• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Naturen
    Maskininlärningsdetekterad signal förutspår tid till jordbävning

    Los Alamos National Laboratory-forskare tillämpade maskininlärningsexpertis för att förutsäga skalv längs Cascadia, ett 700 mil långt fel från norra Kalifornien till södra British Columbia som flankerar städer som Seattle. Resultaten publiceras idag i två artiklar i Naturgeovetenskap . Upphovsman:Los Alamos National Laboratory

    Maskininlärningsforskning publicerad i två relaterade artiklar idag i Naturgeovetenskap rapporterar upptäckten av seismiska signaler som exakt förutsäger Cascadia -felets långsamma glidning, en typ av fel som observerats före stora jordbävningar i andra subduktionszoner.

    Los Alamos National Laboratory -forskare tillämpade maskininlärning för att analysera Cascadia -data och upptäckte att megathrust -sändningarna ständigt skakade, ett fingeravtryck av felets förskjutning. Mer viktigt, de hittade en direkt parallell mellan ljudstyrkan i felets akustiska signal och dess fysiska förändringar. Cascadias stön, tidigare rabatterat som meningslöst buller, förutsade dess bräcklighet.

    "Cascadias beteende begravdes i data. Tills maskininlärning avslöjade exakta mönster, vi kastade alla den kontinuerliga signalen som brus, men den var full av rik information. Vi upptäckte ett mycket förutsägbart ljudmönster som indikerar glidning och felfel, "sa Los Alamos -forskaren Paul Johnson." Vi hittade också en exakt koppling mellan bräckligheten i felet och signalens styrka, vilket kan hjälpa oss att mer exakt förutsäga en megakväll. "

    De nya tidningarna författades av Johnson, Bertrand Rouet-Leduc och Claudia Hulbert från laboratoriets jord- och miljövetenskapsavdelning, Christopher Ren från Laboratory's Intelligence and Space Research Division och medarbetare vid Pennsylvania State University.

    Maskininlärning krossar massiva seismiska datamängder för att hitta distinkta mönster genom att lära av självjusterande algoritmer för att skapa beslutsträd som väljer och testar en rad frågor och svar. Förra året, laget simulerade en jordbävning i ett laboratorium, använda stålblock som interagerar med stenar och kolvar, och spelade in ljud som de analyserade genom maskininlärning. De upptäckte att de många seismiska signalerna, tidigare rabatterat som meningslöst buller, fastställt när det simulerade felet skulle glida, ett stort framsteg mot förutsägelser av jordbävningar. Snabbare, kraftfullare skalv hade starkare signaler.

    Teamet bestämde sig för att tillämpa sitt nya paradigm på den verkliga världen:Cascadia. Ny forskning visar att Cascadia har varit aktiv, men noterad aktivitet har varit till synes slumpmässig. Detta team analyserade 12 års verklig data från seismiska stationer i regionen och hittade liknande signaler och resultat:Cascadias konstanta skakningar kvantifierar förskjutningen av den långsamt glidande delen av subduktionszonen. I laboratoriet, författarna identifierade en liknande signal som exakt förutspådde ett brett spektrum av felfel. Noggrann övervakning i Cascadia kan ge ny information om den låsta zonen för att tillhandahålla ett system för tidig varning.


    © Vetenskap https://sv.scienceaq.com