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 and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while zemětřesení of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main zemětřesení. Forecasting spatial distribution of aftershocks is very challenging.
Scientists have formulated empirical laws to describe size and time of aftershocks but pinpointing their location is still a challenge. Researchers at Google and Harvard University have devised a new approach for assessing zemětřesení and forecasting location of aftershocks using artificial intelligence technology in their study published in 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 would be strained and tense after an zemětřesení which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up 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
***
