Новиот пристап на вештачка интелигенција може да помогне да се предвиди локацијата на последователни потреси по земјотрес
An земјотрес е феномен предизвикан кога карпата под земја во Земјината кората одеднаш се пробива околу геолошката раседна линија. Ова предизвикува брзо ослободување на енергија што произведува сеизмички бранови кои потоа предизвикуваат тресење на земјата и ова е чувството што паднавме за време на земјотрес. Местото каде што се крши карпата се нарекува фокус на земјотрес а местото над него на земја се нарекува „епицентар“. Ослободената енергија се мери како магнитуда, скала за да се опише колку енергичен бил земјотресот. Земјотрес со јачина од 2 степени е едвај забележлив и може да се сними само со употреба на чувствителна специјализирана опрема, додека земјотреси со јачина поголема од 8 може да предизвика земјата значително да се тресе многу силно. По земјотресот генерално следат многу последователни потреси кои се случуваат со сличен механизам и кои се подеднакво разорни и многу пати нивниот интензитет и јачина се слични на првичниот земјотрес. Ваквите потреси обично се случуваат во првиот час или еден ден по главниот земјотрес. Прогнозирањето на просторната распределба на последователните потреси е многу предизвикувачко.
Научниците формулираа емпириски закони за да ја опишат големината и времето на последователните потреси, но прецизното одредување на нивната локација сè уште е предизвик. Истражувачите од Гугл и Универзитетот Харвард смислиле нов пристап за проценка земјотреси и прогнозирање на локацијата на последователните потреси користејќи технологија за вештачка интелигенција во нивната студија објавена во природата. Тие конкретно користеа машинско учење - аспект на вештачката интелигенција. Во пристапот на машинско учење, машината „учи“ од збир на податоци и по стекнувањето на ова знаење може да ги користи овие информации за да прави предвидувања за поновите податоци.
Истражувачите прво анализирале база на податоци за глобалните земјотреси користејќи алгоритми за длабоко учење. Длабокото учење е напреден тип на машинско учење во кое невронските мрежи се обидуваат да го имитираат процесот на размислување на човечкиот мозок. Следно, тие имаа за цел да можат прогноза афтершокови подобро од случајно погодување и обидете се да го решите проблемот „каде“ ќе се случат последователните потреси. Набљудувањата собрани од повеќе од 199 големи земјотреси ширум светот беа искористени што се состојат од околу 131,000 парови главен-потресен удар. Оваа информација беше комбинирана со модел базиран на физика кој опишува како Земјата би биле напнати и напнати по ан земјотрес кои потоа ќе предизвикаат последователни потреси. Тие создадоа мрежи од 5 километри квадратни во кои системот ќе проверува дали има последователен потрес. Тогаш невронската мрежа ќе формира врски помеѓу соеви предизвикани од главниот земјотрес и локацијата на последователните потреси. Откако системот на невронска мрежа беше добро обучен на овој начин, тој беше во можност точно да ја предвиди локацијата на последователните потреси. Студијата беше исклучително предизвикувачка бидејќи користеше сложени реални податоци за земјотресите. Истражувачите алтернативно поставија вештачки и вид на „идеални“ земјотреси за да се создадат прогнози и потоа да се испитаат предвидувањата. Гледајќи го излезот од невронската мрежа, тие се обидоа да анализираат кои различни „количини“ веројатно ќе го контролираат предвидувањето на последователни потреси. Откако направија просторни споредби, истражувачите дојдоа до заклучок дека типичната шема на афтершокови физички може да се „протолкува“. Тимот сугерира дека количината наречена втора варијанта на отклонување на стресот - едноставно наречена J2 - го држи клучот. Оваа количина е високо интерпретабилна и рутински се користи во металургијата и други области, но никогаш порано не била користена за проучување на земјотреси.
Последователните земјотреси предизвикуваат дополнителни повреди, ги оштетуваат имотите и исто така ги попречуваат напорите за спасување, па затоа предвидувањето на истите ќе биде спасоносно за човештвото. Прогнозата во реално време можеби нема да биде возможна токму во овој момент бидејќи сегашните модели со вештачка интелигенција можат да се справат само со одреден тип на последователни потреси и едноставна геолошка линија на расед. Ова е важно бидејќи геолошките раседни линии имаат различна геометрија во различни географски локации на планетата. Значи, можеби во моментов не е применлив за различни типови земјотреси ширум светот. Сепак, технологијата за вештачка интелигенција изгледа погодна за земјотреси поради n број на променливи кои треба да се земат предвид при нивното проучување, пример силата на ударот, положбата на тектонските плочи итн.
Невронските мрежи се дизајнирани да се подобруваат со текот на времето, т.е. како што се внесуваат повеќе податоци во системот, се одвива повеќе учење и системот постојано се подобрува. Во иднина таков систем би можел да биде составен дел од системите за предвидување што ги користат сеизмолозите. Планерите исто така би можеле да спроведат итни мерки засновани на знаење за однесувањето на земјотресот. Тимот сака да користи технологија за вештачка интелигенција за да ја предвиди јачината на земјотресите.
***
{Можете да го прочитате оригиналниот истражувачки труд со кликнување на врската DOI дадена подолу во списокот со цитирани извори}
Извор (и)
DeVries PMR et al. 2018. Длабоко учење за моделите на афтершокови по големи земјотреси. природата560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
