Pendekatan kecerdasan buatan yang baru boleh membantu meramalkan lokasi gegaran susulan selepas gempa bumi
An gempa bumi adalah fenomena yang disebabkan apabila batu di bawah tanah di Bumi kerak tiba-tiba pecah di sekeliling garis sesar geologi. Ini menyebabkan pembebasan tenaga yang cepat yang menghasilkan gelombang seismik yang kemudian membuat tanah bergegar dan ini adalah sensasi yang kita jatuh semasa gempa bumi. Tempat di mana batu pecah dipanggil tumpuan gempa bumi dan tempat di atasnya di atas tanah dipanggil 'pusat gempa'. Tenaga yang dibebaskan diukur sebagai magnitud, skala untuk menggambarkan betapa bertenaga gempa bumi. Gempa bumi dengan magnitud 2 hampir tidak dapat dilihat dan boleh dirakam hanya dengan menggunakan peralatan khusus yang sensitif, manakala gempa bumi lebih daripada magnitud 8 boleh menyebabkan tanah nyata bergegar dengan sangat kuat. Gempa bumi secara amnya diikuti oleh banyak gegaran susulan yang berlaku oleh mekanisme yang serupa dan yang sama memusnahkan dan banyak kali keamatan dan keterukannya adalah serupa dengan gempa bumi asal. Gegaran selepas gempa sedemikian berlaku secara amnya dalam masa sejam pertama atau sehari selepas gegaran utama gempa bumi. Ramalan taburan spatial gempa susulan adalah sangat mencabar.
Para saintis telah merumuskan undang-undang empirikal untuk menerangkan saiz dan masa gegaran susulan tetapi menentukan lokasinya masih menjadi cabaran. Penyelidik di Google dan Universiti Harvard telah mencipta pendekatan baharu untuk menilai gempa bumi dan ramalan lokasi gempa susulan menggunakan teknologi kecerdasan buatan dalam kajian mereka yang diterbitkan dalam Alam. Mereka secara khusus menggunakan pembelajaran mesin - satu aspek kecerdasan buatan. Dalam pendekatan pembelajaran mesin, mesin 'belajar' daripada satu set data dan selepas memperoleh pengetahuan ini ia dapat menggunakan maklumat ini untuk membuat ramalan tentang data yang lebih baharu.
Penyelidik mula-mula menganalisis pangkalan data gempa bumi global menggunakan algoritma pembelajaran mendalam. Pembelajaran mendalam ialah jenis pembelajaran mesin lanjutan di mana rangkaian saraf mencuba dan meniru proses pemikiran otak manusia. Seterusnya, mereka bertujuan untuk dapat ramalan gempa susulan lebih baik daripada meneka secara rawak dan cuba selesaikan masalah 'di mana' gempa susulan akan berlaku. Pemerhatian yang dikumpul daripada lebih 199 gempa bumi besar di seluruh dunia telah digunakan yang terdiri daripada kira-kira 131,000 pasangan gegaran utama-gempa susulan. Maklumat ini digabungkan dengan model berasaskan fizik yang menerangkan bagaimana Bumi akan menjadi tegang dan tegang selepas an gempa bumi yang kemudiannya akan mencetuskan gegaran susulan. Mereka mencipta grid 5 kilometer persegi di mana sistem akan memeriksa gegaran susulan. Rangkaian saraf kemudiannya akan membentuk hubungan antara strain yang disebabkan oleh gempa bumi utama dan lokasi gempa susulan. Setelah sistem rangkaian saraf telah dilatih dengan baik dengan cara ini, ia dapat meramalkan lokasi gegaran susulan dengan tepat. Kajian ini sangat mencabar kerana menggunakan data dunia sebenar gempa bumi yang kompleks. Penyelidik secara alternatif menetapkan tiruan dan jenis gempa bumi 'ideal' untuk mencipta ramalan dan kemudian meneliti ramalan. Melihat kepada output rangkaian saraf, mereka cuba menganalisis 'kuantiti' berbeza yang mungkin mengawal ramalan gegaran susulan. Selepas melakukan perbandingan spatial, penyelidik membuat kesimpulan bahawa corak gegaran susulan biasa secara fizikal 'boleh ditafsir'. Pasukan itu mencadangkan bahawa kuantiti yang dipanggil varian kedua ketegangan tekanan deviatorik - hanya dipanggil J2 - memegang kunci. Kuantiti ini sangat boleh ditafsir dan digunakan secara rutin dalam metalurgi dan bidang lain tetapi tidak pernah digunakan sebelum ini untuk mengkaji gempa bumi.
Gempa susulan gempa bumi menyebabkan kecederaan lanjut, kerosakan harta benda dan juga menghalang usaha menyelamat oleh itu meramalkan ia akan menyelamatkan nyawa manusia. Ramalan masa nyata mungkin tidak dapat dilakukan pada masa ini kerana model AI semasa boleh menangani jenis gegaran susulan dan garis sesar geologi mudah sahaja. Ini penting kerana garis sesar geologi mempunyai geometri yang berbeza di lokasi geografi yang pelbagai pada planet. Jadi, ia mungkin tidak digunakan pada masa ini untuk pelbagai jenis gempa bumi di seluruh dunia. Namun begitu, teknologi kecerdasan buatan kelihatan sesuai untuk gempa bumi kerana n bilangan pembolehubah yang perlu dipertimbangkan semasa mengkajinya, contoh kekuatan kejutan, kedudukan plat tektonik dsb.
Rangkaian saraf direka bentuk untuk bertambah baik dari semasa ke semasa, iaitu apabila lebih banyak data dimasukkan ke dalam sistem, lebih banyak pembelajaran berlaku dan sistem bertambah baik secara berterusan. Pada masa hadapan sistem sedemikian boleh menjadi sebahagian daripada sistem ramalan yang digunakan oleh ahli seismologi. Perancang juga boleh melaksanakan langkah kecemasan berdasarkan pengetahuan tentang kelakuan gempa bumi. Pasukan itu mahu menggunakan teknologi kecerdasan buatan untuk meramalkan magnitud gempa bumi.
***
{Anda boleh membaca kertas penyelidikan asal dengan mengklik pautan DOI yang diberikan di bawah dalam senarai sumber yang dipetik}
Sumber (s)
DeVries PMR et al. 2018. Pembelajaran mendalam tentang corak gegaran susulan berikutan gempa bumi besar. Alam560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
