Uma abordagem de inteligência artificial emprestada do processamento de linguagem natural – muito parecido com tradução de idiomas e preenchimento automático de texto em seu smartphone – pode prever atritos de falhas futuras e o próximo tempo de falha com alta resolução em terremotos de laboratório. A técnica, aplicando IA aos sinais acústicos da falha, avança o trabalho anterior e vai além, prevendo aspectos do estado futuro do sistema físico da falha.
“Simplificando, prevemos atritos futuros. Isso nunca foi feito e fornece um caminho potencial para a previsão de curto prazo do tempo de terremoto na Terra”, disse Chris Johnson, co-autor principal de um artigo sobre as descobertas na Geophysical Research Letters. .
Paul Johnson, autor correspondente do artigo, geofísico e pesquisador do Laboratório Nacional de Los Alamos, lidera uma equipe que fez avanços constantes na aplicação de várias técnicas de machine learning ao desafio de prever terremotos em laboratório e em campo.
“Os sinais acústicos emitidos pela falha do laboratório contêm informações prenunciando sobre a futura física fundamental do sistema durante todo o ciclo do terremoto e além, como mostramos agora”, disse Paul Johnson. “Isso nunca foi visto antes.”
Em uma nova abordagem, a equipe de Los Alamos aplicou um modelo de transformador de deep learning às emissões acústicas transmitidas da falha do laboratório para prever o estado de atrito.
“O modelo de transformador de deep learning que usamos é sinônimo de um modelo de tradução de idiomas, como o Google Translate, usando um livro de códigos para traduzir uma frase para um idioma diferente”, disse Chris Johnson. “Você pode pensar nisso como escrever um e-mail em inglês e fazer com que a IA traduza o inglês para o japonês, ao mesmo tempo em que antecipa suas palavras e preenche automaticamente o final da frase”.
Chris Johnson disse que a IA “pega dados do que está acontecendo agora e diz o que está acontecendo a seguir na falha”.
A equipe de Los Alamos havia previsto anteriormente o tempo de falha de falha em terremotos de laboratório e em dados históricos de deslizamento lento da Terra usando várias técnicas de machine learning. A aplicação de machine learning a dados de experimentos de cisalhamento de laboratório demonstrou que as emissões de falhas são impressas com informações sobre seu estado atual e onde está no ciclo de escorregamento.
De fato, os recursos estatísticos do sinal sísmico contínuo emitido da falha e identificado por machine learning permitiram aos pesquisadores de Los Alamos prever a evolução instantânea, mas não futura, de atrito, deslocamento e outras características da falha, juntamente com o tempo do próximo laboratório. terremoto.
Nesse trabalho anterior, os dados da forma de onda (ou emissão acústica) são inseridos em um modelo para prever o estado atual do sistema de falha. Essa previsão inclui uma estimativa de contagem regressiva, ou tempo até a falha, para o próximo evento de escorregamento, com algum grau de incerteza, que não é uma previsão futura, mas uma descrição do estado atual do sistema.
“Agora estamos fazendo uma previsão futura a partir de dados passados, que está além da descrição do estado instantâneo do sistema. O modelo está aprendendo com as formas de onda para prever o atrito futuro da falha e quando o próximo evento de deslizamento ocorrerá usando apenas informações passadas, sem usando quaisquer dados da etapa de tempo futura de interesse”, disse Chris Johnson.
“O modelo não é limitado pela física, mas prevê a física, o comportamento real do sistema”, disse Chris Johnson.
“O próximo desafio é se podemos fazer isso na Terra para prever o deslocamento futuro de falhas, por exemplo”, disse Paul Johnson. “Essa é uma questão em aberto, porque não temos conjuntos de dados longos para treinamento de modelos como fazemos no laboratório.”
O método pode ser aplicado a outras disciplinas, como testes de materiais não destrutivos, onde pode fornecer informações sobre danos progressivos e danos iminentes a, digamos, uma ponte.
Publicado em 11/10/2022 01h23
Artigo original:
Estudo original: