Algoritme voor machinaal leren voorspelt aardbevingen in het laboratorium

Aardbevingen eisen een verschrikkelijke menselijke tol. Elk jaar sterven ongeveer 10.000 mensen door aardbevingen en de nasleep daarvan, maar de tol kan veel hoger zijn. Meer dan 230.000 mensen stierven in de tsunami die volgde op de aardbeving van magnitude 9 voor de kust van Sumatra in 2004; meer dan 200.000 stierven in Haïti in 2010 nadat het land werd getroffen door een aardbeving met een kracht van 7; en naar schatting zijn meer dan 800.000 omgekomen bij een aardbeving in China in 1556.

Dus een betere manier - hoe dan ook - om aardbevingen te voorspellen, zou enorm waardevol zijn.

Betreed Bertrand Rouet-Leduc in Los Alamos National Laboratory in New Mexico en een paar vrienden die een opmerkelijke ontdekking hebben gedaan. Ze hebben een algoritme voor machinaal leren getraind om de verklikkersignalen te herkennen dat een aardbeving in een laboratorium op het punt staat te wijken met alleen de geluiden die het onder spanning uitzendt. Het team is voorzichtig over het nut van de nieuwe techniek voor echte aardbevingen, maar het werk opent nieuwe wegen voor onderzoek op dit gebied.

Eerst wat achtergrond. Geologen hebben lang het geschatte risico van een aardbeving kunnen berekenen. Hun aanpak is om uit te zoeken wanneer de fout zich in het verleden heeft verplaatst en elke periodiciteit te gebruiken om de toekomst te voorspellen.

Het bekendste voorbeeld betreft het Parkfield-segment van de San Andreas-breuk in Californië, een van de meest zorgvuldig bestudeerde breuken ter wereld. Aardbevingen vonden hier plaats in 1857, 1881, 1901, 1922, 1934 en 1966, wat een patroon suggereert waarin aardbevingen elke 22 jaar een paar jaar duren of duren. Geologen voorspelden daarom dat er tussen 1988 en 1993 een aardbeving zou plaatsvinden, maar ze moesten tot 2004 wachten op hun beving.

En dat is ongeveer net zo goed als aardbevingsvoorspellingen hebben - op de meeste andere plaatsen zijn de foutbalken orden van grootte groter.

Dergelijke voorspellingen zijn nuttig voor het afdwingen van zaken als bouwnormen in regio's waarvan bekend is dat ze aardbevingsgevoelig zijn. Maar ze zijn van weinig nut bij het voorkomen van sterfgevallen als de aardbevingen plaatsvinden. Daarvoor zijn prognoses nodig over tijdspannes gemeten in dagen. Er is weinig bewijs dat dit soort voorspelling ooit mogelijk zal zijn, hoewel er veel anekdotisch bewijs is dat dieren op de een of andere manier het dreigende begin van een aardbeving kunnen voelen.

Het werk van Rouet-Leduc en co kan daar verandering in brengen. Ze creëerden kunstmatige aardbevingen in hun laboratorium door aan een blok tussen twee andere te trekken. Op het grensvlak tussen de blokken verpakten ze een mengsel van rotsachtig materiaal, gutsmateriaal genaamd, om de eigenschappen van echte fouten te simuleren.

Dit soort kunstmatige aardbevingssysteem is goed bestudeerd. Geologen weten dat als een aardbeving nadert, het gutsmateriaal begint te bezwijken, terwijl het kreunen en scheuren uitzendt als het afschuift - een soort seismisch geratel. Het blok glijdt dan quasi-periodiek weg.

Dit systeem heeft enkele overeenkomsten met echte aardbevingen. De grootteverdeling van de slips is bijvoorbeeld hetzelfde als de grootteverdeling van echte aardbevingen. Het genereert veel kleine slips en slechts een paar grote - een verdeling die de bekende Gutenberg-Richter-relatie volgt, net als echte aardbevingen. Geologen zijn er dus van overtuigd dat dit systeem op zijn minst een deel van het gedrag nabootst dat in de echte wereld wordt gezien.

De vraag die deze jongens stellen is of het geluid dat door de fout wordt uitgezonden, kan worden gebruikt om de tijd van de volgende slip te voorspellen. Tot nu toe heeft niemand een patroon in deze geluiden gezien waarmee zo'n voorspelling kan worden gedaan. Maar Rouet-Leduc en co hebben een nieuwe aanpak gekozen.

Ze hebben de akoestische emissies van het experiment geregistreerd en ingevoerd in een algoritme voor machine learning. Het idee was om te zien of de machine een patroon kon ontcijferen dat geologen tot nu toe hadden gemist. En dat deed het inderdaad.

De resultaten zijn enigszins een verrassing. De onderzoekers voedden het algoritme met een schuifvenster van akoestische emissies en vroegen het om op elk moment een voorspelling te doen van de waarschijnlijkheid van een aardbeving. Tot hun verbazing gaf de machine nauwkeurige voorspellingen, zelfs als een aardbeving niet op handen was. We laten zien dat door te luisteren naar het akoestische signaal dat wordt uitgezonden door een laboratoriumfout, machine learning de resterende tijd kan voorspellen voordat het defect raakt, met grote nauwkeurigheid, zeggen ze.

De puzzel is hoe de machine dit kan doen. Rouet-Leduc en co veronderstellen dat seismische voorlopers veel kleiner kunnen zijn dan eerder werd gedacht en daarom meestal niet in de echte wereld worden geregistreerd. De machine lijkt een geheel nieuw signaal te hebben opgemerkt dat geologen eerder hadden afgedaan als ruis in de laboratoriumbevingen. Onze machine learning-analyse biedt nieuw inzicht in de slipfysica, zeggen ze.

Dat is fascinerend werk met grote implicaties. De eerste en meest voor de hand liggende vraag die het oproept, is of dezelfde techniek echte aardbevingen nauwkeurig kan voorspellen.

Rouet-Leduc en co zijn in dit opzicht terughoudend. Ze wijzen erop dat het laboratoriumexperiment op verschillende belangrijke manieren verschilt van echte aardbevingen. De schuifspanningen zijn orden van grootte groter dan bij echte aardbevingen en de temperaturen van de betrokken rotsen zijn ook anders.

Maar er zijn andere manieren waarop de laboratoriumbevingen vergelijkbaar zijn met die op aarde. Het volgende doel van het team is dus om dezelfde soort analyse toe te passen op echte aardbevingen die het meest lijken op laboratoriumbevingen. Een daarvan is Parkfield, dat in relatief korte perioden veel herhaalde aardbevingen meemaakt. Repeaters bij deze storingspatches kunnen geratel uitzenden in analogie met het laboratorium, suggereren ze.

De grote test zal natuurlijk zijn om een ​​aardbeving nauwkeurig te voorspellen. Dat is een moeilijke taak die gedurende vele jaren zorgvuldige observatie vereist.

In de tussentijd zou dezelfde techniek kunnen worden toegepast voor het voorspellen van aardbevingen-achtige storingen in andere materialen, zoals turbines in vliegtuigen en elektriciteitscentrales.

Hoe de nieuwe techniek ook wordt toegepast, Rouet-Leduc en co hebben de kat tussen de duiven in de wereld van de geologie gezet. Zoals ze concluderen: het toneel is klaar voor mogelijk duidelijke vooruitgang in de aardbevingswetenschap.

Referentie: arxiv.org/abs/1702.05774 : Machine Learning voorspelt laboratoriumaardbevingen

zich verstoppen