Por tudo o que os sismólogos aprenderam sobre terremotos, novas tecnologias mostram o quanto ainda falta descobrir.

Em um novo estudo em Avanços da Ciência , pesquisadores da Universidade de Columbia mostram que algoritmos de aprendizado de máquina podem identificar diferentes tipos de terremotos em três anos de registros de terremotos no The Geysers, na Califórnia, um dos maiores e mais antigos reservatórios geotérmicos do mundo. Os padrões repetidos de terremotos parecem corresponder à ascensão e queda sazonais dos fluxos de injeção de água nas rochas quentes abaixo, sugerindo uma ligação com os processos mecânicos que fazem com que as rochas deslizem ou quebrem, desencadeando um terremoto.

"É uma forma totalmente nova de estudar terremotos, "disse o co-autor do estudo Benjamin Holtzman, geofísico do Observatório Terrestre Lamont-Doherty de Columbia. "Esses métodos de aprendizado de máquina identificam diferenças muito sutis nos dados brutos que estamos aprendendo a interpretar."

A abordagem é nova de várias maneiras. Os pesquisadores montaram um catálogo de 46, 000 gravações de terremotos, cada um representado como ondas de energia em um sismograma. Eles então mapearam as mudanças na frequência das ondas ao longo do tempo, que eles traçaram como um espectrograma - uma espécie de roteiro musical das mudanças de tom das ondas, se eles fossem convertidos em som. Os sismólogos normalmente analisam os sismogramas para estimar a magnitude de um terremoto e sua origem. Mas olhar para as informações de frequência de um terremoto permitiu aos pesquisadores aplicar ferramentas de aprendizado de máquina que podem detectar padrões na música e na fala humana com o mínimo de intervenção humana. Com essas ferramentas, os pesquisadores reduziram cada terremoto a uma "impressão digital" espectral refletindo suas diferenças sutis em relação aos outros terremotos, e então usou um algoritmo de agrupamento para classificar as impressões digitais em grupos.

A assistência de aprendizado de máquina ajudou os pesquisadores a fazer a ligação com as quantidades flutuantes de água injetada abaixo do solo durante o processo de extração de energia, dando aos pesquisadores uma possível explicação de por que o computador agrupou os sinais daquela forma. "O trabalho agora é examinar esses clusters com métodos tradicionais e ver se podemos entender a física por trás deles, "disse o co-autor do estudo Felix Waldhauser, um sismólogo em Lamont-Doherty. "Normalmente você tem uma hipótese e a testa. Aqui, você está construindo uma hipótese a partir de um padrão que a máquina encontrou."

Se os terremotos em diferentes aglomerados podem ser ligados aos três mecanismos que normalmente geram terremotos em um reservatório geotérmico - fratura por cisalhamento, fratura térmica e rachadura hidráulica - pode ser possível, os pesquisadores dizem, para aumentar a produção de energia em reservatórios geotérmicos. Se os engenheiros puderem entender o que está acontecendo no reservatório em tempo quase real, eles podem experimentar controlar os fluxos de água para criar mais pequenas rachaduras, e assim, água aquecida para gerar vapor e, eventualmente, eletricidade. Esses métodos também podem ajudar a reduzir a probabilidade de desencadear terremotos maiores - em The Geysers, e em qualquer outro lugar o fluido é bombeado para o subsolo, inclusive em locais de descarte de fluido de fraturamento hidráulico. Finalmente, as ferramentas podem ajudar a identificar os sinais de alerta de um grande problema a caminho - um dos santos graais da sismologia.

A pesquisa surgiu de uma colaboração artística incomum. Como músico, Holtzman há muito estava sintonizado com os sons estranhos de terremotos. Com o designer de som Jason Candler, Holtzman converteu as ondas sísmicas de gravações de terremotos notáveis ​​em sons, e então os acelerou para torná-los inteligíveis ao ouvido humano. A colaboração deles, com o co-autor do estudo Douglas Repetto, tornou-se a base para o Seismodome, uma mostra recorrente no Planetário Hayden do Museu Americano de História Natural que coloca as pessoas dentro da Terra para experimentar o planeta vivo.

Conforme a exposição evoluiu, Holtzman começou a se perguntar se o ouvido humano poderia ter uma compreensão intuitiva da física dos terremotos. Em uma série de experimentos, ele e o co-autor do estudo Arthur Paté, em seguida, um pesquisador de pós-doutorado em Lamont-Doherty, confirmaram que os humanos podiam distinguir entre tremores que se propagam pelo fundo do mar ou crosta continental mais rígida, e originado de uma falha de impulso ou falha de deslizamento.

Encorajado, e procurando expandir a pesquisa, Holtzman estendeu a mão para estudar o co-autor John Paisley, professor de engenharia elétrica da Columbia Engineering e do Columbia's Data Science Institute. Holtzman queria saber se as ferramentas de aprendizado de máquina poderiam detectar algo novo em um gigantesco conjunto de dados de terremotos. Ele decidiu começar com dados da The Geysers por causa de um interesse antigo em energia geotérmica.

"Era um problema típico de agrupamento, "diz Paisley." Mas com 46, 000 terremotos, não foi uma tarefa simples. "

Paisley apresentou uma solução em três etapas. Primeiro, um tipo de algoritmo de modelagem de tópicos selecionou as frequências mais comuns no conjunto de dados. Próximo, outro algoritmo identificou as combinações de frequência mais comuns em cada espectrograma de 10 segundos para calcular sua impressão digital acústica única. Finalmente, um algoritmo de agrupamento, sem ser instruído a organizar os dados, agrupou os 46, 000 impressões digitais por semelhança. A análise de números que poderia levar várias semanas para um cluster de computador foi feita em poucas horas em um laptop graças a outra ferramenta, inferência variacional estocástica, Paisley já havia ajudado a se desenvolver.

Quando os pesquisadores compararam os clusters com os volumes médios mensais de injeção de água nos Geysers, um padrão saltou:uma alta taxa de injeção no inverno, à medida que as cidades enviam mais água de escoamento para a área, foi associado a mais terremotos e um tipo de sinal. Uma baixa taxa de injeção de verão correspondeu a menos terremotos, e um sinal separado, com sinais de transição na primavera e no outono.

Os pesquisadores planejam em seguida aplicar esses métodos a registros de outros terremotos que ocorrem naturalmente, bem como aqueles simulados em laboratório para ver se eles podem vincular tipos de sinal com diferentes processos de falha. Outro estudo publicado no ano passado na Geophysical Research Letters sugere que eles estão em um caminho promissor. Uma equipe liderada pelo pesquisador de Los Alamos, Paul Johnson, mostrou que as ferramentas de aprendizado de máquina podiam detectar um sinal acústico sutil em dados de experimentos de laboratório e prever quando o próximo terremoto microscópico ocorreria. Embora as falhas naturais sejam mais complexas, a pesquisa sugere que o aprendizado de máquina pode levar a insights para identificar os precursores de grandes terremotos.