Нов подход с изкуствен интелект може да помогне да се предвиди местоположението на вторични трусове след земетресение
Земетресението е явление, което се получава, когато скала под земята в земната кора внезапно се разкъса около геоложка разломна линия. Това води до бързо освобождаване на енергия, която произвежда сеизмични вълни, които след това карат земята да се разтресе и това е усещането, което изпитваме по време на земетресение. Мястото, където скалата се разкъсва, се нарича фокус на земетресението , а мястото над него на земята се нарича „епицентър“. Освободената енергия се измерва като магнитуд - скала, която описва колко енергично е било земетресението. Земетресение с магнитуд 2 е едва доловимo и може да бъде регистрирано само с помощта на чувствително специализирано оборудване, докато земетресения с магнитуд над 8 могат да причинят забележимо и много силно разклащане на земята. Земетресението обикновено е последвано от много вторични трусове, протичащи по подобен механизъм и които са също толкова опустошителни, като много пъти интензитетът и силата им са подобни на първоначалното земетресение. Такива пост-земетресителни трусове се случват обикновено в рамките на първия час или ден след основното земетресение . Прогнозирането на пространственото разпределение на вторичните трусове е много трудно.
Учените са формулирали емпирични закони, за да опишат размера и времето на вторичните трусове, но точното определяне на местоположението им все още е предизвикателство. Изследователи от Google и Харвардския университет са разработили нов подход за оценка на земетресенията и прогнозиране на местоположението на вторичните трусове, използвайки технология за изкуствен интелект, в своето проучване, публикувано в Nature . Те са използвали специално машинно обучение – аспект на изкуствения интелект. При подхода на машинно обучение машината „се учи“ от набор от данни и след като придобие тези знания, е в състояние да използва тази информация, за да прави прогнози за по-нови данни.
Изследователите първо анализираха база данни за глобални земетресения, използвайки алгоритми за дълбоко обучение. Дълбокото обучение е усъвършенстван вид машинно обучение, при което невронните мрежи се опитват да имитират мисловния процес на човешкия мозък. След това те се стремяха да могат да прогнозират вторичните трусове по-добре от случайните предположения и да се опитат да решат проблема „къде“ ще се случат вторичните трусове. Използвани са наблюдения, събрани от повече от 199 големи земетресения по света, състоящи се от около 131 000 двойки главни трусове и вторични трусове. Тази информация е комбинирана с физичен модел, който описва как Земята би била напрегната и опъната след земетресение , което след това би предизвикало вторични трусове. Те създадоха мрежи от 5 квадратни километра, в рамките на които системата ще проверява за вторичен трус. След това невронната мрежа ще формира връзки между напреженията, причинени от основното земетресение, и местоположението на вторичните трусове. След като невронната мрежова система беше добре обучена по този начин, тя успя да предскаже точно местоположението на вторичните трусове. Проучването беше изключително предизвикателно, тъй като използваше сложни реални данни за земетресения. Изследователите алтернативно създали изкуствени и своеобразни „идеални“ земетресения, за да създадат прогнози, и след това изследвали прогнозите. Разглеждайки изхода на невронната мрежа, те се опитали да анализират какви различни „величини“ е вероятно да контролират прогнозирането на вторичните трусове. След като направили пространствени сравнения, изследователите стигнали до заключението, че типичният модел на вторичните трусове е физически „интерпретируем“. Екипът предполага, че ключът е величина, наречена втори вариант на девиаторно напрежение и опън – просто наречена J2. Тази величина е лесно интерпретируема и се използва рутинно в металургията и други области, но никога преди не е била използвана за изучаване на земетресения.
Вторичните трусове от земетресенията причиняват допълнителни наранявания, щети на имущество и също така възпрепятстват спасителните усилия, следователно прогнозирането им би било животоспасяващо за човечеството. Прогнозирането в реално време може да не е възможно в този момент, тъй като настоящите модели с изкуствен интелект могат да се справят само с определен тип вторичен трус и прости геоложки разломни линии. Това е важно, защото геоложките разломни линии имат различна геометрия в различните географски местоположения на планетата . Така че в момента може да не е приложимо за различни видове земетресения по света. Въпреки това, технологията с изкуствен интелект изглежда подходяща за земетресения поради редица променливи, които трябва да се вземат предвид при изучаването им, например силата на труса, положението на тектоничните плочи и др.
Невронните мрежи са проектирани да се подобряват с течение на времето, т.е. тъй като повече данни се подават в системата, се извършва повече обучение и системата непрекъснато се подобрява. В бъдеще такава система може да бъде неразделна част от системите за прогнозиране, използвани от сеизмолозите. Планиращите могат също да прилагат спешни мерки, базирани на познания за поведението при земетресения. Екипът иска да използва технология за изкуствен интелект, за да предскаже степента на земетресения.
***
Източник (и)
DeVries PMR et al. 2018. Дълбоко изучаване на модели на афтършоки след големи земетресения. Nature 560(7720). DOI: https://doi.org/10.1038/s41586-018-0438-y
***
