De uitdaging om aardbevingssignalen met optimale precisie te analyseren groeit mee met de hoeveelheid beschikbare seismische gegevens. Aan het Karlsruhe Institute of Technology (KIT), onderzoekers hebben een neuraal netwerk ingezet om de aankomsttijd van seismische golven te bepalen en zo het epicentrum van de aardbeving nauwkeurig te lokaliseren. In hun verslag in de Seismologische onderzoeksbrieven logboek, ze wijzen erop dat kunstmatige intelligentie de gegevens met dezelfde precisie kan evalueren als een ervaren seismoloog.

Voor het nauwkeurig lokaliseren van een aardbevingsgebeurtenis, het is van cruciaal belang om de exacte aankomsttijd van de meeste seismische golven op het seismometerstation te bepalen (de zogenaamde fase-aankomst). Zonder deze kennis, verdere nauwkeurige seismologische evaluaties zijn niet mogelijk. Dergelijke evaluaties kunnen zeer nuttig zijn bij het voorspellen van naschokken die soms ernstiger schade aanrichten dan de aanvankelijke grote aardbeving. Door het epicentrum precies te lokaliseren, zelfs fysieke processen die diep in de aarde plaatsvinden, kunnen beter worden onderscheiden, en dit, beurtelings, maakt het mogelijk om conclusies te trekken over de structuur van het binnenste van de aarde. "Onze resultaten laten zien dat kunstmatige intelligentie de analyse van aardbevingen aanzienlijk kan verbeteren, niet alleen met de ondersteuning van grote gegevensvolumes, maar ook als er maar een beperkte dataset beschikbaar is, " legt professor Andreas Rietbrock van het Geophysical Institute (GPI) van het KIT uit.

De evaluatie van de opgenomen seismogrammen, wat phase-picking wordt genoemd, helpt bij het bepalen van de aankomsttijden van de afzonderlijke fasen. traditioneel, dit is een handmatige procedure. De precisie bij handmatige faseselectie kan worden beïnvloed door de subjectiviteit van de verantwoordelijke seismoloog. Het meest opvallend is, echter, een handmatige evaluatie vereist ondertussen onaanvaardbare tijd en personele middelen, vanwege de groeiende hoeveelheid seismische gegevens en de hogere dichtheid van de seismometernetwerken. Geautomatiseerde evaluatie is noodzakelijk geworden om alle beschikbare gegevens snel te benutten. Inderdaad, de tot nu toe ontwikkelde phase-picking-algoritmen zijn niet in staat om de precisie te leveren die wordt bereikt met handmatige picking door een ervaren seismoloog - vanwege de extreme complexiteit van de vorming en voortplanting van aardbevingen, met veel fysieke processen die op het seismische golfveld inwerken.

Kunstmatige Intelligentie (AI), echter, kan de menselijke precisie evenaren bij het evalueren van deze gegevens. Dat hebben wetenschappers van de GPI nu onthuld, de Universiteit van Liverpool, en de Universiteit van Granada. Volgens hun rapport in de Seismologische onderzoeksbrieven logboek, de onderzoekers gebruikten een convolutioneel neuraal netwerk (CNN) om de fase-aanvang in een seismisch netwerk in Chili te bepalen. CNN's zijn geïnspireerd op biologische neurale systemen en gerangschikt in verschillende lagen van onderling verbonden kunstmatige neuronen. Bij het zogenaamde Deep Learning, wat een van de Machine Learning-methoden is, gedetecteerde en geleerde functies worden van het ene niveau naar het volgende doorgegeven, wordt in dit proces steeds verder verfijnd.

Tijdens een aardbeving, verschillende soorten seismische golven planten zich door de aarde voort. De belangrijkste typen worden compressie- of primaire golven (P-golven) en afschuif- of secundaire golven (S-golven) genoemd. Eerst, hoe sneller P-golven bij het seismologische station aankomen, gevolgd door de langzamere S-golven. Seismische golven kunnen worden vastgelegd in seismogrammen. De onderzoekers trainden de CNN met behulp van een relatief kleine dataset over 411 aardbevingen in het noorden van Chili. Vervolgens, de CNN bepaalde de aankomsttijd van onbekende P-fasen en S-fasen, terwijl de precisie van een ervaren seismoloog wordt gematcht met handmatige picking of zelfs een hogere precisie levert dan een klassiek pick-algoritme.