Utmaningen att analysera jordbävningssignaler med optimal precision växer tillsammans med mängden tillgänglig seismisk data. Vid Karlsruhe Institute of Technology (KIT), forskare har utplacerat ett neuralt nätverk för att bestämma ankomsttiden för seismiska vågor och därmed exakt lokalisera jordbävningens epicentrum. I sin rapport i Seismologiska forskningsbrev tidning, de påpekar att artificiell intelligens kan utvärdera data med samma precision som en erfaren seismolog.

För att exakt lokalisera en jordbävningshändelse, det är avgörande att bestämma den exakta ankomsttiden för majoriteten av de seismiska vågorna vid seismometerstationen (den så kallade fasankomsten). Utan denna kunskap, ytterligare exakta seismologiska utvärderingar är inte möjliga. Sådana utvärderingar kan vara mycket användbara för att förutsäga efterskalv som ibland orsakar allvarligare skador än den första stora jordbävningen. Genom att exakt lokalisera epicentret, även fysiska processer som sker djupt inne i jorden kan bättre urskiljas, och detta, i tur och ordning, tillåter slutsatser om strukturen av jordens inre. "Våra resultat visar att artificiell intelligens avsevärt kan förbättra jordbävningsanalyser – inte bara med stöd av stora datavolymer, men också om endast en begränsad datauppsättning är tillgänglig, " förklarar professor Andreas Rietbrock från Geophysical Institute (GPI) vid KIT.

Utvärderingen av de registrerade seismogrammen, som kallas fasplockning, hjälper till att bestämma ankomsttiderna för de enskilda faserna. Traditionellt, detta är en manuell procedur. Precisionen vid manuell fasplockning kan påverkas av den ansvariga seismologens subjektivitet. Mest anmärkningsvärt, dock, en manuell utvärdering kräver under tiden oacceptabel tid och personalresurser, på grund av den växande mängden seismiska data och den högre tätheten hos seismometernätverken. Automatisk utvärdering har blivit nödvändig för att snabbt kunna utnyttja all tillgänglig data. Verkligen, de fasplockningsalgoritmer som hittills utvecklats kan inte leverera den precision som uppnåtts med manuell plockning av en erfaren seismolog – på grund av den extrema komplexiteten i bildandet och fortplantningen av jordbävningar, med många fysiska processer som verkar på det seismiska vågfältet.

Artificiell intelligens (AI), dock, kan matcha den mänskliga precisionen vid utvärdering av dessa data. Detta har nu avslöjats av forskare från GPI, universitetet i Liverpool, och universitetet i Granada. Enligt deras rapport i Seismologiska forskningsbrev tidning, forskarna använde ett konvolutionellt neuralt nätverk (CNN) för att fastställa fasdebuten i ett seismiskt nätverk i Chile. CNN är inspirerade av biologiska neurala system och arrangerade i olika nivåer av sammankopplade artificiella neuroner. I så kallad Deep Learning, vilket är en av maskininlärningsmetoderna, upptäckta och inlärda funktioner överförs från en nivå till nästa, förfinas mer och mer i denna process.

Under en jordbävning, olika typer av seismiska vågor utbreder sig genom jorden. Huvudtyperna kallas kompressions- eller primärvågor (P-vågor) och skjuvvågor eller sekundära vågor (S-vågor). Först, ju snabbare P-vågor anländer till den seismologiska stationen, följt av de långsammare S-vågorna. Seismiska vågor kan registreras i seismogram. Forskarna tränade CNN med en relativt liten datauppsättning som täcker 411 jordbävningshändelser i norra Chile. Sedan, CNN fastställde ankomsttiden för okända P-faser och S-faser, samtidigt som den matchar precisionen som en erfaren seismolog med manuell plockning eller till och med levererar en högre precision än en klassisk plockalgoritm.