Voor alles wat seismologen hebben geleerd over aardbevingen, nieuwe technologieën laten zien hoeveel er nog te ontdekken valt.

In een nieuwe studie in wetenschappelijke vooruitgang , onderzoekers van Columbia University laten zien dat algoritmen voor machinaal leren verschillende soorten aardbevingen kunnen onderscheiden uit drie jaar aardbevingsregistraties bij The Geysers in Californië, een van 's werelds oudste en grootste geothermische reservoirs. De zich herhalende patronen van aardbevingen lijken overeen te komen met de seizoensgebonden stijging en daling van waterinjectiestromen in de hete rotsen eronder, suggereert een verband met de mechanische processen die ervoor zorgen dat stenen wegglijden of barsten, een aardbeving veroorzaken.

"Het is een totaal nieuwe manier om aardbevingen te bestuderen, " zei studie co-auteur Benjamin Holtzman, een geofysicus bij het Lamont-Doherty Earth Observatory in Columbia. "Deze machine learning-methoden halen zeer subtiele verschillen uit de onbewerkte gegevens die we net leren interpreteren."

De aanpak is in meerdere opzichten nieuw. De onderzoekers stelden een catalogus samen van 46, 000 aardbevingsopnames, elk weergegeven als energiegolven in een seismogram. Vervolgens brachten ze veranderingen in de frequentie van de golven door de tijd in kaart, die ze uitzetten als een spectrogram - een soort muzikale routekaart van de veranderende toonhoogtes van de golven, waren ze om te zetten in geluid. Seismologen analyseren meestal seismogrammen om de omvang van een aardbeving te schatten en waar deze is ontstaan. Maar door naar de frequentie-informatie van een aardbeving te kijken, konden de onderzoekers in plaats daarvan machine-learningtools toepassen die patronen in muziek en menselijke spraak kunnen ontdekken met minimale menselijke input. Met deze hulpmiddelen de onderzoekers verminderden elke aardbeving tot een spectrale "vingerafdruk" die de subtiele verschillen met de andere aardbevingen weerspiegelt, en vervolgens een clusteralgoritme gebruikt om de vingerafdrukken in groepen te sorteren.

De machine-learning assist hielp onderzoekers het verband te leggen met de fluctuerende hoeveelheden water die ondergronds worden geïnjecteerd tijdens het energiewinningsproces, de onderzoekers een mogelijke verklaring geven waarom de computer de signalen heeft geclusterd zoals hij deed. "Het werk is nu om deze clusters met traditionele methoden te onderzoeken en te kijken of we de fysica erachter kunnen begrijpen, " zei studie co-auteur Felix Waldhauser, een seismoloog in Lamont-Doherty. "Meestal heb je een hypothese en toets je die. Hier bouw je een hypothese op van een patroon dat de machine heeft gevonden."

Als de aardbevingen in verschillende clusters kunnen worden gekoppeld aan de drie mechanismen die typisch aardbevingen veroorzaken in een geothermisch reservoir - afschuifbreuk, thermische breuk en hydraulisch kraken - het zou mogelijk kunnen zijn, zeggen de onderzoekers, om het vermogen in geothermische reservoirs te verhogen. Als ingenieurs bijna realtime kunnen begrijpen wat er in het reservoir gebeurt, ze kunnen experimenteren met het regelen van waterstromen om meer kleine scheurtjes te creëren, en daarom, verwarmd water om stoom en uiteindelijk elektriciteit op te wekken. Deze methoden kunnen ook helpen de kans op grotere aardbevingen te verkleinen - bij The Geysers, en overal waar vloeistof ondergronds wordt gepompt, ook op stortplaatsen voor frackingvloeistoffen. Eindelijk, de tools kunnen helpen bij het identificeren van de waarschuwingssignalen van een grote op komst - een van de heilige gralen van de seismologie.

Het onderzoek is voortgekomen uit een ongebruikelijke artistieke samenwerking. Als muzikant, Holtzman was al lang afgestemd op de vreemde geluiden van aardbevingen. Met geluidsontwerper Jason Candler, Holtzman had de seismische golven van opnamen van opmerkelijke aardbevingen omgezet in geluiden, en vervolgens versnelde ze om ze verstaanbaar te maken voor het menselijk oor. Hun samenwerking, met studie co-auteur Douglas Repetto, werd de basis voor Seismodome, een terugkerende show in het Hayden Planetarium van het American Museum of Natural History die mensen in de aarde plaatst om de levende planeet te ervaren.

Naarmate de tentoonstelling evolueerde, Holtzman begon zich af te vragen of het menselijk oor een intuïtief begrip van aardbevingsfysica zou hebben. In een reeks experimenten, hij en studie co-auteur Arthur Paté, daarna postdoctoraal onderzoeker bij Lamont-Doherty, bevestigde dat mensen onderscheid konden maken tussen temblors die zich door de zeebodem voortplanten of meer rigide continentale korst, en voortkomend uit een stuwkracht- of strike-slipfout.

aangemoedigd, en op zoek naar uitbreiding van het onderzoek, Holtzman stak zijn hand uit om co-auteur John Paisley te bestuderen, een professor elektrotechniek aan Columbia Engineering en Columbia's Data Science Institute. Holtzman wilde weten of machine learning-tools iets nieuws zouden kunnen detecteren in een gigantische dataset van aardbevingen. Hij besloot te starten met gegevens van The Geysers vanwege een langdurige interesse in aardwarmte.

"Het was een typisch clusteringprobleem, "zegt Paisley. "Maar met 46, 000 aardbevingen was het geen eenvoudige taak."

Paisley bedacht een oplossing in drie stappen. Eerst, een type algoritme voor onderwerpmodellering koos de meest voorkomende frequenties in de dataset uit. Volgende, een ander algoritme identificeerde de meest voorkomende frequentiecombinaties in elk spectrogram van 10 seconden om zijn unieke akoestische vingerafdruk te berekenen. Eindelijk, een clusteringalgoritme, zonder te worden verteld hoe de gegevens moeten worden georganiseerd, groepeerde de 46, 000 vingerafdrukken door gelijkenis. Cijfers kraken dat een computercluster enkele weken zou hebben gekost, werd in een paar uur gedaan op een laptop dankzij een andere tool, stochastische variatie-inferentie, Paisley had eerder geholpen zich te ontwikkelen.

Toen de onderzoekers de clusters vergeleken met de gemiddelde maandelijkse waterinjectievolumes over The Geysers, een patroon sprong eruit:een hoge injectiesnelheid in de winter, omdat steden meer afvloeiend water naar het gebied sturen, werd geassocieerd met meer aardbevingen en één type signaal. Een lage injectiesnelheid in de zomer kwam overeen met minder aardbevingen, en een apart signaal, met overgangssignalen in het voor- en najaar.

De onderzoekers zijn van plan deze methoden vervolgens toe te passen op opnames van andere natuurlijk voorkomende aardbevingen en ook op die welke in het laboratorium zijn gesimuleerd om te zien of ze signaaltypen kunnen koppelen aan verschillende foutprocessen. Een andere studie die vorig jaar in Geophysical Research Letters werd gepubliceerd, suggereert dat ze op een veelbelovende weg zijn. Een team onder leiding van Los Alamos-onderzoeker Paul Johnson toonde aan dat machine learning-tools een subtiel akoestisch signaal in gegevens van laboratoriumexperimenten konden oppikken en voorspellen wanneer de volgende microscopische aardbeving zou plaatsvinden. Hoewel natuurlijke fouten complexer zijn, het onderzoek suggereert dat machine learning kan leiden tot inzichten voor het identificeren van voorlopers van grote aardbevingen.