Sztuczna inteligencja w Los Alamos zwiększa możliwości przewidywania trzęsień ziemi

Zespół z Los Alamos National Laboratory wykorzystał uczenie maszynowe – zastosowanie sztucznej inteligencji – do wykrywania ukrytych sygnałów poprzedzających trzęsienie ziemi. Odkrycia dokonane na hawajskim wulkanie Kilauea są częścią przełomowych, wieloletnich badań prowadzonych w Los Alamos, a najnowsze badanie stanowi pierwszy przypadek, w którym naukowcom udało się wykryć te znaki ostrzegawcze w przypadku uskoku poślizgowego, który może spowodować ogromne zniszczenia .

„Chcieliśmy sprawdzić, czy uda nam się wyciągnąć sygnały z szumu i określić, na którym etapie cyklu ładowania znajduje się system pod względem zbliżania się do głównego poślizgu powodującego trzęsienia ziemi” – powiedział Christopher Johnson, sejsmolog z Los Alamos i lider zespołu. badacz. „Po raz pierwszy udało nam się zastosować tę metodę do trzęsienia ziemi tego typu i o tej sile”.

Zespół wykorzystał dane zarejestrowane między 1 czerwca 2018 r. a 2 sierpnia 2018 r. przez Obserwatorium Wulkanów Hawajskich USGS. W tym czasie wulkan doświadczył ponad 50 trzęsień ziemi o różnej sile. Naukowcy skupili się na 30-sekundowych oknach danych sejsmicznych, a ich model zidentyfikował coś w rodzaju odcisku palca, ukrytego sygnału śledzącego cykl ładowania każdego zdarzenia. Średnio ten ukryty sygnał wydawał się utrzymywać, zanim nastąpił znaczący wykrywalny ruch naziemny.

Wyniki, w połączeniu z wcześniejszymi testami, sugerują, że niektóre uskoki sejsmiczne mają podobną fizykę, co oznacza, że ​​metodę tę można zastosować do oceny zagrożenia trzęsieniem ziemi na całym świecie.

Wzory w hałasie

Badanie opiera się na wcześniejszych pracach Los Alamos dotyczących usterek w Kalifornii i północno-zachodnim Pacyfiku, gdzie uczenie maszynowe było w stanie wykryć te początkowe sygnały.

Kiedy płyty tektoniczne naciskają na siebie, powodują słabe wstrząsy na Ziemi, zwane długotrwałymi emisjami akustycznymi lub sejsmicznymi. Po zarejestrowaniu sygnały te pojawiają się jako przebiegi, ale wcześniej uważano je za szum – dane bez informacji opisujących stan usterki. Zamiast tego badacze z Los Alamos odkryli, że kształty fal ciągłej emisji akustycznej są w rzeczywistości bogate w dane i można je wykorzystać do wywnioskowania właściwości fizycznych uskoku, takich jak przemieszczenie, tarcie i grubość.

Co ważniejsze, naukowcy z Los Alamos odkryli w sygnałach wysoce przewidywalne wzorce, co stanowi rodzaj harmonogramu awarii.

„Kiedy przyjrzymy się tym ciągłym sygnałom, możemy wyciągnąć informacje, które powiedzą nam, w którym miejscu cyklu obciążenia popełniamy błędy” – powiedział Johnson. „Przyglądamy się ewolucji hałasu, co dostarcza nam szczegółowych informacji na temat jego obecnego stanu i miejsca w cyklu poślizgu”.

Od powolnego przesuwania do lepkiego przesuwania

Badania zespołu, opublikowane w czasopiśmie Geophysical Research Letters, były pierwszym przypadkiem, w którym udało się zastosować to podejście do uskoków sejsmicznych, czyli warstwy, z której powstają trzęsienia ziemi. W tym przypadku była to seria niezwykle aktywnych wydarzeń o sile 5 w wulkanie Kilauea, podczas których wystąpiło trwające miesiące zjawisko sejsmiczne, które spowodowało zatonięcie kaldery na głębokość 500 metrów.

W tym okresie globalny system nawigacji satelitarnej mierzył przemieszczenie Ziemi w skali milimetrowej. Następnie model uczenia maszynowego przeanalizował te dane, przetworzył sygnały sejsmiczne i pomyślnie oszacował przemieszczenie gruntu oraz czas do wystąpienia kolejnej awarii.

Wcześniej badacze z Los Alamos stosowali podobne modele uczenia maszynowego do zdarzeń o powolnym poślizgu, które powodują subtelne wstrząsy gruntu na kilka dni, miesięcy, a nawet lat przed wystąpieniem zdarzenia sejsmicznego. Te duże zbiory danych okazały się przydatne w szkoleniu modeli uczenia maszynowego. Jednak najbardziej niszczycielskie trzęsienia ziemi są powodowane przez uskoki poślizgowe, takie jak te w wulkanie Kilauea, które mogą szybciej generować znacznie silniejsze ruchy gruntu i jak dotąd wymykały się przewidywaniom.

papier: „Właściwości sejsmiczne pozwalają przewidzieć ruchy gruntu podczas powtarzającej się sekwencji zapadania się kaldery”. Listy z badań geofizycznych . Identyfikator cyfrowy: 10.1029/2024GL108288

Finanse: Departament Energii Stanów Zjednoczonych, Biuro Nauki, Biuro Podstawowych Nauk o Energii i Program Nauk o Ziemi.