Een nieuwe kunstmatige-intelligentiebenadering kan helpen bij het voorspellen van de locatie van naschokken na een aardbeving
An aardbeving is een fenomeen dat wordt veroorzaakt wanneer er ondergronds gesteente in de grond zit aarde korst breekt plotseling rond een geologische breuklijn. Dit veroorzaakt een snelle vrijgave van energie die seismische golven produceert die vervolgens de grond doen trillen en dit is het gevoel dat we kregen tijdens een aardbeving. De plek waar de rots breekt, wordt het brandpunt van de steen genoemd aardbeving and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while aardbevingen of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main aardbeving. Forecasting spatial distribution of aftershocks is very challenging.
Scientists have formulated empirical laws to describe size and time of aftershocks but pinpointing their location is still a challenge. Researchers at Google and Harvard University have devised a new approach for assessing aardbevingen and forecasting location of aftershocks using artificial intelligence technology in their study published in NATUUR. Ze gebruikten specifiek machine learning - een aspect van kunstmatige intelligentie. Bij de machine learning-benadering 'leert' een machine van een set gegevens en is na het verwerven van deze kennis in staat om deze informatie te gebruiken om voorspellingen te doen over nieuwere gegevens.
Onderzoekers analyseerden eerst een database van wereldwijde aardbevingen met behulp van deep learning-algoritmen. Deep learning is een geavanceerde vorm van machine learning waarbij neurale netwerken het denkproces van het menselijk brein proberen na te bootsen. Vervolgens wilden ze kunnen voorspelling naschokken beter dan willekeurig raden en probeer het probleem op te lossen van 'waar' de naschokken zullen plaatsvinden. Er werd gebruik gemaakt van waarnemingen verzameld bij meer dan 199 grote aardbevingen over de hele wereld, bestaande uit ongeveer 131,000 hoofdschok-naschokparen. Deze informatie werd gecombineerd met een op fysica gebaseerd model dat beschrijft hoe De aarde would be strained and tense after an aardbeving which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up kunstmatig en soort 'ideale' aardbevingen om voorspellingen te maken en vervolgens de voorspellingen te onderzoeken. Kijkend naar de output van neurale netwerken, probeerden ze te analyseren welke verschillende 'hoeveelheden' waarschijnlijk de voorspelling van naschokken zullen beheersen. Na ruimtelijke vergelijkingen te hebben gemaakt, kwamen onderzoekers tot de conclusie dat een typisch naschokpatroon fysiek 'interpreteerbaar' was. Het team suggereert dat een hoeveelheid die de tweede variant van deviatorische spanningsspanning wordt genoemd - eenvoudigweg J2 genoemd - de sleutel bevat. Deze hoeveelheid is zeer goed te interpreteren en wordt routinematig gebruikt in de metallurgie en andere gebieden, maar is nog nooit eerder gebruikt voor het bestuderen van aardbevingen.
Naschokken van aardbevingen veroorzaken nog meer verwondingen, beschadigen eigendommen en belemmeren ook reddingsinspanningen. Daarom zou het voorspellen ervan levensreddend zijn voor de mensheid. Real-time voorspellingen zijn op dit moment misschien niet mogelijk, omdat de huidige AI-modellen alleen met een bepaald type naschok en een eenvoudige geologische breuklijn kunnen omgaan. Dit is belangrijk omdat geologische breuklijnen een verschillende geometrie hebben op verschillende geografische locaties vliegtuig. Het is dus momenteel mogelijk niet van toepassing op verschillende soorten aardbevingen over de hele wereld. Niettemin lijkt de kunstmatige intelligentietechnologie geschikt voor aardbevingen vanwege een aantal variabelen waarmee rekening moet worden gehouden bij het bestuderen ervan, bijvoorbeeld de sterkte van de schok, de positie van tektonische platen enz.
Neurale netwerken zijn ontworpen om in de loop van de tijd te verbeteren, dat wil zeggen dat naarmate er meer gegevens in een systeem worden ingevoerd, er meer wordt geleerd en het systeem gestaag verbetert. In de toekomst zou een dergelijk systeem een integraal onderdeel kunnen zijn van voorspellingssystemen die door seismologen worden gebruikt. Planners zouden ook noodmaatregelen kunnen nemen op basis van kennis van aardbevingsgedrag. Het team wil kunstmatige-intelligentietechnologie gebruiken om de omvang van aardbevingen te voorspellen.
***
{U kunt de originele onderzoekspaper lezen door op de DOI-link hieronder in de lijst met geciteerde bron(nen) te klikken}
Bron (nen)
DeVries PMR et al. 2018. Diep leren van naschokpatronen na grote aardbevingen. NATUUR560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
