Machine-Learning Algoritme forudsiger laboratoriejordskælv

Jordskælv tager en frygtelig menneskelig vejafgift. Omkring 10.000 mennesker dør hvert år i jordskælv og deres eftervirkninger, men afgiften kan være meget højere. Over 230.000 mennesker døde i tsunamien, der fulgte efter jordskælvet med en styrke på 9 ud for Sumatras kyst i 2004; mere end 200.000 døde i Haiti i 2010, efter at landet blev ramt af et jordskælv med en styrke på 7; og mere end 800.000 menes at være døde i et jordskælv i Kina i 1556.

Så en bedre måde - på enhver måde - at forudsige jordskælv ville være enormt værdifuld.

Gå ind på Bertrand Rouet-Leduc ved Los Alamos National Laboratory i New Mexico og et par venner, der har gjort en bemærkelsesværdig opdagelse. De har trænet en maskinlæringsalgoritme til at opdage de afslørende tegn på, at et laboratoriejordskælv er ved at give efter, kun ved at bruge de lyde, det udsender under belastning. Holdet er forsigtigt med den nye tekniks anvendelighed til rigtige jordskælv, men arbejdet åbner nye muligheder for forskning på dette område.



Først lidt baggrund. Geologer har længe været i stand til at regne ud den omtrentlige risiko for et jordskælv. Deres tilgang er at regne ud, hvornår fejlen flyttede sig i fortiden og bruge enhver periodicitet til at forudsige fremtiden.

Det mest berømte eksempel involverer Parkfield-segmentet af San Andreas-forkastningen i Californien, en af ​​de mest omhyggeligt undersøgte fejl på planeten. Jordskælv fandt sted her i 1857, 1881, 1901, 1922, 1934 og 1966, hvilket tyder på et mønster, hvor jordskælv opstår hvert 22. år giver eller tager et par år. Geologer forudsagde derfor, at et jordskælv ville forekomme mellem 1988 og 1993, men de måtte vente til 2004 på deres støj.

Og det er omtrent lige så godt, som jordskælvsprognoserne har fået - de fleste andre steder er fejlbjælkerne størrelsesordener større.

Sådanne forudsigelser er nyttige til at håndhæve ting som byggestandarder i områder, der vides at være udsat for jordskælv. Men de er til ringe nytte til at forhindre dødsfald, når jordskælvene opstår. Til det er der brug for prognoser over tidsspænd målt i dage. Der har været få beviser for, at denne type forudsigelse nogensinde vil være mulig, selvom der er meget anekdotiske beviser, der tyder på, at dyr på en eller anden måde kan fornemme den forestående begyndelse af et jordskælv.

Rouet-Leduc og cos arbejde kan ændre det. De skabte kunstige jordskælv i deres laboratorium ved at trække i en blok klemt mellem to andre. Ved grænsefladen mellem blokkene pakkede de en blanding af stenet materiale, kaldet hulmateriale, for at simulere egenskaberne ved virkelige fejl.

Denne form for kunstigt jordskælvssystem er blevet grundigt undersøgt. Geologer ved, at efterhånden som et jordskælv nærmer sig, begynder hulmaterialet at svigte og udsender støn og revner, mens det skærer sig - en slags seismisk snak. Blokken glider så kvasi-periodisk.

Dette system har nogle ligheder med rigtige jordskælv. For eksempel er størrelsesfordelingen af ​​gliderne den samme som størrelsesfordelingen af ​​rigtige jordskælv. Det genererer masser af små udskridninger og kun få store - en fordeling, der følger det velkendte Gutenberg-Richter-forhold, ligesom et rigtigt jordskælv gør. Så geologer er overbeviste om, at dette system efterligner i det mindste nogle af den adfærd, der ses i den virkelige verden.

Spørgsmålet, disse fyre stiller, er, om lyden fra fejlen kan bruges til at forudsige tidspunktet for næste slip. Indtil nu har ingen set mønstre i disse lyde, som kan bruges til at lave en sådan forudsigelse. Men Rouet-Leduc og co har taget en ny tilgang.

De har registreret de akustiske emissioner fra eksperimentet og indført dem i en maskinlæringsalgoritme. Ideen var at se, om maskinen kunne tyde et eller andet mønster, som geologer hidtil havde overset. Og det gjorde den faktisk.

Resultaterne er noget af en overraskelse. Forskerne fodrede algoritmen med et glidende vindue af akustiske emissioner og bad den om at lave en forudsigelse på hvert øjeblik af sandsynligheden for et jordskælv. Til deres forbløffelse gav maskinen nøjagtige forudsigelser, selv når et jordskælv ikke var nært forestående. Vi viser, at ved at lytte til det akustiske signal, der udsendes af en laboratoriefejl, kan maskinlæring forudsige den resterende tid, før den fejler med stor nøjagtighed, siger de.

Puslespillet er, hvordan maskinen kan gøre dette. Rouet-Leduc og co antager, at seismiske prækursorer kan være meget mindre, end man tidligere havde troet, og derfor er de normalt ikke registreret i den virkelige verden. Maskinen ser ud til at have opdaget et helt nyt signal, som geologer tidligere havde afvist som støj i laboratorieskælvene. Vores maskinlæringsanalyse giver ny indsigt i slipfysikken, siger de.

Det er fascinerende arbejde, der har betydelige konsekvenser. Det første og mest åbenlyse spørgsmål, det rejser, er, om den samme teknik kunne forudsige rigtige jordskælv nøjagtigt.

Rouet-Leduc og co er forsigtige i denne henseende. De påpeger, at laboratorieeksperimentet på forskellige vigtige måder adskiller sig fra rigtige jordskælv. Forskydningsspændingerne er størrelsesordener større end ved rigtige jordskælv, og temperaturen på de involverede sten er også forskellige.

Men der er andre måder, hvorpå laboratoriets jordskælv ligner dem på Jorden. Så holdets næste mål er at anvende den samme slags analyse på rigtige jordskælv, der mest ligner laboratorie-skælv. En sådan er Parkfield, som oplever mange gentagne jordskælv over relativt korte perioder. Repeatere ved disse fejlplastre kan udsende skravling i analogi med laboratoriet, foreslår de.

Den store test vil selvfølgelig være at forudsige et jordskælv nøjagtigt. Det er en vanskelig opgave, der vil kræve omhyggelig observation over mange år.

I mellemtiden kunne den samme teknik anvendes til at forudsige jordskælvslignende fejl i andre materialer, såsom turbiner i fly og kraftværker.

Uanset hvordan den nye teknik anvendes, har Rouet-Leduc og co sat katten blandt duerne i geologiens verden. Som de konkluderer: Scenen er sat for potentielt markante fremskridt inden for jordskælvsvidenskab.

Ref: arxiv.org/abs/1702.05774 : Machine Learning forudsiger laboratoriejordskælv

skjule