p Nossas casas e escritórios são tão sólidos quanto o solo abaixo deles. Quando esse solo sólido se transforma em líquido - como às vezes acontece durante os terremotos - ele pode derrubar edifícios e pontes. Este fenômeno é conhecido como liquefação, e foi uma das principais características do terremoto de 2011 em Christchurch, Nova Zelândia, um terremoto de magnitude 6,3 que matou 185 pessoas e destruiu milhares de casas. p Uma vantagem do terremoto de Christchurch foi que foi um dos mais bem documentados da história. Como a Nova Zelândia é sismicamente ativa, a cidade foi equipada com vários sensores para monitorar terremotos. O reconhecimento pós-evento forneceu uma riqueza de dados adicionais sobre como o solo respondeu em toda a cidade.

p "É uma quantidade enorme de dados para nosso campo, "disse o pesquisador pós-doutorado, Maria Giovanna Durante, uma Marie Sklodowska Curie Fellow anteriormente da Universidade do Texas em Austin (UT Austin). "Nós dissemos, 'Se tivermos milhares de pontos de dados, talvez possamos encontrar uma tendência. '"

p Durante trabalha com a Prof. Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering na UT Austin e investigadora principal da infraestrutura cibernética DesignSafe, financiada pela National Science Foundation, que apóia a pesquisa em toda a comunidade de riscos naturais. A pesquisa pessoal de Rathje sobre liquefação a levou a estudar o evento de Christchurch. Ela estava pensando em maneiras de incorporar o aprendizado de máquina em sua pesquisa e este caso parecia um ótimo lugar para começar.

p "Por algum tempo, Fiquei impressionado com a forma como o aprendizado de máquina estava sendo incorporado a outros campos, mas parecia que nunca tínhamos dados suficientes em engenharia geotécnica para utilizar esses métodos, "Rathje disse." No entanto, quando vi os dados de liquefação vindos da Nova Zelândia, Eu sabia que tínhamos uma oportunidade única de finalmente aplicar as técnicas de IA em nosso campo. "

p Os dois pesquisadores desenvolveram um modelo de aprendizado de máquina que previu a quantidade de movimento lateral que ocorreu quando o terremoto de Christchurch fez com que o solo perdesse sua força e se deslocasse em relação ao seu entorno.

p Os resultados foram publicados online em Espectros de terremoto em abril de 2021.

p "É um dos primeiros estudos de aprendizado de máquina em nossa área de engenharia geotécnica, "Durante disse.

p Os pesquisadores primeiro usaram uma abordagem de floresta aleatória com uma classificação binária para prever se os movimentos de propagação lateral ocorreram em um local específico. Eles então aplicaram uma abordagem de classificação multiclasse para prever a quantidade de deslocamento, de nenhum a mais de 1 metro.

p "Precisávamos colocar a física em nosso modelo e sermos capazes de reconhecer, Compreendo, e visualizar o que o modelo faz, "Durante disse." Por essa razão, era importante selecionar recursos de entrada específicos que acompanham o fenômeno que estudamos. Não estamos usando o modelo como uma caixa preta - estamos tentando integrar nosso conhecimento científico o máximo possível. "

p Durante e Rathje treinou o modelo usando dados relacionados ao pico de agitação do solo experimentado (um gatilho para liquefação), a profundidade do lençol freático, a inclinação topográfica, e outros fatores. No total, mais de 7, 000 pontos de dados de uma pequena área da cidade foram usados ​​para dados de treinamento - uma grande melhoria, como estudos anteriores de aprendizado de máquina geotécnico usaram apenas 200 pontos de dados.

p Eles testaram seu modelo em toda a cidade em 2,5 milhões de locais ao redor do epicentro do terremoto para determinar o deslocamento. Seu modelo previu se a liquefação ocorreu com 80% de precisão; foi 70% preciso na determinação da quantidade de deslocamento.

p Os pesquisadores usaram o supercomputador Frontera no Texas Advanced Computing Center (TACC), um dos mais rápidos do mundo, para treinar e testar o modelo. A TACC é um parceiro-chave no projeto DesignSafe, fornecendo recursos de computação, Programas, e armazenamento para a comunidade de engenharia de riscos naturais.

p O acesso à Frontera forneceu recursos de aprendizado de máquina Durante e Rathje em uma escala anteriormente indisponível para o campo. Derivar o modelo final de aprendizado de máquina exigiu o teste 2, 400 modelos possíveis.

p "Levaria anos para fazer essa pesquisa em qualquer outro lugar, "Durante disse." Se você quiser fazer um estudo paramétrico, ou faça uma análise abrangente, você precisa ter poder computacional. "

p Ela espera que seus modelos de liquefação de aprendizado de máquina um dia direcionem os primeiros socorros às necessidades mais urgentes após um terremoto. "As equipes de emergência precisam de orientação sobre quais áreas, e quais estruturas, pode estar em maior risco de colapso e concentrar sua atenção nisso, " ela disse.

p Compartilhamento, Reprodutibilidade, e acesso

p Para Rathje, Durante, e um número crescente de engenheiros de risco natural, a publicação de um jornal não é o único resultado de um projeto de pesquisa. Eles também publicam todos os seus dados, modelos, e métodos para o portal DesignSafe, um centro de pesquisas relacionadas ao impacto dos furacões, terremotos, tsunamis, e outros perigos naturais no ambiente natural e construído.

p “Fizemos tudo no projeto no portal DesignSafe, "Durante disse." Todos os mapas foram feitos usando QGIS, uma ferramenta de mapeamento disponível no DesignSafe, usando meu computador como uma forma de se conectar à infraestrutura cibernética. "

p Para seu modelo de liquefação de aprendizado de máquina, eles criaram um bloco de anotações Jupyter - um interativo, documento baseado na web que inclui o conjunto de dados, código, e análises. O caderno permite que outros estudiosos reproduzam as descobertas da equipe de forma interativa, e testar o modelo de aprendizado de máquina com seus próprios dados.

p “Era importante para nós disponibilizar os materiais e torná-los reproduzíveis, "Durante disse." Queremos que toda a comunidade avance com esses métodos. "

p This new paradigm of data-sharing and collaboration is central to DesignSafe and helps the field progress more quickly, according Joy Pauschke, program director in NSF's Directorate for Engineering.

p "Researchers are beginning to use AI methods with natural hazards research data, with exciting results, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

p Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

p Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

p The researchers continue to refine the machine learning model for liquefaction. Further research, eles dizem, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

p Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

p She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

p "I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."