Ang isang nobelang artificial intelligence approach ay maaaring makatulong na mahulaan ang lokasyon ng mga aftershocks pagkatapos ng isang lindol
An lindol ay isang phenomenon na dulot kapag bato sa ilalim ng lupa sa Earth's biglang nabasag ang crust sa paligid ng isang geological fault line. Nagiging sanhi ito ng mabilis na pagpapalabas ng enerhiya na gumagawa ng mga seismic wave na pagkatapos ay yumanig sa lupa at ito ang sensasyong nahulog sa panahon ng lindol. Ang lugar kung saan nabasag ang bato ay tinatawag na pokus ng lindol at ang lugar sa itaas nito sa lupa ay tinatawag na 'epicenter'. Ang enerhiyang inilabas ay sinusukat bilang magnitude, isang sukat upang ilarawan kung gaano kalakas ang isang lindol. Ang lindol na magnitude 2 ay halos hindi mahahalata at maitatala lamang sa pamamagitan ng paggamit ng sensitibong espesyal na kagamitan, habang lindol na higit sa magnitude 8 ay maaaring maging sanhi ng kapansin-pansing pagyanig ng lupa nang napakalakas. Ang isang lindol ay karaniwang sinusundan ng maraming mga aftershock na nagaganap sa pamamagitan ng isang katulad na mekanismo at kung saan ay pantay na nagwawasak at maraming beses ang kanilang intensity at kalubhaan ay katulad ng orihinal na lindol. Ang ganitong mga pagyanig pagkatapos ng lindol ay karaniwang nangyayari sa loob ng unang oras o isang araw pagkatapos ng pangunahing lindol. Ang pagtataya sa spatial na pamamahagi ng mga aftershocks ay napakahirap.
Ang mga siyentipiko ay bumuo ng mga empirical na batas upang ilarawan ang laki at oras ng mga aftershocks ngunit ang pagtukoy sa kanilang lokasyon ay isang hamon pa rin. Ang mga mananaliksik sa Google at Harvard University ay gumawa ng bagong diskarte para sa pagtatasa lindol at pagtataya ng lokasyon ng mga aftershocks gamit ang artificial intelligence technology sa kanilang pag-aaral na inilathala sa Kalikasan. Partikular nilang ginamit ang machine learning – isang aspeto ng artificial intelligence. Sa diskarte sa pag-aaral ng makina, ang isang makina ay 'natututo' mula sa isang set ng data at pagkatapos makuha ang kaalamang ito ay magagamit nito ang impormasyong ito upang gumawa ng mga hula tungkol sa mas bagong data.
Sinuri muna ng mga mananaliksik ang isang database ng mga pandaigdigang lindol gamit ang mga algorithm ng malalim na pag-aaral. Ang malalim na pag-aaral ay isang advanced na uri ng machine learning kung saan sinusubukan at ginagaya ng mga neural network ang proseso ng pag-iisip ng utak ng tao. Susunod, nilalayon nilang magawa manghula Ang mga aftershocks ay mas mahusay kaysa sa random na paghula at subukang lutasin ang problema kung saan magaganap ang mga aftershocks. Ang mga obserbasyon na nakolekta mula sa higit sa 199 malalaking lindol sa buong mundo ay ginamit na binubuo ng humigit-kumulang 131,000 mga pares ng mainshock-aftershock. Ang impormasyong ito ay pinagsama sa isang physics-based na modelo na naglalarawan kung paano Lupa magiging pilit at maigting pagkatapos ng isang lindol na mag-trigger ng aftershocks. Gumawa sila ng 5 kilometrong parisukat na grids sa loob kung saan susuriin ng system ang isang aftershock. Ang neural network ay bubuo ng mga ugnayan sa pagitan ng mga strain na dulot ng pangunahing lindol at ang lokasyon ng mga aftershocks. Sa sandaling nasanay nang husto ang neural network system sa ganitong paraan, nahulaan nito nang tumpak ang lokasyon ng mga aftershocks. Ang pag-aaral ay lubhang mahirap dahil gumamit ito ng kumplikadong real-world na data ng mga lindol. Ang mga mananaliksik ay kahalili na nag-set up artipisyal at uri ng 'ideal' na lindol upang lumikha ng mga pagtataya at pagkatapos ay suriin ang mga hula. Sa pagtingin sa output ng neural network, sinubukan nilang suriin kung anong iba't ibang 'dami' ang malamang na makontrol ang pagtataya ng mga aftershocks. Pagkatapos gumawa ng mga spatial na paghahambing, ang mga mananaliksik ay nakarating sa isang konklusyon na ang isang tipikal na pattern ng aftershock ay pisikal na 'naipaliwanag'. Iminumungkahi ng koponan na ang isang dami na tinatawag na pangalawang variant ng deviatoric stress tension - simpleng tinatawag na J2 - ang may hawak ng susi. Ang dami na ito ay lubos na nabibigyang-kahulugan at karaniwang ginagamit sa metalurhiya at iba pang larangan ngunit hindi pa kailanman ginamit para sa pag-aaral ng mga lindol.
Ang mga aftershocks ng lindol ay nagdudulot ng karagdagang pinsala, pinsala sa mga ari-arian at humahadlang din sa mga pagsisikap sa pagsagip samakatuwid ay hinuhulaan na ang mga ito ay makakapagligtas ng buhay para sa sangkatauhan. Maaaring hindi posible ang real time forecast sa mismong sandaling ito dahil ang kasalukuyang mga modelo ng AI ay maaaring harapin ang isang partikular na uri ng aftershock at simpleng geological fault line lamang. Mahalaga ito dahil ang mga geological fault lines ay may iba't ibang geometry sa magkakaibang heograpikal na lokasyon sa planeta. Kaya, maaaring hindi ito kasalukuyang naaangkop sa iba't ibang uri ng lindol sa buong mundo. Gayunpaman, mukhang angkop ang teknolohiya ng artificial intelligence para sa mga lindol dahil sa n bilang ng mga variable na kailangang isaalang-alang kapag pinag-aaralan ang mga ito, halimbawa lakas ng shock, posisyon ng mga tectonic plates atbp.
Ang mga neural network ay idinisenyo upang mapabuti sa paglipas ng panahon, ibig sabihin, habang mas maraming data ang ipinapasok sa isang system, mas maraming pag-aaral ang nagaganap at ang system ay patuloy na bumubuti. Sa hinaharap, ang ganitong sistema ay maaaring maging mahalagang bahagi ng mga sistema ng hula na ginagamit ng mga seismologist. Ang mga tagaplano ay maaari ding magpatupad ng mga hakbang na pang-emerhensiya batay sa kaalaman sa pag-uugali ng lindol. Gusto ng team na gumamit ng artificial intelligence technology para mahulaan ang magnitude ng mga lindol.
***
{Maaari mong basahin ang orihinal na papel ng pananaliksik sa pamamagitan ng pag-click sa link ng DOI na ibinigay sa ibaba sa listahan ng (mga) binanggit na pinagmulan}
Pinagmulan (s)
DeVries PMR et al. 2018. Malalim na pag-aaral ng mga pattern ng aftershock kasunod ng malalaking lindol. Kalikasan560 (7720).
https://doi.org/10.1038/s41586-018-0438-y
***
