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 causé lorsque la roche souterraine de la croûte terrestre 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 nous avons ressentie 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'à l'aide d'un équipement spécialisé sensible, tandis que les séismes de magnitude supérieure à 8 peuvent faire trembler sensiblement le sol. Un tremblement de terre est généralement suivi de nombreuses répliques se produisant par un mécanisme similaire et qui sont tout aussi dévastatrices et plusieurs fois leur intensité et leur gravité sont similaires au tremblement de terre d'origine. Ces secousses post-séisme se produisent généralement dans la première heure ou un jour après le séisme principal. Il est très difficile de prévoir la distribution spatiale des répliques.
Les scientifiques ont formulé des lois empiriques pour décrire la taille et la durée des répliques, mais localiser leur emplacement reste un défi. 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 prévision répliques mieux que les suppositions aléatoires et essayez de résoudre le problème de « où » les répliques se produiront. Les observations recueillies à partir de plus de 199 tremblements de terre majeurs dans le monde ont été utilisées, consistant en environ 131,000 5 paires de secousses principales et de répliques. Ces informations ont été combinées à un modèle basé sur la physique décrivant comment la Terre serait mise à rude épreuve et tendue après un tremblement de terre qui déclencherait alors des répliques. Ils ont créé des grilles de XNUMX kilomètres carrés à l'intérieur desquelles le système vérifierait s'il y avait une réplique. Le réseau de neurones formerait alors des relations entre les contraintes causées par le séisme principal et l'emplacement des répliques. Une fois que le système de réseau neuronal était bien entraîné de cette manière, il était 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 ont alternativement mis en place 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 de tremblements de terre causent d'autres blessures, endommagent des propriétés et entravent également les efforts de sauvetage, ce qui permet de prédire qu'elles sauveraient des vies pour l'humanité. Les prévisions en temps réel peuvent ne pas être possibles en ce moment même, car les modèles d'IA actuels ne peuvent traiter qu'un type particulier de réplique et une simple ligne de faille géologique. Ceci est important car les lignes de faille géologiques ont une géométrie différente dans divers emplacements géographiques sur la planète. Ainsi, il peut ne pas être actuellement applicable à différents types de tremblements de terre dans le monde. Néanmoins, la technologie de l'intelligence artificielle semble appropriée pour les tremblements de terre en raison du nombre n de variables qui doivent être prises 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
***
