Novi pristup umjetne inteligencije mogao bi pomoći u predviđanju lokacije naknadnih potresa nakon potresa
An potres je pojava koja nastaje kada stijena pod zemljom u Zemljine kora se iznenada lomi oko linije geološkog rasjeda. To uzrokuje brzo oslobađanje energije koja proizvodi seizmičke valove od kojih se tlo trese i to je osjećaj da smo pali tijekom potresa. Mjesto gdje se stijena lomi naziva se žarište potres a mjesto iznad njega na zemlji naziva se 'epicentar'. Oslobođena energija mjeri se magnitudom, ljestvicom koja opisuje koliko je potres bio snažan. Potres magnitude 2 je jedva zamjetan i može se zabilježiti samo osjetljivom specijaliziranom opremom, dok potresa magnitude veće od 8 može uzrokovati osjetno jako podrhtavanje tla. Nakon potresa općenito slijede mnogi naknadni potresi koji nastaju sličnim mehanizmom i koji su jednako razorni i često su po intenzitetu i jačini slični izvornom potresu. Takva podrhtavanja nakon potresa obično se javljaju unutar prvog sata ili dan nakon glavnog potres. Predviđanje prostorne distribucije naknadnih potresa vrlo je izazovno.
Znanstvenici su formulirali empirijske zakone za opisivanje veličine i vremena naknadnih potresa, no određivanje njihove lokacije još uvijek je izazov. Istraživači s Googlea i Sveučilišta Harvard osmislili su novi pristup ocjenjivanju potresa i predviđanje mjesta naknadnih potresa pomoću tehnologije umjetne inteligencije u njihovoj studiji objavljenoj u Priroda. Posebno su koristili strojno učenje – aspekt umjetne inteligencije. U pristupu strojnog učenja, stroj 'uči' iz skupa podataka i nakon stjecanja tog znanja može koristiti te informacije za predviđanje novijih podataka.
Istraživači su prvo analizirali bazu podataka o globalnim potresima koristeći algoritme dubokog učenja. Duboko učenje je napredna vrsta strojnog učenja u kojoj neuronske mreže pokušavaju oponašati proces razmišljanja ljudskog mozga. Dalje su nastojali moći prognoza naknadni potresi bolji od nasumičnog pogađanja i pokušajte riješiti problem 'gdje' će se naknadni potresi dogoditi. Upotrijebljena su opažanja prikupljena iz više od 199 velikih potresa diljem svijeta koja se sastoje od oko 131,000 XNUMX parova glavnih i naknadnih potresa. Ove su informacije kombinirane s modelom temeljenim na fizici koji opisuje kako Zemlja bio bi napet i napet nakon an potres koji će zatim izazvati naknadne potrese. Napravili su mrežu od 5 kvadratnih kilometara unutar koje bi sustav provjeravao naknadni potres. Neuronska mreža tada bi formirala odnose između naprezanja uzrokovanih glavnim potresom i mjesta naknadnih potresa. Nakon što je sustav neuronske mreže bio dobro uvježban na ovaj način, mogao je točno predvidjeti lokaciju naknadnih potresa. Studija je bila iznimno zahtjevna jer je koristila složene podatke o potresima iz stvarnog svijeta. Istraživači su alternativno postavili vještački i neka vrsta 'idealnih' potresa za izradu prognoza i zatim ispitivanje predviđanja. Gledajući izlaz neuronske mreže, pokušali su analizirati koje će različite 'količine' vjerojatno kontrolirati predviđanje naknadnih potresa. Nakon prostornih usporedbi, istraživači su došli do zaključka da je tipičan obrazac naknadnih potresa fizički 'interpretabilan'. Tim sugerira da ključna veličina koja se naziva druga varijanta devijatorne napetosti stresa - jednostavno nazvana J2. Ova veličina je vrlo razumljiva i rutinski se koristi u metalurgiji i drugim poljima, ali nikada prije nije korištena za proučavanje potresa.
Naknadni potresi uzrokuju daljnje ozljede, oštećuju imovinu i također ometaju spasilačke napore pa bi njihovo predviđanje bilo spasonosno za čovječanstvo. Prognoza u stvarnom vremenu možda nije moguća upravo u ovom trenutku budući da se trenutni modeli umjetne inteligencije mogu nositi samo s određenom vrstom naknadnog potresa i jednostavnom linijom geološkog rasjeda. Ovo je važno jer geološke linije rasjeda imaju različitu geometriju na različitim geografskim položajima na planeta. Dakle, možda trenutno nije primjenjivo na različite vrste potresa diljem svijeta. Unatoč tome, tehnologija umjetne inteligencije izgleda prikladna za potrese zbog n broja varijabli koje treba uzeti u obzir pri njihovom proučavanju, primjerice jačina udara, položaj tektonskih ploča itd.
Neuronske mreže su dizajnirane da se s vremenom poboljšavaju, tj. kako se više podataka unosi u sustav, događa se više učenja i sustav se stalno poboljšava. U budućnosti bi takav sustav mogao biti sastavni dio sustava predviđanja koje koriste seizmolozi. Planeri bi također mogli provesti hitne mjere temeljene na znanju o ponašanju potresa. Tim želi koristiti tehnologiju umjetne inteligencije za predviđanje magnitude potresa.
***
{Izvorni istraživački rad možete pročitati klikom na vezu DOI koja se nalazi u nastavku na popisu citiranih izvora}
Izvor (i)
DeVries PMR i sur. 2018. Duboko učenje obrazaca naknadnih potresa nakon velikih potresa. Priroda560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
