Att tillämpa djup inlärning på seismiska data har avslöjat att skakningar och glidningar förekommer hela tiden-före och efter kända storskaliga långsamma jordbävningar-snarare än intermittent i diskreta utbrott, som tidigare trott. Ännu mer överraskande, maskininlärningen generaliseras till andra tektoniska miljöer, inklusive San Andreas -felet.

"Arbetet säger oss att fysiken för friktion på fel verkar ha universella egenskaper - något vi misstänkte men inte kunde bevisa, "sa Bertrand Rouet-Leduc, en geofysiker i gruppen Geofysik vid Los Alamos National Laboratory och huvudförfattare på tidningen.

I forskningen, laget utbildade ett konvolutionellt neuralt nätverk - en form av djupinlärning - om en skakningskatalog som skapats av Aaron Wech vid University of Washington. Katalogen använder flera års seismogram från en seismisk station på Vancouver Island i Cascadia -regionen i Stillahavsområdet. Tremorhändelser som ursprungligen identifierades med multistationsmetoder utgjorde träningsuppsättningen. Teamet använde sedan deep learning -modellen för att hitta många fler evenemang.

Långsamma jordbävningar, som är kända för att ibland föregå stora jordbävningar på kontinentala förkastningar och i subduktionszoner, bygga stress cykliskt och kan utlösa stora jordbävningar i närliggande, mycket stressade låsta fel. Men även i Cascadia, ett tydligt fall av en mycket stressad, "låst och laddat" fel, tidigare forskning hade bara observerat intermittenta och diskreta långsamma jordbävningar och deras tillhörande skakningar.

Forskargruppen upptäckte att det neurala nätverket gav ett kontinuerligt mått på skakningar och placerade tydligare gränser för långsamma händelser än tidigare metoder hade fastställt. Betydande, det neurala nätverket identifierade svaga tremorsignaler månader innan traditionella metoder upptäckte långsam glidning genom att ibland mäta små höjdförändringar i landskapet.

"Studien tyder på att långsam glidning inom megatrustzoner inte är slumpmässig. Denna forskning är en del av ett arbete som berättar att prekursorer sker mycket oftare än man tidigare trott, i överensstämmelse med laboratorieexperiment och teori, sa Rouet-Leduc.

Pappret, "Söker långsamma jordbävningar med djup inlärning, "publicerades den 24 februari 2020 in Geofysiska forskningsbrev . Detta arbete är en del av pågående forskning i Los Alamos som har identifierat en kontinuerlig akustisk signal som sänds ut av långsamma händelser. Signalen kan läsas när som helst för att indikera den återstående tiden till felfel i både laboratorium och verkliga skalv.