Onderzoekers hebben nu een machinaal leersysteem getraind om aardbevingen te detecteren met behulp van kleine zwaartekrachtsignalen, en laten zien hoe ze kunnen worden gebruikt om de positie en omvang van een grote aardbeving in bijna realtime vast te stellen. Aardbevingen hebben de kracht om het zwaartekrachtveld van de aarde op kolossale schaal te veranderen.

Wetenschappers zeggen dat dit een belangrijke stap is in de richting van de ontwikkeling van een waarschuwingssysteem voor de krachtigste aardbevingen ter wereld, zo blijkt uit onderzoek van 11 mei gepubliceerd in NATUUR.

Zwaartekrachtsignalen worden gebruikt om machine learning te trainen

Een systeem als dit zou aardbevingen kunnen detecteren en een enorm probleem in de seismologie kunnen helpen oplossen: het bepalen van de juiste omvang van een enorme aardbeving zodra deze plaatsvindt, volgens Andrea Licciardi, een geofysicus aan de Université Côte d'Azur in Nice, Frankrijk . Het is aanzienlijk moeilijker om tijdige en effectieve gevarenwaarschuwingen te geven als je niet over de mogelijkheid beschikt, die essentieel is omdat het duizenden levens kan redden.

Het trillen en trillen zendt seismische golven door de grond, die worden gedetecteerd als grote schommelingen op seismometers nadat grote aardbevingen hebben plaatsgevonden. De huidige op seismische golven gebaseerde systemen die we gebruiken om aardbevingen te detecteren, hebben echter moeite om onderscheid te maken tussen magnitudes 7.5 en 9 in de paar seconden na een gebeurtenis. Geofysici zijn niet de enigen die kunstmatige intelligentie gebruiken in hun onderzoek. scheikundigen ontwikkelden een nieuw ML-raamwerk om katalysatoren te verbeteren.

Momenteel detecteren wetenschappers aardbevingen op basis van de P-golfhoogten

Dit is het geval omdat de P-golfhoogten van seismische golven, die als eerste bij meetstations arriveren, worden gebruikt bij de initiële schattingen van de magnitude. Bij sterke aardbevingen pieken die initiële P-golfamplitudes echter wanneer ze hun maximale amplitude bereiken, waardoor het moeilijk wordt om onderscheid te maken tussen aardbevingen van verschillende omvang.

De eerste aanwijzingen voor een aardbeving zijn geen seismische golven. Al die massaverschuivingen bij een grote aardbeving veranderen ook de dichtheid van de omringende rotsen. De trillingen van deze golven zijn wat seismologen gebruiken om epicentra van aardbevingen te detecteren. Ze arriveren niet onmiddellijk vóór de aardbeving; in plaats daarvan worden ze gegenereerd door tektonische platen die tegen elkaar aan bewegen of verschuiven als gevolg van aardbevingen. Deze kleine veranderingen in de zwaartekracht manifesteren zich als ‘elastozwaartekrachtgolven’ die zich met de snelheid van het licht door de grond voortbewegen – zelfs sneller dan seismische golven – veroorzaakt door plaatbewegingen.

Men dacht ooit dat kleine, subtiele signalen, bekend als elastozwaartekrachtgolven, onmogelijk te detecteren waren, aldus seismoloog Martin Vallée van het Institut de Physique du Globe de Paris, die geen deel uitmaakte van het nieuwe onderzoek. In 2017 Vallée en zijn collega's werd de eerste groep die deze elastozwaartekrachtsignalen identificeerde in seismische stationgegevens. “Je hebt een periode tussen het begin van de aardbeving en het moment waarop je de [seismische] golven ontvangt”, legt Vallée uit.

Hoe worden elastozwaartekrachtsignalen omgezet in een bruikbare set gegevens?

Onderzoekers wilden nog steeds uitzoeken hoe ze deze elastozwaartekrachtsignalen konden omzetten in een systeem dat aardbevingen kan detecteren. Omdat de schommelingen in de zwaartekracht zo klein zijn, zijn ze moeilijk te herkennen te midden van achtergrondgeluiden in seismische gegevens. Toen onderzoekers de gegevens later onderzochten, ontdekten ze dat slechts zes mega-aardbevingen in de afgelopen dertig jaar waren geïdentificeerd door signalen van elasto-zwaartekracht, waaronder de Tohoku-Oki-aardbeving met een kracht van 30 in 9, die een wijdverbreide tsunami teweegbracht die twee kerncentrales in Zuid-Afrika onder water zette. Fukushima, Japan.

Volgens Licciardi is dit waar computers een rol gaan spelen. Een nieuw machine learning-netwerk genaamd PEGSNet is ontworpen om ‘Prompt ElastoGravity Signals’ te identificeren. De algoritmen zijn getraind op een mix van feitelijke seismische gegevens uit Japan en 500,000 gesimuleerde zwaartekrachtsignalen voor aardbevingen in hetzelfde gebied. Omdat echte gegevens zo zeldzaam zijn, zijn synthetische zwaartekrachtgegevens van cruciaal belang voor het trainen van machine learning-systemen om aardbevingen te detecteren. Elke inbreng is van cruciaal belang. Als je meer wilt weten over het trainen van machine learning, ga dan naar de wetenschap van het bouwen van betrouwbare AI-systemen.

Vervolgens werd het machine learning-systeem op de proef gesteld. Het doel was om de aardbeving in Tohoku van 2011 in realtime te simuleren en de oorsprong en voortgang ervan bij te houden. Het resultaat was veelbelovend, zegt Licciardi. Het algoritme identificeerde zowel de omvang als de locatie van de aardbeving nauwkeurig vijf tot tien seconden eerder dan andere methoden.

Volgens Licciardi is deze test een proof of concept en kan deze als basis dienen voor een prototype van een early warning-systeem. Volgens de onderzoekers heeft PEGSNet het potentieel om een ​​zeer nuttig instrument te zijn voor het detecteren van aardbevingen, vooral in combinatie met andere technologieën voor aardbevingsdetectie.

Niettemin is er nog meer werk aan de winkel. Eén probleem is dat het algoritme is getraind om één enkel punt te zoeken voor de oorsprong van een aardbeving, wat een redelijke aanname is als je ver weg bent. Maar als je van dichtbij kijkt, lijkt de oorsprong van een aardbeving niet langer een punt te zijn; het is een groter gebied dat gebroken is. Als wetenschappers nauwkeurige kennis willen over waar in de toekomst een breuk zal optreden, moeten machine learning-systemen naar gebieden zoeken in plaats van naar punten.

Grotere vooruitgang kan op komst zijn nu wetenschappers gevoeligere instrumenten ontwikkelen om aardbevingen te detecteren. Zelfs kleinere, door aardbevingen veroorzaakte golven veranderen het zwaartekrachtveld terwijl ze andere geluidsbronnen filteren. Volgens Vallée is de aarde een luidruchtige plek, van de zeeën tot de atmosfeer.

“Het is een beetje hetzelfde als de uitdaging waarmee natuurkundigen worden geconfronteerd als ze zwaartekrachtgolven proberen waar te nemen”, legt Vallée uit. Als je van machine learning en kunstmatige intelligentie houdt, kijk dan eens de geschiedenis van Machine Learning, het gaat terug tot de 17e eeuw.