Μια νέα προσέγγιση τεχνητής νοημοσύνης θα μπορούσε να βοηθήσει στην πρόβλεψη της θέσης των μετασεισμών μετά από έναν σεισμό
An σεισμός is a phenomenon caused when rock underground in the Γη crust suddenly breaks around a geological fault line. This causes rapid release of energy which produces seismic waves which then make the ground shake and this is the sensation we fell during an earthquake. The spot where the rock breaks is called focus of the σεισμός and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while σεισμούς of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main σεισμός. Forecasting spatial distribution of aftershocks is very challenging.
Scientists have formulated empirical laws to describe size and time of aftershocks but pinpointing their location is still a challenge. Researchers at Google and Harvard University have devised a new approach for assessing σεισμούς and forecasting location of aftershocks using artificial intelligence technology in their study published in Φύση. Χρησιμοποίησαν συγκεκριμένα μηχανική μάθηση - μια πτυχή της τεχνητής νοημοσύνης. Στην προσέγγιση της μηχανικής μάθησης, μια μηχανή «μαθαίνει» από ένα σύνολο δεδομένων και αφού αποκτήσει αυτή τη γνώση είναι σε θέση να χρησιμοποιήσει αυτές τις πληροφορίες για να κάνει προβλέψεις για νεότερα δεδομένα.
Οι ερευνητές ανέλυσαν αρχικά μια βάση δεδομένων των παγκόσμιων σεισμών χρησιμοποιώντας αλγόριθμους βαθιάς μάθησης. Η βαθιά μάθηση είναι ένας προηγμένος τύπος μηχανικής μάθησης στην οποία τα νευρωνικά δίκτυα προσπαθούν να μιμηθούν τη διαδικασία σκέψης του ανθρώπινου εγκεφάλου. Στη συνέχεια, είχαν στόχο να μπορέσουν πρόβλεψη aftershocks better than random guessing and try to solve the problem of ‘where’ the aftershocks will occur. Observations collected from more than 199 major earthquakes around the world were utilized consisting of around 131,000 mainshock-aftershock pairs. This information was combined with a physics-based model which describing how Γη would be strained and tense after an σεισμός which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up τεχνητός και το είδος των «ιδανικών» σεισμών για τη δημιουργία προβλέψεων και στη συνέχεια εξέτασε τις προβλέψεις. Εξετάζοντας την έξοδο του νευρωνικού δικτύου, προσπάθησαν να αναλύσουν ποιες διαφορετικές «ποσότητες» είναι πιθανό να ελέγχουν την πρόβλεψη μετασεισμών. Αφού έκαναν χωρικές συγκρίσεις, οι ερευνητές κατέληξαν στο συμπέρασμα ότι ένα τυπικό μοτίβο μετασεισμού ήταν φυσικά «ερμηνεύσιμο». Η ομάδα προτείνει ότι το κλειδί είναι μια ποσότητα που ονομάζεται δεύτερη παραλλαγή της τάσης αποκλίνουσας τάσης – που απλά ονομάζεται J2. Αυτή η ποσότητα είναι εξαιρετικά ερμηνεύσιμη και χρησιμοποιείται συνήθως στη μεταλλουργία και σε άλλους τομείς, αλλά δεν έχει χρησιμοποιηθεί ποτέ πριν για τη μελέτη των σεισμών.
Aftershocks of earthquakes cause further injuries, damage properties and also hinder rescue efforts therefore predicting them would be life-saving for humanity. Real time forecast may not be possible at this very moment as the current AI models can deal with a particular type of aftershock and simple geological fault line only. This is important because geological fault lines have different geometry in diverse geographical location on the πλανήτης. So, it may not be currently applicable to different type of earthquakes around the world. Nevertheless, artificial intelligence technology looks suitable for earthquakes because of n number of variables which need to considered when studying them, example strength of the shock, position of tectonic plates etc.
Τα νευρωνικά δίκτυα έχουν σχεδιαστεί για να βελτιώνονται με την πάροδο του χρόνου, δηλαδή καθώς περισσότερα δεδομένα τροφοδοτούνται σε ένα σύστημα, λαμβάνει χώρα περισσότερη μάθηση και το σύστημα βελτιώνεται σταθερά. Στο μέλλον ένα τέτοιο σύστημα θα μπορούσε να είναι αναπόσπαστο μέρος των συστημάτων πρόβλεψης που χρησιμοποιούνται από τους σεισμολόγους. Οι σχεδιαστές θα μπορούσαν επίσης να εφαρμόσουν μέτρα έκτακτης ανάγκης με βάση τη γνώση της συμπεριφοράς του σεισμού. Η ομάδα θέλει να χρησιμοποιήσει τεχνολογία τεχνητής νοημοσύνης για να προβλέψει το μέγεθος των σεισμών.
***
{Μπορείτε να διαβάσετε την αρχική ερευνητική εργασία κάνοντας κλικ στον σύνδεσμο DOI που δίνεται παρακάτω στη λίστα των αναφερόμενων πηγών}
Πηγές)
DeVries PMR et al. 2018. Βαθιά εκμάθηση μοτίβων μετασεισμών μετά από μεγάλους σεισμούς. Φύση560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
