Новый подход искусственного интеллекта может помочь предсказать местоположение афтершоков после землетрясения
An землетрясение это явление, возникающее при попадании камней под землю в Земли кора внезапно разрывается вокруг линии геологического разлома. Это вызывает быстрое высвобождение энергии, которая производит сейсмические волны, которые затем заставляют землю дрожать, и это ощущение, с которым мы падаем во время землетрясения. Место, где камень разбивается, называется фокусом землетрясение а место над ним на земле называется «эпицентром». Высвободившаяся энергия измеряется магнитудой — шкалой, описывающей, насколько энергичным было землетрясение. Землетрясение магнитудой 2 едва заметно и может быть зарегистрировано только с помощью чувствительной специализированной аппаратуры, тогда как землетрясения магнитудой более 8 могут вызвать очень сильное заметное сотрясение земли. За землетрясением обычно следует множество афтершоков, происходящих по аналогичному механизму и одинаково разрушительных, а их интенсивность и тяжесть во многих случаях аналогичны первоначальному землетрясению. Такие толчки после землетрясения происходят обычно в течение первого часа или суток после основного землетрясения. Прогнозирование пространственного распределения афтершоков является очень сложной задачей.
Ученые сформулировали эмпирические законы для описания размера и времени афтершоков, но определение их местоположения по-прежнему является проблемой. Исследователи из Google и Гарвардского университета разработали новый подход к оценке землетрясений и прогнозированию местоположения афтершоков с использованием технологии искусственного интеллекта в своем исследовании, опубликованном в природа. Они специально использовали машинное обучение - аспект искусственного интеллекта. В подходе машинного обучения машина «учится» на наборе данных и после получения этих знаний может использовать эту информацию для прогнозирования новых данных.
Исследователи сначала проанализировали базу данных глобальных землетрясений с помощью алгоритмов глубокого обучения. Глубокое обучение - это продвинутый тип машинного обучения, в котором нейронные сети пытаются имитировать процесс мышления человеческого мозга. Затем они стремились прогноз афтершоки лучше, чем случайное предположение, и попытаться решить проблему того, «где» произойдут афтершоки. Были использованы наблюдения, собранные за более чем 199 крупными землетрясениями по всему миру, состоящие из около 131,000 XNUMX пар главных толчков и афтершоков. Эта информация была объединена с физической моделью, описывающей, как Земля будет напряженным и напряженным после землетрясения, которое затем вызовет толчки. Они создали сетки площадью 5 квадратных километров, внутри которых система будет проверять наличие афтершоков. Затем нейронная сеть сформирует взаимосвязь между напряжениями, вызванными главным землетрясением, и местоположением афтершоков. Как только система нейронной сети была хорошо обучена таким образом, она смогла точно предсказать местоположение афтершоков. Исследование было чрезвычайно сложным, поскольку в нем использовались сложные реальные данные о землетрясениях. Исследователи альтернативно создали искусственный и своего рода «идеальные» землетрясения для создания прогнозов, а затем изучения прогнозов. Глядя на выходные данные нейронной сети, они попытались проанализировать, какие различные «количества» могут контролировать прогнозирование афтершоков. Проведя пространственные сравнения, исследователи пришли к выводу, что типичная картина афтершоков физически «интерпретируема». Команда предполагает, что ключ кроется в величине, называемой вторым вариантом девиаторного напряжения-напряжения, называемой просто J2. Эта величина легко интерпретируется и обычно используется в металлургии и других областях, но никогда ранее не использовалась для изучения землетрясений.
Афтершоки землетрясений вызывают дополнительные травмы, наносят ущерб имуществу, а также затрудняют спасательные работы, поэтому их прогнозирование может спасти жизнь человечеству. Прогноз в реальном времени может быть невозможен в данный момент, поскольку текущие модели искусственного интеллекта могут иметь дело только с определенным типом афтершоков и простой линией геологического разлома. Это важно, поскольку геологические линии разломов имеют разную геометрию в разных географических точках на территории. планета. Таким образом, в настоящее время это может быть неприменимо к различным типам землетрясений по всему миру. Тем не менее, технология искусственного интеллекта выглядит подходящей для изучения землетрясений из-за n переменных, которые необходимо учитывать при их изучении, например, силы толчка, положения тектонических плит и т. д.
Нейронные сети со временем улучшаются, т. Е. По мере того, как в систему поступает больше данных, происходит больше обучения и система постоянно совершенствуется. В будущем такая система может стать неотъемлемой частью систем прогнозирования, используемых сейсмологами. Планировщики также могут принять чрезвычайные меры, основываясь на знании поведения землетрясений. Команда хочет использовать технологию искусственного интеллекта для предсказания силы землетрясений.
{Вы можете прочитать исходную исследовательскую работу, щелкнув ссылку DOI, приведенную ниже в списке цитируемых источников}
Источник (ы)
DeVries PMR et al. 2018. Глубокое изучение моделей афтершоков после сильных землетрясений. природа560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
