O aprendizado de máquina pode fornecer uma hora extra de tempo de aviso para fluxos de detritos ao longo da torrente Illgraben na Suíça, relatório de pesquisadores na Reunião Anual de 2021 da Seismological Society of America (SSA).

Os fluxos de detritos são misturas de água, sedimentos e rochas que se movem rapidamente em colinas íngremes, desencadeada por fortes precipitações e frequentemente contendo dezenas de milhares de metros cúbicos de material. Seu potencial destrutivo torna importante ter sistemas de monitoramento e alerta implantados para proteger as pessoas e a infraestrutura nas proximidades.

Em sua apresentação no SSA, Małgorzata Chmiel da ETH Zürich descreveu uma abordagem de aprendizado de máquina para detectar e alertar contra fluxos de detritos para a torrente Illgraben, um local nos Alpes europeus que experimenta fluxos de detritos significativos e eventos torrenciais a cada ano.

Registros sísmicos de estações localizadas na bacia de Illgraben, de 20 eventos de fluxo de detritos anteriores, foram usados ​​para treinar um algoritmo para reconhecer os sinais sísmicos de formação de fluxo de detritos, detectar com precisão os fluxos iniciais 90% do tempo.

O sistema de aprendizado de máquina foi capaz de detectar todos os 13 fluxos de detritos e eventos torrenciais que ocorreram durante um período de três meses em 2020. O alarme disparado pelo sistema ocorreu entre 20 minutos e uma hora e meia antes do tempo estimado de chegada do fluxo em a primeira barragem de cheque do torrent, dependendo da velocidade do fluxo.

Os alertas de fluxo de detritos para a torrente Illgraben vêm de geofones em três represas e sensores que medem a altura do fluxo. Trinta barragens de retenção foram instaladas na parte inferior do canal após um evento desastroso em 1961 que transbordou o canal e destruiu uma ponte.

O sistema atual limita a detecção de fluxo de detritos a uma barragem localizada abaixo da bacia superior da torrente. "Contudo, fluxos de detritos geralmente se formam na bacia superior, acima, verifique a barragem um, "Chmiel explicou." Para melhorar o sistema de alerta atual, precisaríamos detectar os eventos torrenciais em sua fase inicial de formação antes que eles cheguem à barragem um. "

A regularidade e a variabilidade dos fluxos de detritos Illgraben convenceram os pesquisadores de que o torrent seria um bom lugar para testar seu modelo de aprendizado de máquina como um sistema de alerta alternativo.

“Achamos que o tamanho do conjunto de dados deveria ser suficiente para treinar um modelo de aprendizado de máquina para detecção robusta. o que torna o aprendizado de máquina particularmente atraente para Illgraben é que o detector pode ser aprimorado a cada ano, com dados de novos eventos, algo que não é possível obter com as abordagens tradicionais, "disse Chmiel.

Chmiel disse que o sistema funciona bem para distinguir eventos torrenciais de sinais sísmicos produzidos pela atividade humana, chuvas e terremotos. O próximo passo, ela notou, será explorar se o modelo de aprendizado de máquina também pode distinguir entre fluxos de detritos pequenos e maiores e potencialmente mais prejudiciais.

A maioria dos fluxos de detritos em Illgraben são ativados por fortes tempestades de verão, embora o derretimento da neve possa condicionar a encosta e, potencialmente, desencadear alguns fluxos no final da primavera ou início do verão, disse Chmiel. Um grande fluxo de detritos pode ameaçar a aldeia de Susten, próximo à parte inferior do torrent, ou as trilhas populares da área ao redor do canal.