• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Natureza
    Aprendizado de máquina usado para prever terremotos em um ambiente de laboratório

    Foto aérea da falha de San Andreas na planície de Carrizo, noroeste de Los Angeles. Crédito:Wikipedia.

    Um grupo de pesquisadores do Reino Unido e dos Estados Unidos usou técnicas de aprendizado de máquina para prever terremotos com sucesso. Embora seu trabalho tenha sido realizado em um ambiente de laboratório, o experimento imita de perto as condições da vida real, e os resultados podem ser usados ​​para prever o momento de um terremoto real.

    O time, da Universidade de Cambridge, Laboratório Nacional de Los Alamos e Universidade de Boston, identificou um sinal oculto que leva a terremotos, e usou essa 'impressão digital' para treinar um algoritmo de aprendizado de máquina para prever futuros terremotos. Seus resultados, que também pode ser aplicado a avalanches, deslizamentos de terra e muito mais, são relatados na revista Geophysical Review Letters.

    Para geocientistas, prever o momento e a magnitude de um terremoto é uma meta fundamental. De um modo geral, identificar onde um terremoto ocorrerá é bastante simples:se um terremoto atingiu um determinado lugar antes, as chances são de que atinja lá novamente. As questões que desafiam os cientistas há décadas são como identificar quando ocorrerá um terremoto, e quão severo será. Nos últimos 15 anos, avanços na precisão do instrumento foram feitos, mas uma técnica confiável de previsão de terremotos ainda não foi desenvolvida.

    Como parte de um projeto que busca maneiras de usar técnicas de aprendizado de máquina para tornar os LEDs de nitreto de gálio (GaN) mais eficientes, o primeiro autor do estudo, Bertrand Rouet-Leduc, que era então aluno de doutorado em Cambridge, mudou-se para o Laboratório Nacional de Los Alamos no Novo México para iniciar uma colaboração em aprendizado de máquina em ciência de materiais entre a Universidade de Cambridge e Los Alamos. A partir daí, a equipe começou a ajudar o grupo de geofísica de Los Alamos em questões de aprendizado de máquina.

    A equipe de Los Alamos, liderado por Paul Johnson, estuda as interações entre terremotos, tremores precursores (frequentemente movimentos de terra muito pequenos) e falhas, com a esperança de desenvolver um método para prever terremotos. Usando um sistema baseado em laboratório que imita terremotos reais, os pesquisadores usaram técnicas de aprendizado de máquina para analisar os sinais acústicos vindos da "falha" conforme ela se movia e buscar padrões.

    O aparelho de laboratório usa blocos de aço para imitar de perto as forças físicas em ação em um terremoto real, e também registra os sinais sísmicos e sons que são emitidos. O aprendizado de máquina é então usado para encontrar a relação entre o sinal acústico proveniente da falha e o quão perto está da falha.

    O algoritmo de aprendizado de máquina foi capaz de identificar um padrão específico no som, anteriormente pensado para ser nada mais do que ruído, que ocorre muito antes de um terremoto. As características deste padrão de som podem ser usadas para dar uma estimativa precisa (dentro de uma pequena porcentagem) da tensão na falha (isto é, a que força está) e para estimar o tempo restante antes da falha, que fica mais e mais preciso conforme a falha se aproxima. A equipe agora pensa que esse padrão de som é uma medida direta da energia elástica que está no sistema em um determinado momento.

    "Esta é a primeira vez que o aprendizado de máquina é usado para analisar dados acústicos para prever quando ocorrerá um terremoto, muito antes disso, para que haja bastante tempo de aviso - é incrível o que o aprendizado de máquina pode fazer, "disse o co-autor do professor Sir Colin Humphreys, do Departamento de Ciência e Metalurgia de Materiais de Cambridge, cuja principal área de pesquisa são os LEDs de baixo custo e eficiência energética. Humphreys foi o supervisor de Rouet-Leduc quando ele era um estudante de doutorado em Cambridge.

    "O aprendizado de máquina permite a análise de conjuntos de dados muito grandes para manipular manualmente e analisa os dados de uma forma imparcial que permite que as descobertas sejam feitas, "disse Rouet-Leduc.

    Embora os pesquisadores avisem que existem várias diferenças entre um experimento baseado em laboratório e um terremoto real, eles esperam expandir progressivamente sua abordagem, aplicando-a a sistemas reais que mais se assemelham a seus sistemas de laboratório. Um desses locais fica na Califórnia, ao longo da falha de San Andreas, onde pequenos terremotos de repetição característicos são semelhantes aos do simulador de terremoto baseado em laboratório. Progresso também está sendo feito na falha de Cascadia no noroeste do Pacífico dos Estados Unidos e na Colúmbia Britânica, Canadá, onde terremotos lentos repetidos que ocorrem ao longo de semanas ou meses também são muito semelhantes aos terremotos de laboratório.

    "Estamos em um ponto em que grandes avanços na instrumentação, aprendizado de máquina, computadores mais rápidos e nossa capacidade de lidar com enormes conjuntos de dados podem trazer enormes avanços na ciência de terremotos, "disse Rouet-Leduc.


    © Ciência https://pt.scienceaq.com