Η μηχανική μάθηση χρησιμοποιείται για την πρόβλεψη σεισμών σε εργαστηριακό περιβάλλον

Η μηχανική μάθηση χρησιμοποιείται για την πρόβλεψη σεισμών σε εργαστηριακό περιβάλλον

Η μηχανική μάθηση χρησιμοποιείται για την πρόβλεψη σεισμών σε εργαστηριακό περιβάλλον.

Μια ομάδα ερευνητών από το Ηνωμένο Βασίλειο και τις ΗΠΑ έχουν χρησιμοποιήσει τεχνικές μηχανικής μάθησης για να προβλέψουν με επιτυχία τους σεισμούς. Παρόλο που η εργασία τους διεξήχθη σε εργαστηριακό περιβάλλον, το πείραμα μιμείται στενά τις συνθήκες της πραγματικής ζωής και τα αποτελέσματα θα μπορούσαν να χρησιμοποιηθούν για την πρόβλεψη της χρονικής στιγμής ενός πραγματικού σεισμού.

Η ομάδα, από το Πανεπιστήμιο του Cambridge, το Εθνικό Εργαστήριο του Los Alamos και το Πανεπιστήμιο της Βοστώνης, αναγνώρισε ένα κρυμμένο σήμα που προκάλεσε σεισμούς και χρησιμοποίησε αυτό το «δακτυλικό αποτύπωμα» για να εκπαιδεύσει έναν αλγόριθμο μηχανικής μάθησης για να προβλέψει τους μελλοντικούς σεισμούς. Τα αποτελέσματά τους, τα οποία θα μπορούσαν επίσης να εφαρμοστούν για τις κατολισθήσεις, τις χιονοστιβάδες και άλλα, αναφέρονται στο περιοδικό Geophysical Review Letters.

Για τους γεωλόγους, η πρόβλεψη του χρόνου και του μεγέθους ενός σεισμού είναι ένας θεμελιώδης στόχος. Σε γενικές γραμμές, η επισήμανση του πού θα συμβεί ένας σεισμός είναι αρκετά απλή: εάν ένας σεισμός έχει χτυπήσει ένα συγκεκριμένο μέρος πριν, οι πιθανότητες είναι ότι θα χτυπήσει ξανά εκεί. Τα ερωτήματα που έχουν παιδέψει τους επιστήμονες για δεκαετίες είναι πώς να εντοπίσουμε πότε θα συμβεί ένας σεισμός και πόσο σοβαρός θα είναι. Τα τελευταία 15 χρόνια έχουν σημειωθεί πρόοδοι στην ακρίβεια των οργάνων, αλλά δεν έχει ακόμη αναπτυχθεί μια αξιόπιστη τεχνική προβλέψεων σεισμού.

Στο πλαίσιο ενός έργου που αναζητά τρόπους για να χρησιμοποιήσει τεχνικές μηχανικής μάθησης για να καταστήσει αποδοτικότερες τις LEDs για το νιτρίδιο του γαλλίου (GaN), ο πρώτος συγγραφέας της μελέτης, Bertrand Rouet-Leduc, ο οποίος ήταν τότε φοιτητής στο Cambridge, μετακόμισε στο Εθνικό Εργαστήριο του Los Alamos στο Νέο Μεξικό για να ξεκινήσει μια συνεργασία για την μηχανική μάθηση στην επιστήμη των υλικών μεταξύ του Πανεπιστημίου του Cambridge και του Los Alamos. Από εκεί η ομάδα άρχισε να βοηθάει τον όμιλο Los Alamos Geophysics σε αυτόν το περίπλοκο τομέα.

Η ομάδα στο Los Alamos, με επικεφαλής τον Paul Johnson, μελετά τις αλληλεπιδράσεις μεταξύ σεισμών, πρόδρομων σεισμών (συχνά πολύ μικρών μετακινήσεων), με την ελπίδα να αναπτυχθεί μια μέθοδος πρόβλεψης σεισμών. Χρησιμοποιώντας ένα εργαστηριακό σύστημα που μιμείται πραγματικούς σεισμούς, οι ερευνητές χρησιμοποίησαν τεχνικές μηχανικής μάθησης για να αναλύσουν τα ακουστικά σήματα που προέρχονται από την δόνηση καθώς μετακινείται το έδαφος.

