Door historische seismische gegevens te kammen, onderzoekers die een machine learning-model gebruiken, hebben verschillende statistische kenmerken opgegraven die het beginstadium van langzame slipbreuken in de aardkorst markeren, maanden voordat trillingen of GPS-gegevens een slip in de tektonische platen detecteerden. Gezien de gelijkenis tussen slow-slip-gebeurtenissen en klassieke aardbevingen, deze verschillende kenmerken kunnen geofysici ook helpen de timing van de verwoestende snellere aardbevingen te begrijpen.

"Het machine learning-model ontdekte dat, dicht bij het einde van de langzame slipcyclus, een momentopname van de gegevens wordt bedrukt met fundamentele informatie over de aanstaande storing van het systeem, " zei Claudia Hulbert, een computationele geofysicus bij ENS en het Los Alamos National Laboratory en hoofdauteur van de studie, vandaag gepubliceerd in Natuurcommunicatie . "Onze resultaten suggereren dat slow-slip breuk voorspelbaar kan zijn, en omdat slow slip-gebeurtenissen veel gemeen hebben met aardbevingen, slow-slip-gebeurtenissen kunnen een gemakkelijkere manier zijn om de fundamentele fysica van het scheuren van de aarde te bestuderen."

Slow-slip events zijn aardbevingen die de grond dagenlang zachtjes laten rammelen, maanden, of zelfs jaren, straal geen seismische golven met grote amplitude uit, en vaak onopgemerkt blijven door de gemiddelde persoon. De klassieke aardbevingen die de meeste mensen kennen, breken de grond binnen enkele minuten. In een bepaald gebied komen ze ook minder vaak voor, waardoor de grotere aardbevingen moeilijker te bestuderen zijn met de data-hongerige machine learning-technieken.

Het team keek naar continue seismische golven in de periode 2009 tot 2018 van het Pacific Northwest Seismic Network, die de bewegingen van de aarde in de regio Cascadia volgt. In deze subductiezone tijdens een slow slip-evenement, de Noord-Amerikaanse plaat slingert ongeveer elke 14 maanden zuidwestelijk over de Juan de Fuca-plaat. De dataset leende zich goed voor de gesuperviseerde machine learning-benadering die is ontwikkeld in laboratoriumexperimenten met aardbevingen door de medewerkers van het Los Alamos-team en die voor dit onderzoek is gebruikt.

Het team heeft een aantal statistische kenmerken berekend die verband houden met signaalenergie in signalen met een lage amplitude, frequentiebanden identificeerden hun eerdere werk als het meest informatieve over het gedrag van het geologische systeem. Het belangrijkste kenmerk voor het voorspellen van langzame slip in de Cascadia-gegevens is seismische kracht, wat overeenkomt met seismische energie, in het bijzonder frequentiebanden die verband houden met langzame slipgebeurtenissen. Volgens het blad, slow slip begint vaak met een exponentiële versnelling op de fout, een kracht die zo klein is dat hij aan detectie door seismische sensoren ontsnapt.

"Voor de meeste evenementen we kunnen de tekenen van een dreigende breuk zien van weken tot maanden voor de breuk, " Zei Hulbert. "Ze zijn vergelijkbaar genoeg van de ene gebeurteniscyclus tot de volgende, zodat een model dat is getraind op gegevens uit het verleden de handtekeningen in gegevens van enkele jaren later kan herkennen. Maar het is nog steeds een open vraag of dit ook voor langere tijd geldt."

De hypothese van het onderzoeksteam over het signaal dat de vorming van een slow-slip-gebeurtenis aangeeft, komt overeen met ander recent werk van Los Alamos en anderen die voorschokken met kleine amplitude in Californië detecteren. Uit dat werk bleek dat voorschokken gemiddeld twee weken vóór de meeste aardbevingen met een kracht van meer dan 4 kunnen worden waargenomen.

Hulbert en de onder toezicht staande machine learning-algoritmen van Hulbert en haar medewerkers trainen op de seismische kenmerken die zijn berekend op basis van de eerste helft van de seismische gegevens en proberen het beste model te vinden dat deze kenmerken in kaart brengt voor de resterende tijd tot de volgende slow slip-gebeurtenis. Dan passen ze het toe op de tweede helft van de gegevens, die het niet heeft gezien.

De algoritmen zijn transparant, wat betekent dat het team kan zien welke functies de machine learning gebruikt om te voorspellen wanneer de fout zou wegglippen. Het stelt de onderzoekers ook in staat om deze kenmerken te vergelijken met de kenmerken die het belangrijkst waren in laboratoriumexperimenten om faaltijden in te schatten. Deze algoritmen kunnen worden onderzocht om te identificeren welke statistische kenmerken van de gegevens belangrijk zijn in de modelvoorspellingen, en waarom.

"Door de belangrijke statistische kenmerken te identificeren, we kunnen de bevindingen vergelijken met die van laboratoriumexperimenten, die ons een kijkje geeft in de onderliggende fysica, Hulbert zei. "Gezien de overeenkomsten tussen de statistische kenmerken in de gegevens van Cascadia en van laboratoriumexperimenten, er lijken overeenkomsten te zijn tussen de wrijvingsfysica die ten grondslag ligt aan langzame slipbreuk en nucleatie. Dezelfde oorzaken kunnen schalen van het kleine laboratoriumsysteem naar de enorme schaal van de Cascadia-subductiezone."

Het Los Alamos seismologisch team, onder leiding van Paul Johnson, heeft de afgelopen jaren verschillende artikelen gepubliceerd waarin ze pionierden met het gebruik van machine learning om de fysica die ten grondslag ligt aan aardbevingen te ontrafelen in laboratoriumexperimenten en seismische gegevens uit de echte wereld.