Ein neuartiger Ansatz mit künstlicher Intelligenz könnte helfen, den Ort von Nachbeben nach einem Erdbeben vorherzusagen
An Erdbeben is a phenomenon caused when rock underground in the Der Erde crust suddenly breaks around a geological fault line. This causes rapid release of energy which produces seismic waves which then make the ground shake and this is the sensation we fell during an earthquake. The spot where the rock breaks is called focus of the Erdbeben and place above it on ground is called ‘epicentre’. The energy released is measured as magnitude, a scale to describe how energetic was an earthquake. An earthquake of magnitude 2 is barely perceptible and can be recorded only by using sensitive specialized equipment, while earthquakes of more than magnitude 8 can cause the ground to noticeably shake very hard. An earthquake is generally followed by many aftershocks occurring by a similar mechanism and which are equally devasting and many times their intensity and severity is similar to the original earthquake. Such post-quake tremors occur generally within the first hour or a day after the main earthquake. Forecasting spatial distribution of aftershocks is very challenging.
Wissenschaftler haben empirische Gesetze formuliert, um Größe und Zeit von Nachbeben zu beschreiben, aber ihre Lokalisierung ist immer noch eine Herausforderung. Forscher von Google und der Harvard University haben in ihrer in Natur. Sie nutzten gezielt maschinelles Lernen – einen Aspekt der künstlichen Intelligenz. Beim maschinellen Lernansatz „lernt“ eine Maschine aus einer Reihe von Daten und ist nach dem Erwerb dieses Wissens in der Lage, diese Informationen zu verwenden, um Vorhersagen über neuere Daten zu treffen.
Die Forscher analysierten zunächst eine Datenbank mit globalen Erdbeben mithilfe von Deep-Learning-Algorithmen. Deep Learning ist eine fortgeschrittene Art des maschinellen Lernens, bei der neuronale Netzwerke versuchen, den Denkprozess des menschlichen Gehirns nachzuahmen. Als nächstes wollten sie in der Lage sein, Prognose aftershocks better than random guessing and try to solve the problem of ‘where’ the aftershocks will occur. Observations collected from more than 199 major earthquakes around the world were utilized consisting of around 131,000 mainshock-aftershock pairs. This information was combined with a physics-based model which describing how Die Erde would be strained and tense after an earthquake which will then trigger aftershocks. They created 5 kilometer-square grids within which system would check for an aftershock. The neural network would then form relationships between strains caused by main earthquake and the location of aftershocks. Once neural network system was well-trained in this manner, it was able to predict location of aftershocks accurately. The study was extremely challenging as it used complex real-world data of earthquakes. Researchers alternatively set up künstlich und Art von "idealen" Erdbeben, um Vorhersagen zu erstellen und dann die Vorhersagen zu überprüfen. Mit Blick auf die Ausgabe neuronaler Netze versuchten sie zu analysieren, welche verschiedenen „Mengen“ wahrscheinlich die Vorhersage von Nachbeben steuern. Nach räumlichen Vergleichen kamen die Forscher zu dem Schluss, dass ein typisches Nachbebenmuster physikalisch „interpretierbar“ war. Das Team schlägt vor, dass eine Größe, die als zweite Variante der deviatorischen Stressspannung bezeichnet wird – einfach J2 genannt – den Schlüssel enthält. Diese Menge ist hochgradig interpretierbar und wird routinemäßig in der Metallurgie und anderen Bereichen verwendet, wurde jedoch noch nie zuvor zur Untersuchung von Erdbeben verwendet.
Aftershocks of earthquakes cause further injuries, damage properties and also hinder rescue efforts therefore predicting them would be life-saving for humanity. Real time forecast may not be possible at this very moment as the current AI models can deal with a particular type of aftershock and simple geological fault line only. This is important because geological fault lines have different geometry in diverse geographical location on the Planet. So, it may not be currently applicable to different type of earthquakes around the world. Nevertheless, artificial intelligence technology looks suitable for earthquakes because of n number of variables which need to considered when studying them, example strength of the shock, position of tectonic plates etc.
Neuronale Netze sind darauf ausgelegt, sich im Laufe der Zeit zu verbessern, dh je mehr Daten in ein System eingespeist werden, desto mehr Lernen findet statt und das System verbessert sich stetig. In Zukunft könnte ein solches System ein integraler Bestandteil von Vorhersagesystemen sein, die von Seismologen verwendet werden. Planer könnten auch Notfallmaßnahmen auf der Grundlage von Kenntnissen über das Erdbebenverhalten umsetzen. Das Team möchte mithilfe künstlicher Intelligenz die Stärke von Erdbeben vorhersagen.
***
{Sie können das ursprüngliche Forschungspapier lesen, indem Sie auf den unten angegebenen DOI-Link in der Liste der zitierten Quellen klicken}
Quelle (n)
DeVries PMR et al. 2018. Deep Learning von Nachbebenmustern nach großen Erdbeben. Natur560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
