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 en de plaats erboven op de grond wordt 'epicentrum' genoemd. De vrijkomende energie wordt gemeten als magnitude, een schaal om te beschrijven hoe energiek een aardbeving was. Een aardbeving met een kracht van 2 is nauwelijks waarneembaar en kan alleen worden geregistreerd met behulp van gevoelige gespecialiseerde apparatuur aardbevingen van meer dan magnitude 8 kan ervoor zorgen dat de grond merkbaar erg hard trilt. Een aardbeving wordt over het algemeen gevolgd door vele naschokken die plaatsvinden door een soortgelijk mechanisme en die even verwoestend zijn en waarvan de intensiteit en ernst vaak vergelijkbaar zijn met die van de oorspronkelijke aardbeving. Dergelijke trillingen na een aardbeving treden doorgaans op binnen het eerste uur of een dag na de aardbeving aardbeving. Het voorspellen van de ruimtelijke verspreiding van naschokken is een grote uitdaging.
Wetenschappers hebben empirische wetten geformuleerd om de omvang en het tijdstip van naschokken te beschrijven, maar het bepalen van de locatie ervan is nog steeds een uitdaging. Onderzoekers van Google en Harvard University hebben een nieuwe aanpak voor beoordelen bedacht aardbevingen en het voorspellen van de locatie van naschokken met behulp van kunstmatige intelligentietechnologie in hun studie gepubliceerd in Natuur en wandelen. 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 zou gespannen en gespannen zijn na een aardbeving die vervolgens naschokken zullen veroorzaken. Ze creëerden rasters van 5 vierkante kilometer waarbinnen het systeem zou controleren op een naschok. Het neurale netwerk zou dan relaties vormen tussen spanningen veroorzaakt door de hoofdaardbeving en de locatie van naschokken. Toen het neurale netwerksysteem eenmaal op deze manier goed was getraind, kon het de locatie van naschokken nauwkeurig voorspellen. Het onderzoek was buitengewoon uitdagend omdat er gebruik werd gemaakt van complexe gegevens uit de echte wereld over aardbevingen. Onderzoekers zijn alternatief opgezet 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.
***
Bron (nen)
DeVries PMR et al. 2018. Diep leren van naschokpatronen na grote aardbevingen. Natuur en wandelen560(7720). DOI: https://doi.org/10.1038/s41586-018-0438-y
***
