Een nieuwe kunstmatige-intelligentiebenadering kan helpen bij het voorspellen van de locatie van naschokken na een aardbeving
An aardbeving is a phenomenon caused when rock underground in the aarde crust suddenly breaks around a geological fault line. This causes rapid release of energy which produces seismic waves which then make the ground shake and this is the sensation we fell during an earthquake. The spot where the rock breaks is called focus of the 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 earthquakes 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 earthquake. Forecasting spatial distribution of aftershocks is very challenging.
Wetenschappers hebben empirische wetten opgesteld om de omvang en tijd van naschokken te beschrijven, maar het is nog steeds een uitdaging om hun locatie te bepalen. Onderzoekers van Google en Harvard University hebben een nieuwe benadering ontwikkeld voor het beoordelen van aardbevingen en het voorspellen van de locatie van naschokken met behulp van kunstmatige intelligentietechnologie in hun studie gepubliceerd 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 aftershocks better than random guessing and try to solve the problem of ‘where’ the aftershocks will occur. Observations collected from more than 199 major earthquakes around the world were utilized consisting of around 131,000 mainshock-aftershock pairs. This information was combined with a physics-based model which describing how De aarde would be strained and tense after an earthquake 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.
Aftershocks of earthquakes cause further injuries, damage properties and also hinder rescue efforts therefore predicting them would be life-saving for humanity. Real time forecast may not be possible at this very moment as the current AI models can deal with a particular type of aftershock and simple geological fault line only. This is important because geological fault lines have different geometry in diverse geographical location on the vliegtuig. So, it may not be currently applicable to different type of earthquakes around the world. Nevertheless, artificial intelligence technology looks suitable for earthquakes because of n number of variables which need to considered when studying them, example strength of the shock, position of tectonic plates etc.
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
***
