• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Natureza
    DeepShake usa aprendizado de máquina para estimar rapidamente a intensidade do tremor
    p Crédito:Pixabay / CC0 Public Domain

    p Uma rede neural espaço-temporal profunda treinada em mais de 36, 000 terremotos oferece uma nova maneira de prever rapidamente a intensidade do tremor do solo, uma vez que um terremoto está em andamento, relatório de pesquisadores na Reunião Anual de 2021 da Seismological Society of America (SSA). p O DeepShake analisa os sinais sísmicos em tempo real e emite avisos avançados de fortes tremores com base nas características das primeiras ondas detectadas em um terremoto.

    p DeepShake foi desenvolvido por Daniel J. Wu, Avoy Datta, Weiqiang Zhu e William Ellsworth na Universidade de Stanford.

    p Os dados do terremoto usados ​​para treinar a rede DeepShake vieram de gravações sísmicas do Ridgecrest 2019, Seqüência da Califórnia. Quando seus desenvolvedores testaram o potencial do DeepShake usando o tremor real de 5 de julho de magnitude 7,1 Ridgecrest, a rede neural enviou alertas simulados entre 7 e 13 segundos antes da chegada do tremor de solo de alta intensidade para locais na área de Ridgecrest.

    p Os autores enfatizaram a novidade de usar aprendizado profundo para alerta rápido e previsão direta apenas de registros sísmicos. "O DeepShake é capaz de captar sinais em formas de onda sísmicas em dimensões de espaço e tempo, "explicou Datta.

    p O DeepShake demonstra o potencial dos modelos de aprendizado de máquina para melhorar a velocidade e a precisão dos sistemas de alerta de terremotos, ele adicionou.

    p "O DeepShake tem como objetivo melhorar os alertas iniciais de terremotos, fazendo suas estimativas de agitação diretamente a partir de observações de movimento do solo, cortando algumas das etapas intermediárias usadas por sistemas de alerta mais tradicionais, "disse Wu.

    p Muitos sistemas de alerta antecipado determinam primeiro a localização e a magnitude do terremoto, e, em seguida, calcular o movimento do solo para um local com base nas equações de previsão de movimento do solo, Wu explicou.

    p "Cada uma dessas etapas pode introduzir um erro que pode degradar a previsão do tremor do solo, " ele adicionou.

    p Para endereçar isto, a equipe do DeepShake mudou para uma abordagem de rede neural. A série de algoritmos que compõem uma rede neural é treinada sem que o pesquisador identifique quais sinais são "importantes" para a rede usar em suas previsões. A rede aprende quais recursos prevêem de forma otimizada a força do tremor futuro diretamente a partir dos dados.

    p "Observamos, ao construir outras redes neurais para uso em sismologia, que elas podem aprender todos os tipos de coisas interessantes, e assim eles podem não precisar do epicentro e magnitude do terremoto para fazer uma boa previsão, "disse Wu." O DeepShake é treinado em uma rede pré-selecionada de estações sísmicas, para que as características locais dessas estações passem a fazer parte dos dados de treinamento. "

    p "Ao treinar um modelo de aprendizado de máquina de ponta a ponta, realmente achamos que esses modelos são capazes de aproveitar essas informações adicionais para melhorar a precisão, " ele disse.

    p Wu, Datta e seus colegas veem o DeepShake como um complemento ao ShakeAlert operacional da Califórnia, adicionando à caixa de ferramentas dos sistemas de alerta precoce de terremotos. "Estamos muito entusiasmados com a expansão do DeepShake além de Ridgecrest, e fortalecer nosso trabalho para o mundo real, incluindo casos de falha, como estações inativas e alta latência de rede, "adicionou Datta.


    © Ciência https://pt.scienceaq.com