Een groep onderzoekers uit het VK en de VS heeft technieken voor machinaal leren gebruikt om aardbevingen met succes te voorspellen. Hoewel hun werk werd uitgevoerd in een laboratoriumomgeving, het experiment bootst de omstandigheden in het echte leven nauw na, en de resultaten kunnen worden gebruikt om de timing van een echte aardbeving te voorspellen.

Het team, van de Universiteit van Cambridge, Los Alamos National Laboratory en Boston University, identificeerde een verborgen signaal in de aanloop naar aardbevingen, en gebruikte deze 'vingerafdruk' om een ​​machine learning-algoritme te trainen om toekomstige aardbevingen te voorspellen. hun resultaten, die ook kunnen worden toegepast op lawines, aardverschuivingen en meer, worden gerapporteerd in het tijdschrift Geophysical Review Letters.

Voor geowetenschappers, het voorspellen van de timing en de omvang van een aardbeving is een fundamenteel doel. In het algemeen, aanwijzen waar een aardbeving zal plaatsvinden is vrij eenvoudig:als een aardbeving eerder een bepaalde plaats heeft getroffen, de kans is groot dat het daar weer zal toeslaan. De vragen die wetenschappers al tientallen jaren bezig houden, zijn hoe te bepalen wanneer een aardbeving zal plaatsvinden, en hoe erg het zal zijn. In de afgelopen 15 jaar, er is vooruitgang geboekt op het gebied van instrumentprecisie, maar een betrouwbare voorspellingstechniek voor aardbevingen is nog niet ontwikkeld.

Als onderdeel van een project op zoek naar manieren om machine learning-technieken te gebruiken om galliumnitride (GaN) LED's efficiënter te maken, de eerste auteur van de studie, Bertrand Rouet-Leduc, die toen promovendus was in Cambridge, verhuisde naar Los Alamos National Laboratory in New Mexico om een ​​samenwerking aan te gaan op het gebied van machine learning in materiaalkunde tussen Cambridge University en Los Alamos. Van daaruit begon het team de Los Alamos Geophysics-groep te helpen met vragen over machine learning.

Het team van Los Alamos, onder leiding van Paul Johnson, bestudeert de interacties tussen aardbevingen, voorloperbevingen (vaak zeer kleine aardbewegingen) en fouten, in de hoop een methode te ontwikkelen om aardbevingen te voorspellen. Met behulp van een lab-gebaseerd systeem dat echte aardbevingen nabootst, de onderzoekers gebruikten machine learning-technieken om de akoestische signalen te analyseren die afkomstig waren van de 'fout' terwijl deze bewoog en naar patronen te zoeken.

Het laboratoriumapparaat gebruikt stalen blokken om de fysieke krachten na te bootsen die aan het werk zijn bij een echte aardbeving, en registreert ook de seismische signalen en geluiden die worden uitgezonden. Machine learning wordt vervolgens gebruikt om de relatie te vinden tussen het akoestische signaal dat uit de storing komt en hoe dicht het bij een storing is.

Het machine learning-algoritme was in staat om een ​​bepaald patroon in het geluid te identificeren, voorheen werd gedacht dat het niets meer was dan lawaai, die plaatsvindt lang voor een aardbeving. De kenmerken van dit geluidspatroon kunnen worden gebruikt om een ​​nauwkeurige schatting (binnen een paar procent) van de spanning op de fout (dat wil zeggen, onder hoeveel kracht het valt) en om de resterende tijd te schatten voordat het defect raakt, die steeds nauwkeuriger wordt naarmate de mislukking nadert. Het team denkt nu dat dit geluidspatroon een directe maat is voor de elastische energie die zich op een bepaald moment in het systeem bevindt.

"Dit is de eerste keer dat machine learning is gebruikt om akoestische gegevens te analyseren om te voorspellen wanneer een aardbeving zal plaatsvinden. lang voordat het gebeurt, zodat er voldoende waarschuwingstijd kan worden gegeven - het is ongelooflijk wat machine learning kan doen, " zei co-auteur professor Sir Colin Humphreys van Cambridge's Department of Materials Science &Metallurgy, waarvan het belangrijkste onderzoeksgebied energie-efficiënte en kosteneffectieve LED's is. Humphreys was de supervisor van Rouet-Leduc toen hij promovendus was in Cambridge.

"Machine learning maakt de analyse mogelijk van datasets die te groot zijn om handmatig te verwerken en kijkt op een onbevooroordeelde manier naar gegevens waardoor ontdekkingen kunnen worden gedaan, zei Rouet-Leduc.

Hoewel de onderzoekers waarschuwen dat er meerdere verschillen zijn tussen een laboratoriumexperiment en een echte aardbeving, ze hopen hun aanpak geleidelijk op te schalen door deze toe te passen op echte systemen die het meest lijken op hun laboratoriumsysteem. Een zo'n site is in Californië langs de San Andreas Fault, waar karakteristieke kleine zich herhalende aardbevingen vergelijkbaar zijn met die in de laboratoriumgebaseerde aardbevingssimulator. Er wordt ook vooruitgang geboekt bij de Cascadia-breuk in de Pacific Northwest van de Verenigde Staten en British Columbia, Canada, waar herhalende langzame aardbevingen die gedurende weken of maanden plaatsvinden, ook erg lijken op laboratoriumaardbevingen.

"We bevinden ons op een punt waar enorme vooruitgang in instrumentatie, machinaal leren, snellere computers en ons vermogen om enorme datasets te verwerken, kunnen enorme vooruitgang opleveren in de aardbevingswetenschap, zei Rouet-Leduc.