Nový přístup umělé inteligence by mohl pomoci předpovědět umístění následných otřesů po zemětřesení
An zemětřesení je jev způsobený horninou v podzemí Země kůra se náhle zlomí kolem linie geologického zlomu. To způsobí rychlé uvolnění energie, která produkuje seismické vlny, které pak způsobí, že se země otřese, a to je pocit, který jsme během zemětřesení padli. Místo, kde se kámen láme, se nazývá ohnisko zemětřesení a místo nad ním na zemi se nazývá 'epicentrum'. Uvolněná energie se měří jako velikost, měřítko, které popisuje, jak energetické bylo zemětřesení. Zemětřesení o síle 2 je stěží postřehnutelné a lze jej zaznamenat pouze pomocí citlivého specializovaného zařízení, zatímco zemětřesení o síle větší než 8 může způsobit, že se země znatelně velmi silně otřese. Zemětřesení je obecně následováno mnoha otřesy, ke kterým dochází podobným mechanismem a které jsou stejně ničivé a jejich intenzita a závažnost je mnohokrát podobná původnímu zemětřesení. Takové otřesy po zemětřesení se obvykle vyskytují během první hodiny nebo jednoho dne po hlavním zemětřesení. Předpovídání prostorového rozložení následných otřesů je velmi náročné.
Vědci formulovali empirické zákony k popisu velikosti a doby následných otřesů, ale určit jejich polohu je stále výzvou. Výzkumníci z Google a Harvardské univerzity vymysleli nový přístup k hodnocení zemětřesení a předpovídání místa následných otřesů pomocí technologie umělé inteligence ve své studii zveřejněné v Příroda. Konkrétně použili strojové učení – aspekt umělé inteligence. V přístupu strojového učení se stroj „učí“ ze sady dat a po získání těchto znalostí je schopen tyto informace použít k předpovědím o novějších datech.
Výzkumníci nejprve analyzovali databázi globálních zemětřesení pomocí algoritmů hlubokého učení. Hluboké učení je pokročilý typ strojového učení, ve kterém se neuronové sítě snaží napodobit proces myšlení lidského mozku. Dále měli za cíl být schopni předpověď následné otřesy lepší než náhodné hádání a pokuste se vyřešit problém, kde k otřesům dojde. Byla využita pozorování shromážděná z více než 199 velkých zemětřesení po celém světě sestávající z přibližně 131,000 XNUMX párů hlavního otřesu a následného otřesu. Tyto informace byly kombinovány s fyzikálním modelem, který popisuje jak Země by byl napjatý a napjatý po an zemětřesení které pak spustí následné otřesy. Vytvořili sítě o rozloze 5 kilometrů čtverečních, ve kterých by systém kontroloval následný otřes. Neuronová síť by pak vytvořila vztahy mezi napětím způsobeným hlavním zemětřesením a místem následných otřesů. Jakmile byl systém neuronové sítě dobře trénován tímto způsobem, byl schopen přesně předvídat umístění následných otřesů. Studie byla extrémně náročná, protože používala komplexní data o zemětřesení z reálného světa. Výzkumníci alternativně nastavit umělý a druh 'ideální' zemětřesení vytvořit předpovědi a pak zkoumat předpovědi. Při pohledu na výstup neuronové sítě se pokusili analyzovat, jaké různé „množství“ pravděpodobně řídí předpovědi následných otřesů. Po provedení prostorových srovnání vědci dospěli k závěru, že typický vzorec následného otřesu byl fyzicky „interpretovatelný“. Tým naznačuje, že klíč má veličina nazývaná druhá varianta deviátorového napětí – jednoduše nazvaná J2. Tato veličina je vysoce interpretovatelná a běžně se používá v metalurgii a dalších oborech, ale nikdy předtím nebyla použita pro studium zemětřesení.
Následné otřesy po zemětřesení způsobují další zranění, poškozují majetek a také brání záchranným pracím, takže jejich předpovědi by lidstvu mohly zachránit život. Předpověď v reálném čase nemusí být v tuto chvíli možná, protože současné modely umělé inteligence se mohou vypořádat pouze s konkrétním typem otřesů a jednoduchou linií geologického zlomu. To je důležité, protože geologické zlomové linie mají různou geometrii v různých geografických polohách planeta. Takže to nemusí být aktuálně použitelné pro různé typy zemětřesení po celém světě. Technologie umělé inteligence se však jeví jako vhodná pro zemětřesení kvůli n počtu proměnných, které je třeba při jejich studiu vzít v úvahu, například síla otřesu, poloha tektonických desek atd.
Neuronové sítě jsou navrženy tak, aby se časem zlepšovaly, tj. jak se do systému dodává více dat, probíhá více učení a systém se neustále zlepšuje. V budoucnu by takový systém mohl být nedílnou součástí předpovědních systémů používaných seismology. Plánovači by také mohli zavést nouzová opatření založená na znalosti chování při zemětřesení. Tým chce využít technologii umělé inteligence k předpovědi velikosti zemětřesení.
***
{Původní výzkumný dokument si můžete přečíst kliknutím na odkaz DOI uvedený níže v seznamu citovaných zdrojů}
Zdroje)
DeVries PMR a kol. 2018. Hluboké učení vzorů následných otřesů po velkých zemětřesení. Příroda560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
