För allt som seismologer har lärt sig om jordbävningar, ny teknik visar hur mycket som återstår att upptäcka.

I en ny studie i Vetenskapliga framsteg , forskare vid Columbia University visar att algoritmer för maskininlärning kan välja olika typer av jordbävningar från tre års jordbävningsinspelningar på The Geysers i Kalifornien, en av världens äldsta och största geotermiska reservoarer. De upprepande mönstren för jordbävningar tycks matcha säsongens höjning och fall av vatteninjektionsflöden in i de heta klipporna nedanför, föreslår en länk till de mekaniska processerna som får stenar att glida eller spricka, utlöser en jordbävning.

"Det är ett helt nytt sätt att studera jordbävningar, "sa studiemedförfattaren Benjamin Holtzman, en geofysiker vid Columbia's Lamont-Doherty Earth Observatory. "Dessa maskininlärningsmetoder plockar ut mycket subtila skillnader i rådata som vi bara lär oss tolka."

Tillvägagångssättet är nytt på flera sätt. Forskarna sammanställde en katalog med 46, 000 jordbävningsinspelningar, var och en representerad som energivågor i ett seismogram. De kartlade sedan förändringar i vågornas frekvens genom tiden, som de plottade som ett spektrogram - ett slags musikalisk färdplan för vågornas växlande ställningar, skulle de konverteras till ljud. Seismologer analyserar vanligtvis seismogram för att uppskatta en jordbävnings storlek och var den kommer från. Men att titta på en jordbävnings frekvensinformation i stället tillät forskarna att tillämpa maskininlärningsverktyg som kan plocka ut mönster i musik och mänskligt tal med minimal mänsklig input. Med dessa verktyg, forskarna reducerade varje jordbävning till ett spektralt "fingeravtryck" vilket återspeglar dess subtila skillnader från de andra skalven, och använde sedan en klusteralgoritm för att sortera fingeravtryck i grupper.

Maskininlärningshjälpen hjälpte forskare att göra länken till de fluktuerande mängderna av vatten som injicerades under jorden under energiopptagningsprocessen, ger forskarna en möjlig förklaring till varför datorn samlade signalerna som den gjorde. "Arbetet nu är att undersöka dessa kluster med traditionella metoder och se om vi kan förstå fysiken bakom dem, "sa studiemedförfattaren Felix Waldhauser, en seismolog på Lamont-Doherty. "Vanligtvis har du en hypotes och testar den. Här bygger du en hypotes utifrån ett mönster som maskinen har hittat."

Om jordbävningarna i olika kluster kan kopplas till de tre mekanismer som vanligtvis genererar jordbävningar i en geotermisk reservoar - skjuvbrott, termisk fraktur och hydraulisk sprickbildning - det kan vara möjligt, säger forskarna, för att öka effekten i geotermiska reservoarer. Om ingenjörer kan förstå vad som händer i reservoaren i nära realtid, de kan experimentera med att kontrollera vattenflöden för att skapa fler små sprickor, och sålunda, uppvärmt vatten för att generera ånga och så småningom el. Dessa metoder kan också bidra till att minska sannolikheten för att utlösa större jordbävningar - på The Geysers, och någon annanstans pumpas vätska under jorden, inklusive vid bortskaffande av frackningsvätskor. Till sist, verktygen kan hjälpa till att identifiera varningstecknen på en stor på väg - en av seismologins heliga graal.

Forskningen växte fram ur ett ovanligt konstnärligt samarbete. Som musiker, Holtzman hade länge anpassats till de konstiga ljuden av jordbävningar. Med ljuddesignern Jason Candler, Holtzman hade omvandlat de seismiska vågorna av inspelningar av anmärkningsvärda jordbävningar till ljud, och sedan påskyndade dem för att göra dem begripliga för det mänskliga örat. Deras samarbete, med studieförfattare Douglas Repetto, blev grunden för Seismodome, en återkommande show på American Museum of Natural History's Hayden Planetarium som sätter människor inuti jorden för att uppleva den levande planeten.

När utställningen utvecklades, Holtzman började undra om det mänskliga örat kan ha ett intuitivt grepp om jordbävningsfysiken. I en rad experiment, han och studiemedförfattaren Arthur Paté, sedan en postdoktor vid Lamont-Doherty, bekräftade att människor kunde skilja mellan stormar som förökar sig genom havsbotten eller mer stel kontinental skorpa, och som härrör från ett drag- eller slagfel.

Uppmuntrad, och vill utöka forskningen, Holtzman nådde ut för att studera medförfattaren John Paisley, en elektroteknisk professor vid Columbia Engineering och Columbia's Data Science Institute. Holtzman ville veta om maskininlärningsverktyg kan upptäcka något nytt i en gigantisk dataset med jordbävningar. Han bestämde sig för att börja med data från The Geysers på grund av ett mångårigt intresse för geotermisk energi.

"Det var ett typiskt klusterproblem, "säger Paisley." Men med 46, 000 jordbävningar var det ingen enkel uppgift. "

Paisley kom med en trestegslösning. Först, en typ av ämnesmodelleringsalgoritm plockade ut de vanligaste frekvenserna i datamängden. Nästa, en annan algoritm identifierade de vanligaste frekvenskombinationerna i varje 10-sekunders spektrogram för att beräkna dess unika akustiska fingeravtryck. Till sist, en klusteralgoritm, utan att få veta hur man organiserar data, grupperade de 46, 000 fingeravtryck genom likhet. Numrering som kan ha tagit ett datorkluster flera veckor gjordes på några timmar på en bärbar dator tack vare ett annat verktyg, stokastisk variation, Paisley hade tidigare hjälpt till att utvecklas.

När forskarna matchade klustren mot genomsnittliga månatliga vatteninjektionsvolymer över The Geysers, ett mönster hoppade ut:En hög injektionshastighet på vintern, när städer skickar mer avrinningsvatten till området, förknippades med fler jordbävningar och en typ av signal. En låg injektionshastighet på sommaren motsvarade färre jordbävningar, och en separat signal, med övergångssignaler på våren och hösten.

Forskarna planerar att sedan tillämpa dessa metoder på inspelningar av andra naturligt förekommande jordbävningar liksom de som simuleras i labbet för att se om de kan koppla signaltyper till olika felprocesser. En annan studie som publicerades förra året i Geophysical Research Letters tyder på att de är på ett lovande spår. Ett team ledt av Los Alamos -forskaren Paul Johnson visade att maskininlärningsverktyg kunde plocka ut en subtil akustisk signal i data från laboratorieexperiment och förutsäga när nästa mikroskopiska jordbävning skulle inträffa. Även om naturfel är mer komplexa, forskningen tyder på att maskininlärning kan leda till insikter för att identifiera föregångare till stora jordbävningar.