Η εργαστηριακή συσκευή χρησιμοποιεί χαλύβδινα τεμάχια για να μιμείται στενά τις φυσικές δυνάμεις στην εργασία σε πραγματικό σεισμό και καταγράφει επίσης τα σεισμικά σήματα και τους ήχους που εκπέμπονται. Στη συνέχεια, η μηχανική μάθηση χρησιμοποιείται για να βρεθεί η σχέση μεταξύ του ακουστικού σήματος που προέρχεται από το σφάλμα και του πόσο κοντά είναι στην αποτυχία.

Ο αλγόριθμος εκμάθησης μηχανής ήταν σε θέση να προσδιορίσει ένα συγκεκριμένο πρότυπο στον ήχο, που προηγουμένως θεωρείται ότι δεν είναι τίποτα περισσότερο από ένας απλός θόρυβος, το οποίο συμβαίνει πολύ πριν από ένα σεισμό. Τα χαρακτηριστικά αυτού του ηχητικού σχεδίου μπορούν να χρησιμοποιηθούν για να δώσουν μια ακριβή εκτίμηση της πίεσης στο σφάλμα (δηλαδή, πόση δύναμη βρίσκεται κάτω) και να υπολογίσει το χρόνο που απομένει πριν από την αποτυχία. Η ομάδα πιστεύει τώρα ότι αυτό το ηχητικό μοτίβο είναι ένα άμεσο μέτρο της ελαστικής ενέργειας που βρίσκεται στο σύστημα σε μια δεδομένη στιγμή.

“Αυτή είναι η πρώτη φορά που η μηχανική μάθηση έχει χρησιμοποιηθεί για να αναλύσει ακουστικά δεδομένα για να προβλέψουμε πότε θα συμβεί ένας σεισμός, πολύ πριν από αυτό, έτσι ώστε να μπορεί να δοθεί αρκετός χρόνος προειδοποίησης – είναι απίστευτο αυτό που μπορεί να κάνει η μηχανική μάθηση” ανέφερε ο καθηγητής Sir Colin Humphreys του Τμήματος Επιστήμης και Μεταλλουργίας του Cambridge, του οποίου ο κύριος τομέας έρευνας είναι οι ενεργειακά αποδοτικές και οικονομικά αποδοτικές λυχνίες LED.

“Η μηχανική μάθηση επιτρέπει την ανάλυση των συνόλων δεδομένων για να χειρίζεται χειροκίνητα και να εξετάζει λεπτομερέστερα τα δεδομένα με αμερόληπτο τρόπο που καθιστά εφικτές τις ανακαλύψεις”, δήλωσε ο Rouet-Leduc.

Αν και οι ερευνητές προειδοποιούν ότι υπάρχουν πολλαπλές διαφορές μεταξύ ενός εργαστηριακού πειράματος και ενός πραγματικού σεισμού, ελπίζουν να αυξήσουν σταδιακά την προσέγγισή τους, εφαρμόζοντάς την σε πραγματικά συστήματα που μοιάζουν περισσότερο με το εργαστηριακό τους σύστημα.

Μία τέτοια τοποθεσία βρίσκεται στην Καλιφόρνια κατά μήκος του San Andreas, όπου οι χαρακτηριστικοί μικροί σεισμοί είναι παρόμοιοι με εκείνους στον εργαστηριακό προσομοιωτή σεισμού. Επίσης, σημειώνεται πρόοδος στο πρόβλημα του Cascadia στο Βορειοδυτικό Ειρηνικό των Ηνωμένων Πολιτειών, όπου οι επαναλαμβανόμενες αργές σεισμικές δονήσεις που συμβαίνουν ανά εβδομάδες ή μήνες είναι επίσης πολύ παρόμοιες με τους εργαστηριακούς σεισμούς.

«Είμαστε σε ένα σημείο όπου οι τεράστιες εξελίξεις στον τομέα των οργάνων, της μηχανικής μάθησης, των ταχύτερων υπολογιστών και της ικανότητάς μας να χειρίζουμε μαζικά σύνολα δεδομένων θα μπορούσαν να επιφέρουν τεράστιες προόδους στην επιστήμη των σεισμών », δήλωσε ο Rouet-Leduc.

ΑΦΗΣΤΕ ΜΙΑ ΑΠΑΝΤΗΣΗ

Παρακαλώ εισάγετε το σχόλιο σας!
Παρακαλώ εισάγετε το όνομά σας