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 gesteente onder de grond in de aardkorst plotseling breekt rond een geologische breuklijn. Dit veroorzaakt een snelle afgifte van energie die seismische golven produceert die vervolgens de grond doen trillen en dit is het gevoel dat we vielen tijdens een aardbeving. De plek waar de rots breekt wordt het brandpunt van de aardbeving genoemd en de plaats erboven op de grond wordt 'epicentrum' genoemd. De vrijgekomen energie wordt gemeten als magnitude, een schaal om te beschrijven hoe energiek een aardbeving was. Een aardbeving van magnitude 2 is nauwelijks waarneembaar en kan alleen worden geregistreerd met behulp van gevoelige gespecialiseerde apparatuur, terwijl aardbevingen van meer dan magnitude 8 de grond merkbaar erg hard kunnen doen schudden. 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 de oorspronkelijke aardbeving. Dergelijke bevingen na een aardbeving treden doorgaans binnen het eerste uur of een dag na de grote aardbeving op. Het voorspellen van de ruimtelijke verdeling van naschokken is een grote uitdaging.
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 naschokken beter dan willekeurig raden en probeer het probleem op te lossen van 'waar' de naschokken zullen plaatsvinden. Waarnemingen verzameld van meer dan 199 grote aardbevingen over de hele wereld werden gebruikt, bestaande uit ongeveer 131,000 hoofdschok-naschokparen. Deze informatie werd gecombineerd met een op fysica gebaseerd model dat beschrijft hoe de aarde gespannen en gespannen zou zijn na een aardbeving die vervolgens naschokken zal 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 grote aardbeving en de locatie van naschokken. Toen het neurale netwerksysteem eenmaal op deze manier goed was getraind, was het in staat om de locatie van naschokken nauwkeurig te voorspellen. Het onderzoek was buitengewoon uitdagend omdat het gebruikmaakte van complexe real-world gegevens van aardbevingen. Onderzoekers hebben 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 verdere verwondingen, beschadigen eigendommen en belemmeren ook reddingspogingen, daarom zou het levensreddend zijn voor de mensheid om ze te voorspellen. Realtime voorspelling is op dit moment misschien niet mogelijk, omdat de huidige AI-modellen alleen een bepaald type naschok en een eenvoudige geologische breuklijn aankunnen. Dit is belangrijk omdat geologische breuklijnen een verschillende geometrie hebben op verschillende geografische locaties op de planeet. Het is dus mogelijk niet van toepassing op verschillende soorten aardbevingen over de hele wereld. Desalniettemin lijkt kunstmatige-intelligentietechnologie geschikt voor aardbevingen vanwege een aantal variabelen waarmee rekening moet worden gehouden bij het bestuderen ervan, bijvoorbeeld sterkte van de schok, 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
***
