En ny artificiell intelligens kan hjälpa till att förutsäga lokaliseringen av efterskalv efter en jordbävning
An jordskalv är ett fenomen som orsakas när sten under jorden i jordskorpan plötsligt går sönder runt en geologisk förkastningslinje. Detta orsakar snabb frigöring av energi som producerar seismiska vågor som sedan får marken att skaka och det är den känslan vi föll under en jordbävning. Platsen där stenen går sönder kallas för jordbävningens fokus och platsen ovanför den på marken kallas 'epicentrum'. Energin som frigörs mäts som magnitud, en skala för att beskriva hur energisk en jordbävning var. En jordbävning av magnitud 2 är knappt märkbar och kan endast registreras med hjälp av känslig specialutrustning, medan jordbävningar på mer än magnitud 8 kan få marken att skaka mycket hårt. En jordbävning följs i allmänhet av många efterskalv som inträffar av en liknande mekanism och som är lika förödande och många gånger liknar deras intensitet och svårighetsgrad den ursprungliga jordbävningen. Sådana skakningar efter jordbävningen inträffar vanligtvis inom den första timmen eller en dag efter den huvudsakliga jordbävningen. Att prognostisera rumslig fördelning av efterskalv är mycket utmanande.
Forskare har formulerat empiriska lagar för att beskriva storlek och tid för efterskalv, men det är fortfarande en utmaning att fastställa var de befinner sig. Forskare vid Google och Harvard University har utarbetat ett nytt tillvägagångssätt för att bedöma jordbävningar och förutsäga lokalisering av efterskalv med hjälp av artificiell intelligensteknologi i sin studie publicerad i Natur. De använde specifikt maskininlärning – en aspekt av artificiell intelligens. I maskininlärningsmetoden "lär sig" en maskin från en uppsättning data och efter att ha förvärvat denna kunskap kan den använda denna information för att göra förutsägelser om nyare data.
Forskare analyserade först en databas över globala jordbävningar med hjälp av algoritmer för djupinlärning. Deep learning är en avancerad typ av maskininlärning där neurala nätverk försöker efterlikna den mänskliga hjärnans tankeprocess. Därefter siktade de på att kunna prognos efterskalv bättre än slumpmässiga gissningar och försök lösa problemet med "var" efterskalven kommer att inträffa. Observationer som samlats in från mer än 199 stora jordbävningar runt om i världen användes bestående av cirka 131,000 5 huvudchock-efterschock-par. Denna information kombinerades med en fysikbaserad modell som beskriver hur jorden skulle vara ansträngd och spänd efter en jordbävning som sedan kommer att utlösa efterskalv. De skapade rutnät på XNUMX kvadratkilometer inom vilka systemet skulle kontrollera efter ett efterskalv. Det neurala nätverket skulle sedan bilda relationer mellan stammar orsakade av huvudjordbävningen och platsen för efterskalv. När det neurala nätverkssystemet väl var utbildat på detta sätt kunde det förutsäga lokaliseringen av efterskalv exakt. Studien var extremt utmanande eftersom den använde komplexa verkliga data om jordbävningar. Forskare alternativt ställer upp konstgjord och typ av "idealiska" jordbävningar för att skapa prognoser och sedan undersökte förutsägelserna. När de tittade på utdata från neurala nätverk försökte de analysera vilka olika "kvantiteter" som sannolikt kommer att styra prognoser av efterskalv. Efter att ha gjort rumsliga jämförelser kom forskarna till slutsatsen att ett typiskt efterskalvmönster var fysiskt "tolkbart". Teamet föreslår att en kvantitet som kallas den andra varianten av deviatorisk stressspänning – helt enkelt kallad J2 – håller nyckeln. Denna mängd är mycket tolkbar och används rutinmässigt inom metallurgi och andra områden men har aldrig tidigare använts för att studera jordbävningar.
Efterskalv av jordbävningar orsakar ytterligare skador, skadar egendom och hindrar även räddningsinsatser, därför att förutsäga dem skulle vara livräddande för mänskligheten. Realtidsprognoser kanske inte är möjliga just nu eftersom de nuvarande AI-modellerna bara kan hantera en viss typ av efterskalv och enkla geologiska förkastningslinjer. Detta är viktigt eftersom geologiska förkastningslinjer har olika geometri i olika geografiska lägen på planeten. Så det kanske för närvarande inte är tillämpligt på olika typer av jordbävningar runt om i världen. Ändå ser artificiell intelligensteknologi lämplig ut för jordbävningar på grund av n antal variabler som måste beaktas när man studerar dem, exempelvis stötstyrkan, positionen för tektoniska plattor etc.
Neurala nätverk är designade för att förbättras över tid, dvs när mer data matas in i ett system sker mer lärande och systemet förbättras stadigt. I framtiden kan ett sådant system vara en integrerad del av prediktionssystem som används av seismologer. Planerare kan också genomföra nödåtgärder baserade på kunskap om jordbävningsbeteende. Teamet vill använda artificiell intelligens för att förutsäga omfattningen av jordbävningar.
***
{Du kan läsa den ursprungliga forskningsartikeln genom att klicka på DOI-länken nedan i listan över citerade källor}
Källa (er)
DeVries PMR et al. 2018. Djup inlärning av efterskalvmönster efter stora jordbävningar. Natur560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
