Une nouvelle approche d'intelligence artificielle pourrait aider à prédire l'emplacement des répliques après un tremblement de terre
An tremblement de terre est un phénomène provoqué par la roche souterraine dans le De la terre la croûte se brise soudainement autour d'une ligne de faille géologique. Cela provoque une libération rapide d'énergie qui produit des ondes sismiques qui font alors trembler le sol et c'est la sensation que l'on ressent lors d'un tremblement de terre. L'endroit où la roche se brise est appelé foyer du tremblement de terre et l'endroit au-dessus sur le sol est appelé « épicentre ». L'énergie libérée est mesurée en magnitude, une échelle pour décrire l'énergie d'un tremblement de terre. Un séisme de magnitude 2 est à peine perceptible et ne peut être enregistré qu'en utilisant un équipement spécialisé sensible, tandis que tremblements de terre d'une magnitude supérieure à 8 peut provoquer des secousses très fortes du sol. Un tremblement de terre est généralement suivi de nombreuses répliques se produisant par un mécanisme similaire et qui sont tout aussi dévastatrices et dont l'intensité et la gravité sont souvent similaires à celles du tremblement de terre d'origine. De telles secousses post-séisme se produisent généralement dans la première heure ou le lendemain du séisme principal. tremblement de terre. La prévision de la répartition spatiale des répliques est très difficile.
Les scientifiques ont formulé des lois empiriques pour décrire l’ampleur et la durée des répliques, mais déterminer leur emplacement reste un défi. Des chercheurs de Google et de l'Université Harvard ont mis au point une nouvelle approche pour évaluer tremblements de terre et prévoir l'emplacement des répliques à l'aide de la technologie de l'intelligence artificielle dans leur étude publiée dans Nature. Ils ont spécifiquement utilisé l'apprentissage automatique - un aspect de l'intelligence artificielle. Dans l'approche de l'apprentissage automatique, une machine « apprend » à partir d'un ensemble de données et après avoir acquis ces connaissances, elle est capable d'utiliser ces informations pour faire des prédictions sur des données plus récentes.
Les chercheurs ont d'abord analysé une base de données de tremblements de terre mondiaux à l'aide d'algorithmes d'apprentissage en profondeur. L'apprentissage en profondeur est un type avancé d'apprentissage automatique dans lequel les réseaux de neurones tentent d'imiter le processus de réflexion du cerveau humain. Ensuite, ils visaient à être en mesure de prévisions mieux vaut les répliques que les suppositions aléatoires et essayer de résoudre le problème de « où » les répliques se produiront. Les observations recueillies lors de plus de 199 tremblements de terre majeurs dans le monde ont été utilisées, comprenant environ 131,000 XNUMX paires choc principal-réplique. Ces informations ont été combinées à un modèle basé sur la physique qui décrit comment Terre serait tendu et tendu après une tremblement de terre ce qui déclenchera alors des répliques. Ils ont créé des grilles de 5 kilomètres carrés dans lesquelles le système vérifierait une réplique. Le réseau neuronal établirait alors des relations entre les tensions provoquées par le tremblement de terre principal et l'emplacement des répliques. Une fois que le système de réseau neuronal a été bien entraîné de cette manière, il a été capable de prédire avec précision l’emplacement des répliques. L’étude était extrêmement difficile car elle utilisait des données complexes du monde réel sur les tremblements de terre. Les chercheurs installent alternativement artificiel et le type de tremblements de terre « idéal » pour créer des prévisions, puis examiné les prévisions. En examinant la sortie du réseau neuronal, ils ont essayé d'analyser quelles différentes «quantités» sont susceptibles de contrôler la prévision des répliques. Après avoir effectué des comparaisons spatiales, les chercheurs sont arrivés à la conclusion qu'un modèle de réplique typique était physiquement « interprétable ». L'équipe suggère qu'une quantité appelée la deuxième variante de tension de contrainte déviatorique - simplement appelée J2 - détient la clé. Cette quantité est hautement interprétable et est couramment utilisée en métallurgie et dans d'autres domaines, mais n'a jamais été utilisée auparavant pour l'étude des tremblements de terre.
Les répliques des tremblements de terre provoquent d'autres blessures, endommagent des propriétés et entravent également les efforts de sauvetage. Leur prévision permettrait donc de sauver des vies pour l'humanité. Les prévisions en temps réel ne sont peut-être pas possibles à l’heure actuelle, car les modèles d’IA actuels ne peuvent gérer qu’un type particulier de réplique et une simple ligne de faille géologique. Ceci est important car les lignes de failles géologiques ont une géométrie différente selon les emplacements géographiques de la planète. planète. Ainsi, il se peut qu’il ne soit pas actuellement applicable à différents types de tremblements de terre dans le monde. Néanmoins, la technologie de l’intelligence artificielle semble adaptée aux tremblements de terre en raison du nombre n de variables à prendre en compte lors de leur étude, par exemple la force du choc, la position des plaques tectoniques, etc.
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.
***
{Vous pouvez lire le document de recherche original en cliquant sur le lien DOI ci-dessous dans la liste des sources citées}
Sources)
DeVries PMR et al. 2018. Apprentissage approfondi des modèles de répliques après de grands tremblements de terre. Nature560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
