Une nouvelle approche d'intelligence artificielle pourrait aider à prédire l'emplacement des répliques après un tremblement de terre
Un séisme est un phénomène qui se produit lorsque des roches souterraines, dans la croûte terrestre, se brisent soudainement le long d'une faille géologique. Cette rupture provoque une libération rapide d'énergie, générant des ondes sismiques qui font trembler le sol ; c'est cette sensation que nous ressentons lors d'un tremblement de terre. Le point de rupture de la roche est appelé foyer du séisme , et le point situé au-dessus, à la surface, est appelé épicentre. L'énergie libérée est mesurée en magnitude, une échelle permettant de décrire l'intensité d'un séisme. Un séisme de magnitude 2 est à peine perceptible et ne peut être enregistré qu'à l'aide d'équipements spécialisés et sensibles, tandis que les séismes de magnitude supérieure à 8 peuvent provoquer de fortes secousses. Un séisme est généralement suivi de nombreuses répliques, qui se produisent selon un mécanisme similaire et sont tout aussi dévastatrices, leur intensité et leur gravité étant souvent comparables à celles du séisme initial. Ces répliques surviennent généralement dans l'heure ou le jour qui suit le séisme principal . Prévoir la répartition spatiale des répliques est très complexe.
Les scientifiques ont formulé des lois empiriques pour décrire l'amplitude et le moment des répliques sismiques, mais la localisation précise de ces dernières demeure un défi. Des chercheurs de Google et de l'Université Harvard ont mis au point une nouvelle approche pour évaluer les séismes et prévoir la localisation des répliques grâce à l'intelligence artificielle. Leur étude, publiée dans la revue Nature , présente une méthode d'apprentissage automatique, une branche de l'intelligence artificielle. Cette approche consiste pour une machine à « apprendre » à partir d'un ensemble de données, puis à utiliser ces connaissances pour effectuer des prédictions à partir de nouvelles données.
Des chercheurs ont d'abord analysé une base de données de séismes mondiaux à l'aide d'algorithmes d'apprentissage profond. L'apprentissage profond est une forme avancée d'apprentissage automatique où les réseaux neuronaux tentent d'imiter le fonctionnement du cerveau humain. Ils ont ensuite cherché à mieux prévoir les répliques sismiques qu'avec des estimations aléatoires et à déterminer leur localisation. Les observations recueillies sur plus de 199 séismes majeurs à travers le monde, soit environ 131 000 paires séisme principal-réplique, ont été utilisées. Ces informations ont été combinées à un modèle physique décrivant les contraintes subies par la Terre après un séisme , contraintes qui déclenchent les répliques. Ils ont créé des grilles de 5 kilomètres carrés au sein desquelles le système recherche les répliques. Le réseau neuronal établit ensuite des corrélations entre les contraintes causées par le séisme principal et la localisation des répliques. Une fois le système bien entraîné, il a pu prédire avec précision la localisation des répliques. Cette étude s'est avérée extrêmement complexe car elle a utilisé des données réelles et complexes relatives aux séismes. Des chercheurs ont simulé des séismes artificiels et quasi « idéaux » pour établir des prévisions, qu'ils ont ensuite analysées. En étudiant les résultats d'un réseau neuronal, ils ont cherché à identifier les différentes « quantités » susceptibles d'influencer la prévision des répliques. Après avoir effectué des comparaisons spatiales, ils ont conclu qu'un schéma typique de réplique était physiquement « interprétable ». L'équipe suggère que la clé réside dans une grandeur appelée la seconde variante de la tension de contrainte déviatorique, ou simplement J2. Cette grandeur, très interprétable et couramment utilisée en métallurgie et dans d'autres domaines, n'avait jamais été appliquée auparavant à l'étude des séismes.
Les répliques sismiques causent des blessures supplémentaires, endommagent les biens et entravent les opérations de secours ; leur prédiction serait donc vitale pour l’humanité. Une prévision en temps réel n’est pas encore possible, car les modèles d’IA actuels ne peuvent traiter qu’un type particulier de réplique et les failles géologiques simples. Or, la géométrie des failles géologiques varie considérablement selon les régions du globe . Par conséquent, ces modèles ne sont pas nécessairement applicables à tous les types de séismes à travers le monde. Néanmoins, l’intelligence artificielle semble prometteuse pour l’étude des séismes, compte tenu du grand nombre de variables à prendre en compte, telles que l’intensité de la secousse et la position des plaques tectoniques.
Les réseaux de neurones sont conçus pour s'améliorer avec le temps, c'est-à-dire que plus de données sont introduites dans un système, plus d'apprentissage a lieu et le système s'améliore régulièrement. À l'avenir, un tel système pourrait faire partie intégrante des systèmes de prévision utilisés par les sismologues. Les planificateurs pourraient également mettre en œuvre des mesures d'urgence fondées sur la connaissance du comportement sismique. L'équipe souhaite utiliser la technologie de l'intelligence artificielle pour prédire la magnitude des tremblements de terre.
***
Sources)
DeVries PMR et al. 2018. Apprentissage profond des schémas de répliques après de grands séismes. Nature 560(7720). DOI : https://doi.org/10.1038/s41586-018-0438-y
***
