Door deep learning toe te passen op seismische gegevens is gebleken dat tremor en slip altijd voorkomen - voor en na bekende grootschalige slow-slip aardbevingen - in plaats van met tussenpozen in discrete bursts, zoals eerder werd gedacht. Nog verrassender, de machine learning generaliseert naar andere tektonische omgevingen, inclusief de San Andreas-breuk.

"Het werk vertelt ons dat de fysica van wrijving op fouten universele kenmerken lijkt te hebben - iets dat we vermoedden maar niet konden bewijzen, zei Bertrand Rouet-Leduc, een geofysicus in de Geophysics-groep van het Los Alamos National Laboratory en hoofdauteur van het papier.

In het onderzoek, het team trainde een convolutioneel neuraal netwerk - een vorm van diep leren - op een tremorcatalogus gemaakt door Aaron Wech van de Universiteit van Washington. De catalogus maakt gebruik van seismogrammen van meerdere jaren van een seismisch station op Vancouver Island in de regio Cascadia in de Pacific Northwest. Tremorgebeurtenissen die aanvankelijk werden geïdentificeerd door methoden met meerdere stations, vormden de trainingsset. Het team gebruikte vervolgens het deep learning-model om nog veel meer evenementen te vinden.

Langzame aardbevingen, waarvan bekend is dat ze soms voorafgaan aan grote aardbevingen op continentale breuken en in subductiezones, cyclisch spanning opbouwen en grote aardbevingen kunnen veroorzaken op naburige, sterk gespannen vergrendelde fouten. Maar zelfs in Cascadia, een duidelijk geval van een zeer gestresste, "vergrendeld en geladen" fout, eerder onderzoek had alleen intermitterende en discrete langzame aardbevingen en de bijbehorende trillingen waargenomen.

Het onderzoeksteam ontdekte dat het neurale netwerk een continue meting van trillingen opleverde en duidelijkere tijdsgrenzen aan slow-slip-gebeurtenissen plaatste dan eerdere methoden hadden vastgesteld. aanzienlijk, het neurale netwerk identificeerde zwakke tremorsignalen maanden voordat traditionele methoden langzame slip detecteerden door soms minieme hoogteverschillen in het landschap te meten.

"De studie suggereert dat langzame slip binnen megathrust-zones niet willekeurig is. Dit onderzoek maakt deel uit van een oeuvre dat ons vertelt dat precursoren veel vaker plaatsvinden dan eerder werd gedacht, in overeenstemming met laboratoriumexperimenten en theorie, zei Rouet-Leduc.

De krant, "Langzame aardbevingen onderzoeken met Deep Learning, " werd gepubliceerd op 24 februari 2020 in Geofysische onderzoeksbrieven . Dit werk maakt deel uit van lopend onderzoek in Los Alamos dat een continu akoestisch signaal heeft geïdentificeerd dat wordt uitgezonden door slow-slip-gebeurtenissen. Het signaal kan op elk moment worden uitgelezen om de resterende tijd aan te geven tot het uitvallen van de storing in zowel laboratorium- als echte aardbevingen.