Begin september 2018, een krachtige aardbeving op het eiland Hokkaido in het noorden van Japan veroorzaakte aardverschuivingen, omgevallen gebouwen, stroomonderbreking, gestopte industrie, doodde meer dan 40 mensen en verwondde honderden. De nationale meteorologische dienst waarschuwde dat naschokken tot een week na de hoofdgebeurtenis zouden kunnen toeslaan.

"Een grote aardbeving heeft doorgaans duizenden naschokken, " zei Gregory Beroza, de Wayne Loel hoogleraar geofysica in de School of Earth, Energie- en milieuwetenschappen (Stanford Earth) aan de Stanford University. "We weten dat een grote aardbeving iets in de aardkorst verandert waardoor deze naschokken plaatsvinden."

De zeldzaamheid van grote aardbevingen, echter, maakt het moeilijk om te documenteren en statistisch te modelleren hoe grote aardbevingen in ruimte en tijd met elkaar omgaan. Naschokken kunnen een oplossing bieden. "Naschokken vinden plaats door hetzelfde mechanisme, op dezelfde geologische breuken en onder dezelfde omstandigheden als andere aardbevingen, " Beroza uitgelegd in een recent artikel in het tijdschrift Natuur . Als resultaat, interacties tussen de grootste aardbeving in een reeks, bekend als een hoofdschok, en de naschokken kunnen aanwijzingen bevatten voor interacties met aardbevingen in het algemeen, helpen uit te leggen hoe veranderingen op een fout veroorzaakt door een aardbeving de potentiële locatie van een andere kunnen beïnvloeden.

Hier, Beroza bespreekt hoe wetenschappers naschokken voorspellen en waarom ze kunstmatige intelligentie gebruiken om betere modellen voor de toekomst te bouwen.

Wat zijn de huidige methoden om voorschokken te voorspellen en waar schieten ze tekort?

GREGORY BEROZA:Als er een grote aardbeving plaatsvindt, dat de krachten in de nabije aardkorst verandert. Er wordt gedacht dat deze stressverandering het meest verantwoordelijk is voor het veroorzaken van naschokken. De stress is de oorzaak van aardbevingen.

Wetenschappers hebben een neiging opgemerkt dat naschokken optreden wanneer twee soorten stress inwerken op een foutverandering. Het eerste type heet is normale spanning, dat is hoe sterk twee kanten van een fout naar elkaar toe duwen of uit elkaar trekken. Het tweede type wordt schuifspanning genoemd, of hoe sterk de twee partijen langs elkaar heen worden geduwd, parallel aan de fout, door strijdkrachten op afstand. Afnames van de normale spanning en toename van de schuifspanning zullen naar verwachting latere aardbevingen aanmoedigen. Maatregelen van deze veranderingen in het volume van gesteente rond een breuk worden gecombineerd in een enkele metriek die de Coulomb-foutspanningsverandering wordt genoemd.

Maar het is geen vaste regel. Sommige aardbevingen komen voor waar ze in zekere zin niet zouden moeten, door die maatstaf. Er zijn componenten van spanning die verschillen van schuifspanning en normale spanning. Er is stress in andere richtingen, en complexe combinaties. Dus we kunnen goed voorspellen waar naschokken zullen plaatsvinden, en zal niet, optreden na een mainshock, maar niet zo goed als we zouden willen.

Wat is een kunstmatig neuraal netwerk en hoe kunnen wetenschappers dit soort kunstmatige intelligentie gebruiken om aardbevingen en naschokken te voorspellen?

BEROZA:Stel je een machine voor die invoer van links ontvangt. Als je naar rechts gaat, heb je een reeks lagen, elk met een aantal verbonden neuronen. En aan de andere kant heb je een bepaald resultaat.

Het ene neuron kan het andere prikkelen. Als je veel van deze lagen toevoegt met veel verschillende interacties, je krijgt heel snel een extreem groot aantal mogelijke relaties. Als mensen praten over 'diepe' neurale netwerken, dat betekent dat ze veel lagen hebben.

In dit geval, uw invoer is informatie over spanning op een fout. De output is informatie over de locaties van naschokken. Wetenschappers kunnen voorbeelden nemen van waargenomen aardbevingen en die gegevens gebruiken om de neuronen te trainen om te interageren op manieren die een resultaat opleveren dat in de echte wereld werd waargenomen. Het is een proces dat machine learning wordt genoemd. Gezien deze reeks ingangen, wat is het goede antwoord? Wat heeft de aarde ons verteld voor deze aardbeving?

Een baanbrekende poging om kunstmatige intelligentie in deze context te gebruiken, gepubliceerd in Natuur in augustus 2018. De auteurs voerden een machine-learningalgoritme in met schattingen van stressveranderingen en informatie over waar naschokken wel of niet plaatsvonden voor een hele reeks aardbevingen. Ze doen geen aardbevingsvoorspelling in de gebruikelijke zin, waar je de tijd probeert te voorspellen, plaats en omvang van de aardbeving. Ze zoeken gewoon waar naschokken plaatsvinden. Het model geeft niet de ware complexiteit van de aarde weer, maar het gaat de goede kant op.

Hoe kunnen kunstmatige-intelligentiebenaderingen breder worden toegepast op seismologie?

BEROZA:In de aardwetenschappen in het algemeen, we hebben gecompliceerde geologische systemen die sterk op elkaar inwerken op manieren die we niet begrijpen. Machine learning en kunstmatige intelligentie kunnen ons helpen de aard van sommige van die gecompliceerde relaties te verkennen en misschien te ontdekken. Het kan ons helpen bij het onderzoeken en vinden van relaties die wetenschappers niet hadden bedacht of getest.

We hebben ook zeer grote datasets. Het grootste seismische netwerk waarmee ik heb gewerkt heeft ongeveer 5, 000 sensoren erin. Dat is 5, 000 sensoren, 100 monsters per seconde, en het draait ononderbroken voor maanden. Er zijn zoveel gegevens dat het moeilijk is om er zelfs maar naar te kijken.

De trend is dat deze datasets steeds groter worden. Binnen enkele jaren, we gaan werken met datasets van meer dan 10, 000 sensoren. Hoe zorg je ervoor dat je zoveel mogelijk informatie uit die enorme datasets haalt?

Onze gebruikelijke manier van zakendoen zal op een gegeven moment niet groter worden. Techniques such as data mining and machine learning to help us extract as much information as we can from these very large data sets are going to be an essential part of understanding our planet in the future.