Maskinlæring hjælper forudsigelse af jordskælvsrisiko

Vores hjem og kontorer er kun så solide som jorden under dem. Når den faste grund bliver til væske - som det nogle gange sker under jordskælv - kan den vælte bygninger og broer. Dette fænomen er kendt som liquefaction, og det var et vigtigt træk ved jordskælvet i 2011 i Christchurch, New Zealand, et jordskælv med en styrke på 6,3, der dræbte 185 mennesker og ødelagde tusindvis af hjem.

En fordel ved Christchurch-skælvet var, at det var et af de mest veldokumenterede i historien. Fordi New Zealand er seismisk aktivt, byen var udstyret med adskillige sensorer til overvågning af jordskælv. Rekognoscering efter begivenheden gav et væld af yderligere data om, hvordan jorden reagerede på tværs af byen.

"Det er en enorm mængde data for vores felt, " sagde post-doc forsker, Maria Giovanna Durante, en Marie Sklodowska Curie Fellow tidligere fra University of Texas i Austin (UT Austin). "Vi sagde, 'Hvis vi har tusindvis af datapunkter, måske kan vi finde en trend."

Durante arbejder sammen med prof. Ellen Rathje, Janet S. Cockrell Centennial Chair i Engineering ved UT Austin og hovedefterforsker for den National Science Foundation-finansierede DesignSafe cyberinfrastructure, som understøtter forskning på tværs af naturfaresamfundet. Rathjes personlige forskning om likvefaktion fik hende til at studere Christchurch-begivenheden. Hun havde tænkt på måder at inkorporere maskinlæring i sin forskning, og denne sag virkede som et godt sted at starte.

"I nogen tid, Jeg var blevet imponeret over, hvordan maskinlæring blev inkorporeret i andre områder, men det så ud til, at vi aldrig havde nok data inden for geoteknisk teknik til at bruge disse metoder, sagde Rathje. da jeg så likvefaktionsdataene komme ud af New Zealand, Jeg vidste, at vi havde en unik mulighed for endelig at anvende AI-teknikker på vores felt."

De to forskere udviklede en maskinlæringsmodel, der forudsagde mængden af ​​sidebevægelse, der opstod, da jordskælvet i Christchurch fik jorden til at miste sin styrke og skifte i forhold til omgivelserne.

Resultaterne blev offentliggjort online i Jordskælvsspektre april 2021.

"Det er et af de første maskinlæringsstudier inden for vores område af geoteknisk ingeniørarbejde, " sagde Durante.

Forskerne brugte først en Random Forest-tilgang med en binær klassifikation til at forudsige, om laterale spredningsbevægelser fandt sted på et bestemt sted. De anvendte derefter en flerklasseklassifikationstilgang til at forudsige mængden af ​​forskydning, fra ingen til mere end 1 meter.

"Vi havde brug for at sætte fysik ind i vores model og være i stand til at genkende, forstå, og visualisere, hvad modellen gør, " sagde Durante. "Af den grund, det var vigtigt at vælge specifikke inputfunktioner, der passer til det fænomen, vi studerer. Vi bruger ikke modellen som en sort boks – vi forsøger at integrere vores videnskabelige viden så meget som muligt."

Durante og Rathje trænede modellen ved hjælp af data relateret til den oplevede højeste jordrystning (en udløser for væskedannelse), dybden af ​​vandspejlet, den topografiske hældning, og andre faktorer. I alt, mere end 7, 000 datapunkter fra et lille område af byen blev brugt til træningsdata – en stor forbedring, da tidligere geotekniske maskinlæringsstudier kun havde brugt 200 datapunkter.

De testede deres model i hele byen på 2,5 millioner steder omkring jordskælvets epicenter for at bestemme forskydningen. Deres model forudsagde, om likvefaktion fandt sted med 80 % nøjagtighed; den var 70 % nøjagtig til at bestemme mængden af ​​forskydning.

Forskerne brugte Frontera-supercomputeren ved Texas Advanced Computing Center (TACC), en af ​​verdens hurtigste, at træne og teste modellen. TACC er en nøglepartner i DesignSafe-projektet, levere computerressourcer, software, og opbevaring til ingeniørsamfundet for naturfarer.

Adgang til Frontera gav Durante og Rathje maskinlæringskapaciteter i en skala, som tidligere ikke var tilgængelig for feltet. Udledning af den endelige maskinlæringsmodel krævede test 2, 400 mulige modeller.

"Det ville have taget år at lave denne forskning andre steder, " sagde Durante. "Hvis du vil køre en parametrisk undersøgelse, eller lav en omfattende analyse, du skal have regnekraft."

Hun håber, at deres maskinlærings-likvefaktionsmodeller en dag vil lede de første, der reagerer på de mest presserende behov i kølvandet på et jordskælv. "Nødhjælpsmandskab har brug for vejledning om hvilke områder, og hvilke strukturer, kan have størst risiko for at kollapse og fokusere deres opmærksomhed der, " hun sagde.

Deling, Reproducerbarhed, og Adgang

For Rathje, Durante, og et stigende antal naturfareingeniører, en tidsskriftsudgivelse er ikke det eneste resultat af et forskningsprojekt. De offentliggør også alle deres data, modeller, og metoder til DesignSafe-portalen, et knudepunkt for forskning relateret til virkningen af ​​orkaner, jordskælv, tsunamier, og andre naturlige farer på det byggede og naturlige miljø.

"Vi lavede alt på projektet i DesignSafe-portalen, " sagde Durante. "Alle kortene blev lavet ved hjælp af QGIS, et kortlægningsværktøj tilgængeligt på DesignSafe, bruger min computer som en måde at oprette forbindelse til cyberinfrastrukturen på."

For deres maskinlærings-likvefaktionsmodel, de skabte en Jupyter notesbog - en interaktiv, webbaseret dokument, der inkluderer datasættet, kode, og analyser. Notesbogen giver andre forskere mulighed for at gengive holdets resultater interaktivt, og teste maskinlæringsmodellen med deres egne data.

"Det var vigtigt for os at gøre materialerne tilgængelige og gøre dem reproducerbare, Durante sagde. "Vi ønsker, at hele samfundet skal komme videre med disse metoder."

Dette nye paradigme for datadeling og samarbejde er centralt for DesignSafe og hjælper feltet med at udvikle sig hurtigere, ifølge Joy Pauschke, program director in NSF's Directorate for Engineering.

"Researchers are beginning to use AI methods with natural hazards research data, with exciting results, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, de siger, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."