Onze huizen en kantoren zijn zo stevig als de grond eronder. Wanneer die vaste grond vloeibaar wordt - zoals soms gebeurt tijdens aardbevingen - kan het gebouwen en bruggen doen omvallen. Dit fenomeen staat bekend als liquefactie, en het was een belangrijk kenmerk van de aardbeving van 2011 in Christchurch, Nieuw-Zeeland, een aardbeving met een kracht van 6,3 op de schaal van Richter waarbij 185 mensen omkwamen en duizenden huizen werden verwoest.

Een voordeel van de aardbeving in Christchurch was dat het een van de best gedocumenteerde in de geschiedenis was. Omdat Nieuw-Zeeland seismisch actief is, de stad was uitgerust met tal van sensoren voor het monitoren van aardbevingen. Verkenningen na de gebeurtenis leverden een schat aan aanvullende gegevens op over hoe de bodem in de stad reageerde.

"Het is een enorme hoeveelheid data voor ons vakgebied, " zei postdoctoraal onderzoeker, Maria Giovanna Durante, een Marie Sklodowska Curie Fellow, voorheen verbonden aan de Universiteit van Texas in Austin (UT Austin). "We zeiden, 'Als we duizenden datapunten hebben, misschien kunnen we een trend vinden.'"

Durante werkt samen met prof. Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering aan de UT Austin en de hoofdonderzoeker van de door de National Science Foundation gefinancierde DesignSafe cyberinfrastructure, die onderzoek ondersteunt in de gemeenschap van natuurlijke gevaren. Rathje's persoonlijke onderzoek naar vloeibaarmaking bracht haar ertoe de Christchurch-gebeurtenis te bestuderen. Ze had nagedacht over manieren om machine learning in haar onderzoek op te nemen en deze casus leek een geweldige plek om te beginnen.

"Al enige tijd, Ik was onder de indruk van hoe machine learning werd geïntegreerd in andere gebieden, maar het leek erop dat we in de geotechnische techniek nooit genoeg gegevens hadden om deze methoden te gebruiken, zei Rathje. toen ik de liquefactiegegevens uit Nieuw-Zeeland zag komen, Ik wist dat we een unieke kans hadden om AI-technieken eindelijk op ons vakgebied toe te passen."

De twee onderzoekers ontwikkelden een machine learning-model dat de hoeveelheid zijwaartse beweging voorspelde die optrad toen de aardbeving in Christchurch ervoor zorgde dat de bodem zijn kracht verloor en verschuift ten opzichte van zijn omgeving.

De resultaten zijn online gepubliceerd in Aardbevingsspectra op april 2021.

"Het is een van de eerste machine learning-studies op ons gebied van geotechnische engineering, ' zei Durante.

De onderzoekers gebruikten eerst een Random Forest-benadering met een binaire classificatie om te voorspellen of zijwaartse verspreidingsbewegingen op een specifieke locatie plaatsvonden. Vervolgens pasten ze een classificatiemethode met meerdere klassen toe om de hoeveelheid verplaatsing te voorspellen, van geen tot meer dan 1 meter.

"We moesten natuurkunde in ons model stoppen en in staat zijn om te herkennen, begrijpen, en visualiseer wat het model doet, "zei Durante. "Om die reden, het was belangrijk om specifieke invoerkenmerken te selecteren die passen bij het fenomeen dat we bestuderen. We gebruiken het model niet als een zwarte doos, we proberen onze wetenschappelijke kennis zoveel mogelijk te integreren."

Durante en Rathje trainden het model met behulp van gegevens met betrekking tot de piek die de grond schudde (een trigger voor vloeibaarmaking), de diepte van de grondwaterspiegel, de topografische helling, en andere factoren. In totaal, meer dan 7, 000 datapunten uit een klein deel van de stad werden gebruikt voor trainingsgegevens - een grote verbetering, aangezien eerdere geotechnische machine learning-onderzoeken slechts 200 datapunten hadden gebruikt.

Ze testten hun model in de hele stad op 2,5 miljoen locaties rond het epicentrum van de aardbeving om de verplaatsing te bepalen. Hun model voorspelde of liquefactie plaatsvond met een nauwkeurigheid van 80%; het was 70% nauwkeurig bij het bepalen van de hoeveelheid verplaatsing.

De onderzoekers gebruikten de Frontera-supercomputer in het Texas Advanced Computing Center (TACC), een van 's werelds snelste, om het model te trainen en te testen. TACC is een belangrijke partner in het DesignSafe-project, het verstrekken van computerbronnen, software, en opslag aan de technische gemeenschap van natuurlijke gevaren.

Toegang tot Frontera bood Durante en Rathje machine learning-mogelijkheden op een schaal die voorheen niet beschikbaar was voor het veld. Het afleiden van het uiteindelijke machine learning-model vereiste testen 2, 400 mogelijke modellen.

"Het zou jaren hebben geduurd om dit onderzoek ergens anders te doen, "Zei Durante. "Als je een parametrische studie wilt doen, of doe een uitgebreide analyse, je moet rekenkracht hebben."

Ze hoopt dat hun liquefactiemodellen voor machinaal leren op een dag de eerstehulpverleners zullen leiden naar de meest dringende behoeften in de nasleep van een aardbeving. "Hulpdiensten hebben begeleiding nodig over welke gebieden, en welke structuren lopen het grootste risico om in te storten en richten hun aandacht daar op, " ze zei.

delen, reproduceerbaarheid, en toegang

Voor Rathje, Durante, en een groeiend aantal natuurrisico-ingenieurs, een tijdschriftpublicatie is niet het enige resultaat van een onderzoeksproject. Ze publiceren ook al hun gegevens, modellen, en methoden naar de DesignSafe-portal, een hub voor onderzoek met betrekking tot de impact van orkanen, aardbevingen, tsunami's, en andere natuurlijke gevaren voor de gebouwde en natuurlijke omgeving.

"We hebben alles aan het project gedaan in de DesignSafe-portal, " zei Durante. "Alle kaarten zijn gemaakt met behulp van QGIS, een kaarttool beschikbaar op DesignSafe, mijn computer gebruiken als een manier om verbinding te maken met de cyberinfrastructuur."

Voor hun liquefactiemodel voor machinaal leren, maakten ze een Jupyter-notebook - een interactief, webgebaseerd document dat de dataset bevat, code, en analyses. Met het notitieboek kunnen andere wetenschappers de bevindingen van het team interactief reproduceren, en test het machine learning-model met hun eigen gegevens.

"Het was voor ons belangrijk om de materialen beschikbaar en reproduceerbaar te maken, "Zei Durante. "We willen dat de hele gemeenschap vooruitgang boekt met deze methoden."

This new paradigm of data-sharing and collaboration is central to DesignSafe and helps the field progress more quickly, according Joy Pauschke, program director in NSF's Directorate for Engineering.

"Researchers are beginning to use AI methods with natural hazards research data, with exciting results, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, ze zeggen, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."