev identificeret ved multistationsmetoder, dannede træningssættet. Holdet brugte derefter deep learning-modellen til at finde mange flere begivenheder.

Langsomme jordskælv, som er kendt for nogle gange at gå forud for større jordskælv på kontinentale forkastninger og i subduktionszoner, bygger stress cyklisk og kan udløse store jordskælv på nabolandet, stærkt belastede låste fejl. Men selv i Cascadia, et tydeligt tilfælde af en meget stresset, "låst og indlæst" fejl, tidligere forskning havde kun observeret intermitterende og diskrete langsomme jordskælv og deres tilhørende rystelser.

Forskerholdet opdagede, at det neurale netværk gav et kontinuerligt mål for rystelser og satte klarere tidsgrænser for hændelser med langsom udskridning, end tidligere metoder havde fastslået. Væsentligt, det neurale netværk identificerede svage tremorsignaler måneder før traditionelle metoder opdagede langsom glidning ved at måle nogle gange små højdeændringer i landskabet.

"Undersøgelsen tyder på, at langsom slip inden for megathrust-zoner ikke er tilfældig. Denne forskning er en del af et arbejde, der fortæller os, at forstadier finder sted meget hyppigere end tidligere antaget, i overensstemmelse med laboratorieforsøg og teori, sagde Rouet-Leduc.

Papiret, "Undersøge langsomme jordskælv med dyb læring, " blev offentliggjort 24. februar, 2020 i Geofysiske forskningsbreve . Dette arbejde er en del af igangværende forskning ved Los Alamos, der har identificeret et kontinuerligt akustisk signal, der udsendes af hændelser med langsom glidning. Signalet kan aflæses på et hvilket som helst tidspunkt for at angive den resterende tid til fejlfejl i både laboratorie- og jordskælv.