Door te luisteren naar het akoestische signaal dat wordt uitgezonden door een in het laboratorium gecreëerde aardbeving, een computerwetenschappelijke benadering met behulp van machine learning kan de resterende tijd voorspellen voordat de fout faalt.

"Op elk willekeurig moment, het geluid dat uit de foutzone van het laboratorium komt, geeft kwantitatieve informatie over wanneer de fout zal wegglippen, " zei Paul Johnson, een Los Alamos National Laboratory fellow en hoofdonderzoeker van het onderzoek, die vandaag werd gepubliceerd in Geofysische onderzoeksbrieven .

"De nieuwigheid van ons werk is het gebruik van machinaal leren om nieuwe fysica van falen te ontdekken en te begrijpen, door onderzoek van het opgenomen auditieve signaal van de experimentele opstelling. Ik denk dat de toekomst van aardbevingsfysica sterk zal afhangen van machine learning om enorme hoeveelheden ruwe seismische gegevens te verwerken. Ons werk is een belangrijke stap in deze richting, " hij zei.

Het werk is niet alleen van potentiële betekenis voor het voorspellen van aardbevingen, Johnson zei, maar de aanpak is verreikend, toepasbaar op mogelijk alle faalscenario's, inclusief niet-destructief testen van industriële materialen, bros falen van alle soorten, lawines en andere gebeurtenissen.

Machine learning is een kunstmatige-intelligentiebenadering waarmee de computer kan leren van nieuwe gegevens, het actualiseren van de eigen resultaten om de implicaties van nieuwe informatie weer te geven.

De machine learning-techniek die in dit project wordt gebruikt, identificeert ook nieuwe signalen, voorheen gedacht aan ruis met een lage amplitude, die voorspellingsinformatie verschaffen gedurende de aardbevingscyclus. "Deze signalen lijken op aardtrillingen die optreden in combinatie met langzame aardbevingen op tektonische breuken in de onderste korst, Johnson zei. "Er is reden om dergelijke signalen van aardfouten in de seismogene zone te verwachten voor langzaam wegglijdende fouten."

Machine learning-algoritmen kunnen faaltijden van laboratoriumbevingen met opmerkelijke nauwkeurigheid voorspellen. Het akoestische emissie (AE) signaal, die de momentane fysieke toestand van het systeem kenmerkt, voorspelt betrouwbaar falen tot ver in de toekomst. Dit is een verrassing, Johnson wees erop, aangezien al het eerdere werk ervan uitging dat alleen de catalogus van grote evenementen relevant is, en dat kleine fluctuaties in het AE-signaal kunnen worden verwaarloosd.

Om de verschijnselen te bestuderen, het team analyseerde gegevens van een laboratoriumfoutsysteem dat foutguts bevat, het vermalen materiaal dat ontstaat door de stenen blokken die langs elkaar schuiven. Een versnellingsmeter registreerde de akoestische emissie afkomstig van de afschuiflagen.

Na een wrijvingsfout in de labbeving, het knipblok beweegt of verplaatst, terwijl het gutsmateriaal tegelijkertijd uitzet en versterkt, zoals blijkt uit meetbaar toenemende schuifspanning en wrijving. "Als het materiaal mislukking nadert, het begint de kenmerken van een kritisch stressregime te vertonen, waaronder veel kleine afschuiffouten die impulsieve akoestische emissies afgeven, ’ beschreef Johnson.

"Deze onstabiele toestand eindigt met een echte labbeving, waarin het knipblok snel verschuift, de wrijving en schuifspanning nemen snel af, en de gutslagen tegelijkertijd compact, " zei hij. Onder een breed scala van omstandigheden, het apparaat glijdt vrij regelmatig gedurende honderden stresscycli tijdens een enkel experiment. En belangrijker nog, het signaal (vanwege het gutsen en kraken dat uiteindelijk leidt tot de impulsieve voorlopers) maakt voorspelling in het laboratorium mogelijk, en we hopen dat dit zal leiden tot vooruitgang in de voorspelling op aarde, zei Johnson.