Vasculhando dados sísmicos históricos, pesquisadores usando um modelo de aprendizado de máquina descobriram características estatísticas distintas que marcam o estágio formativo de rupturas de deslizamento lento na crosta terrestre meses antes de tremor ou dados de GPS detectarem um deslizamento nas placas tectônicas. Dada a semelhança entre eventos de deslizamento lento e terremotos clássicos, essas assinaturas distintas podem ajudar os geofísicos a entender o momento dos terremotos mais rápidos e devastadores também.

"O modelo de aprendizado de máquina descobriu que, perto do final do ciclo de deslizamento lento, um instantâneo dos dados é impresso com informações fundamentais sobre a próxima falha do sistema, "disse Claudia Hulbert, um geofísico computacional da ENS e do Laboratório Nacional de Los Alamos e principal autor do estudo, publicado hoje em Nature Communications . "Nossos resultados sugerem que a ruptura por deslizamento lento pode ser previsível, e porque eventos de deslizamento lento têm muito em comum com terremotos, eventos de deslizamento lento podem fornecer uma maneira mais fácil de estudar a física fundamental da ruptura da Terra. "

Eventos de deslizamento lento são terremotos que sacodem suavemente o solo por dias, meses, ou mesmo anos, não irradiam ondas sísmicas de grande amplitude, e muitas vezes passam despercebidos pela pessoa média. Os terremotos clássicos com os quais a maioria das pessoas está familiarizada rompem o solo em minutos. Em uma determinada área, eles também acontecem com menos frequência, tornando os terremotos maiores mais difíceis de estudar com as técnicas de aprendizado de máquina que consomem muitos dados.

A equipe analisou ondas sísmicas contínuas cobrindo o período de 2009 a 2018 da Rede Sísmica do Noroeste do Pacífico, que rastreia os movimentos da terra na região de Cascadia. Nesta zona de subducção, durante um evento de deslizamento lento, a placa norte-americana balança para sudoeste sobre a placa Juan de Fuca aproximadamente a cada 14 meses. O conjunto de dados se prestou bem à abordagem de aprendizado de máquina supervisionada desenvolvida em experimentos de terremoto de laboratório pelos colaboradores da equipe de Los Alamos e usada para este estudo.

A equipe calculou uma série de recursos estatísticos ligados à energia do sinal em sinais de baixa amplitude, faixas de frequência que seu trabalho anterior identificou como as mais informativas sobre o comportamento do sistema geológico. O recurso mais importante para prever o deslizamento lento nos dados de Cascadia é a energia sísmica, que corresponde à energia sísmica, em particular bandas de frequência associadas a eventos de deslizamento lento. De acordo com o jornal, deslizamento lento muitas vezes começa com uma aceleração exponencial na falha, uma força tão pequena que ilude a detecção por sensores sísmicos.

"Para a maioria dos eventos, podemos ver as assinaturas de ruptura iminente de semanas a meses antes da ruptura, "Hulbert disse." Eles são semelhantes o suficiente de um ciclo de evento para o próximo, de modo que um modelo treinado em dados anteriores pode reconhecer as assinaturas em dados de vários anos depois. Mas ainda é uma questão em aberto se isso se mantém por longos períodos de tempo. "

A hipótese da equipe de pesquisa sobre o sinal que indica a formação de um evento de deslizamento lento se alinha com outro trabalho recente de Los Alamos e outros detectando choques de pequena amplitude na Califórnia. Esse trabalho descobriu que os abalos sísmicos podem ser observados em média duas semanas antes da maioria dos terremotos de magnitude maior que 4.

Os algoritmos de aprendizado de máquina supervisionados de Hulbert e seus colaboradores treinam nos recursos sísmicos calculados a partir da primeira metade dos dados sísmicos e tentam encontrar o melhor modelo que mapeia esses recursos para o tempo restante antes do próximo evento de deslizamento lento. Em seguida, eles o aplicam à segunda metade dos dados, que não viu.

Os algoritmos são transparentes, o que significa que a equipe pode ver quais recursos o aprendizado de máquina usa para prever quando a falha ocorreria. Também permite aos pesquisadores comparar esses recursos com aqueles que foram mais importantes em experimentos de laboratório para estimar os tempos de falha. Esses algoritmos podem ser sondados para identificar quais características estatísticas dos dados são importantes nas previsões do modelo, e porque.

"Ao identificar as características estatísticas importantes, podemos comparar as descobertas com as de experimentos de laboratório, que nos dá uma janela para a física subjacente, "Hulbert disse." Dadas as semelhanças entre as características estatísticas nos dados de Cascadia e de experimentos de laboratório, parece haver semelhanças em toda a física de fricção subjacente à ruptura por escorregamento lento e nucleação. As mesmas causas podem escalar desde o pequeno sistema de laboratório até a vasta escala da zona de subducção de Cascadia. "

A equipe de sismologia de Los Alamos, liderado por Paul Johnson, publicou vários artigos nos últimos anos, sendo pioneira no uso de aprendizado de máquina para descompactar a física subjacente a terremotos em experimentos de laboratório e dados sísmicos do mundo real.