Våra hem och kontor är bara lika fasta som marken under dem. När den fasta marken blir flytande - som ibland händer under jordbävningar - kan den välta byggnader och broar. Detta fenomen är känt som flytande, och det var ett viktigt inslag i jordbävningen 2011 i Christchurch, Nya Zeeland, en skalv på 6,3 som dödade 185 människor och förstörde tusentals hem.

En fördel med Christchurch-skalvet var att det var en av de mest väldokumenterade i historien. Eftersom Nya Zeeland är seismiskt aktivt, staden var utrustad med många sensorer för övervakning av jordbävningar. Spaning efter evenemanget gav en mängd ytterligare data om hur jorden reagerade över hela staden.

"Det är en enorm mängd data för vårt område, "sa postdoktoralforskare, Maria Giovanna Durante, en Marie Sklodowska Curie -stipendiat tidigare vid University of Texas i Austin (UT Austin). "Vi sa, 'Om vi ​​har tusentals datapunkter, kanske vi kan hitta en trend. '"

Durante arbetar med prof. Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering vid UT Austin och huvudutredaren för National Science Foundation-finansierade DesignSafe cyberinfrastruktur, som stöder forskning i samhället för naturfaror. Rathjes personliga forskning om kondensering fick henne att studera evenemanget i Christchurch. Hon hade tänkt på sätt att införliva maskininlärning i sin forskning och det här fallet verkade som ett bra ställe att börja.

"För en tid, Jag hade blivit imponerad av hur maskininlärning införlivades i andra områden, men det verkade som om vi aldrig hade tillräckligt med data inom geoteknik för att använda dessa metoder, "Sade Rathje." Men när jag såg flytande data komma ut från Nya Zeeland, Jag visste att vi hade en unik möjlighet att äntligen tillämpa AI -tekniker på vårt område. "

De två forskarna utvecklade en maskininlärningsmodell som förutspådde mängden sidorörelser som inträffade när jordbävningen i Christchurch fick jorden att tappa sin styrka och skifta i förhållande till omgivningen.

Resultaten publicerades online i Jordbävning Spectra april 2021.

"Det är en av de första maskininlärningsstudierna inom vårt område inom geoteknik, "Sa Durante.

Forskarna använde först ett Random Forest -tillvägagångssätt med en binär klassificering för att förutse om laterala spridningsrörelser inträffade på en specifik plats. De tillämpade sedan en klassificeringsmetod i flera klasser för att förutsäga förskjutningsmängden, från ingen till mer än 1 meter.

"Vi behövde lägga in fysiken i vår modell och kunna känna igen, förstå, och visualisera vad modellen gör, "Sa Durante." Av den anledningen, det var viktigt att välja specifika inmatningsfunktioner som passar det fenomen vi studerar. Vi använder inte modellen som en svart låda - vi försöker integrera vår vetenskapliga kunskap så mycket som möjligt. "

Durante och Rathje utbildade modellen med hjälp av data relaterade till den upplevda toppmarkskakningen (en utlösare för kondensering), djupet av vattennivån, den topografiska lutningen, och andra faktorer. Totalt, mer än 7, 000 datapunkter från ett litet område i staden användes för utbildningsdata - en stor förbättring, eftersom tidigare geotekniska maskininlärningsstudier endast använde 200 datapunkter.

De testade sin modell över hela världen på 2,5 miljoner platser runt jordbävningens epicentrum för att bestämma förskjutningen. Deras modell förutspådde om kondensering uppstod med 80% noggrannhet; det var 70% korrekt vid bestämning av förskjutningsmängden.

Forskarna använde Frontera superdator vid Texas Advanced Computing Center (TACC), en av världens snabbaste, att träna och testa modellen. TACC är en viktig partner i DesignSafe -projektet, tillhandahålla datorresurser, programvara, och förvaring till teknikområdet för naturfaror.

Tillgång till Frontera gav Durante och Rathje maskininlärningsmöjligheter i en skala som tidigare inte var tillgänglig för fältet. För att få fram den slutliga maskininlärningsmodellen krävs testning 2, 400 möjliga modeller.

"Det skulle ha tagit år att göra denna forskning någon annanstans, "Sa Durante." Om du vill köra en parametrisk studie, eller göra en omfattande analys, du måste ha beräkningskraft. "

Hon hoppas att deras maskininlärningsmodeller för kondensering en dag kommer att rikta de första svararna till de mest akuta behoven i efterdyningarna av en jordbävning. "Akutpersonal behöver vägledning om vilka områden, och vilka strukturer, riskerar att kollapsa mest och rikta sin uppmärksamhet där, " Hon sa.

Delning, Reproducerbarhet, och Access

För Rathje, Durante, och ett växande antal naturliga ingenjörer, en tidskriftspublikation är inte det enda resultatet av ett forskningsprojekt. De publicerar också all sin data, modeller, och metoder till DesignSafe -portalen, ett nav för forskning relaterad till orkanernas påverkan, jordbävningar, tsunamier, och andra naturliga risker för den byggda och naturliga miljön.

"Vi gjorde allt på projektet i DesignSafe -portalen, "Sa Durante." Alla kartor gjordes med QGIS, ett kartläggningsverktyg tillgängligt på DesignSafe, använder min dator som ett sätt att ansluta till cyberinfrastrukturen. "

För deras maskininlärningsmekanism, de skapade en Jupyter -anteckningsbok - en interaktiv, webbaserat dokument som innehåller datauppsättningen, koda, och analyser. Anteckningsboken låter andra forskare reproducera teamets resultat interaktivt, och testa maskininlärningsmodellen med egna data.

"Det var viktigt för oss att göra materialet tillgängligt och göra det reproducerbart, " Durante said. "We want the whole community to move forward with these methods."

This new paradigm of data-sharing and collaboration is central to DesignSafe and helps the field progress more quickly, according Joy Pauschke, program director in NSF's Directorate for Engineering.

"Researchers are beginning to use AI methods with natural hazards research data, with exciting results, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, de säger, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."