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. Esse 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.
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.
“É uma quantidade enorme de dados para o nosso campo”, disse a pesquisadora de pós-doutorado, Maria Giovanna Durante, bolsista Marie Sklodowska Curie anteriormente da Universidade do Texas em Austin (UT Austin). “Dissemos: ‘Se tivermos milhares de pontos de dados, talvez possamos encontrar uma tendência.'”
Durante trabalha com a Prof. Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering na UT Austin e a principal investigadora da infraestrutura cibernética DesignSafe, financiada pela National Science Foundation, que apóia a pesquisa na comunidade de perigos 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.
“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”, disse Rathje. “No entanto, quando vi os dados de liquefação vindos da Nova Zelândia, soube que tínhamos uma oportunidade única de finalmente aplicar as técnicas de IA em nosso campo.”
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.
Os resultados foram publicados online no Earthquake Spectra em abril de 2021.
“É um dos primeiros estudos de aprendizado de máquina em nossa área de engenharia geotécnica”, disse Durante.
Os pesquisadores primeiro usaram uma abordagem Random Forest 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.
“Precisávamos colocar a física em nosso modelo e ser capazes de reconhecer, entender e visualizar o que o modelo faz”, disse Durante. “Por esse motivo, 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.”
Durante e Rathje treinaram 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, já que estudos anteriores de aprendizado de máquina geotécnico usaram apenas 200 pontos de dados.
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.
Os pesquisadores usaram o supercomputador Frontera do 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, software e armazenamento para a comunidade de engenharia de riscos naturais.
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 de 2.400 modelos possíveis.
“Levaria anos para fazer essa pesquisa em qualquer outro lugar”, disse Durante. “Se você deseja executar um estudo paramétrico ou uma análise abrangente, você precisa ter poder computacional.”
Ela espera que seus modelos de liquefação de aprendizado de máquina um dia direcionem os primeiros respondentes às necessidades mais urgentes após um terremoto. “As equipes de emergência precisam de orientação sobre quais áreas e estruturas podem estar em maior risco de colapso e concentrar sua atenção nisso”, disse ela.
Compartilhamento, reprodutibilidade e acesso
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 no portal DesignSafe, um centro de pesquisas relacionadas ao impacto de furacões, terremotos, tsunamis e outros riscos naturais no ambiente construído e natural.
“Fizemos tudo no projeto no portal DesignSafe”, disse Durante. “Todos os mapas foram feitos usando QGIS, uma ferramenta de mapeamento disponível no DesignSafe, usando meu computador como forma de conexão com a ciberinfraestrutura”.
Para seu modelo de liquefação de aprendizado de máquina, eles criaram um bloco de notas Jupyter – um documento interativo baseado na web que inclui o conjunto de dados, código e análises. O caderno permite que outros estudiosos reproduzam as descobertas da equipe interativamente e testem o modelo de aprendizado de máquina com seus próprios dados.
“Foi importante para nós disponibilizar o material e torná-lo reproduzível”, disse Durante. “Queremos que toda a comunidade avance com esses métodos.”
Este novo paradigma de compartilhamento de dados e colaboração é central para DesignSafe e ajuda o progresso de campo mais rapidamente, de acordo com Joy Pauschke, diretora de programa na Diretoria de Engenharia da NSF.
“Os pesquisadores estão começando a usar métodos de IA com dados de pesquisa de riscos naturais, com resultados interessantes”, disse Pauschke. “Adicionar ferramentas de aprendizado de máquina aos dados e outros recursos do DesignSafe levará a novos insights e ajudará a acelerar os avanços que podem melhorar a resiliência a desastres.”
Os avanços no aprendizado de máquina exigem conjuntos de dados ricos, exatamente como os dados do terremoto de Christchurch. “Todas as informações sobre o evento de Christchurch estavam disponíveis em um site”, disse Durante. “Isso não é tão comum em nossa comunidade e, sem isso, este estudo não teria sido impossível.”
Os avanços também exigem sistemas de computação de alto desempenho para testar novas abordagens e aplicá-las a novos campos.
Os pesquisadores continuam a refinar o modelo de aprendizado de máquina para liquefação. Mais pesquisas, dizem eles, são necessárias para desenvolver modelos de aprendizado de máquina generalizáveis para outros eventos de terremoto e configurações geológicas.
Durante, que voltou para sua Itália natal este ano, diz que uma coisa que ela espera tirar dos EUA é a capacidade da pesquisa de impactar as políticas públicas.
Ela citou um projeto recente de trabalho com Scott Brandenberg e Jonathan Stewart (Universidade da Califórnia, Los Angeles) que desenvolveu uma nova metodologia para determinar se um muro de contenção desabaria durante um terremoto. Menos de três anos após o início de suas pesquisas, as disposições sísmicas recomendadas para novos edifícios e outras estruturas nos EUA incluíam sua metodologia.
“Quero que meu trabalho tenha um impacto na vida cotidiana”, disse Durante. “Nos EUA, há uma conexão mais direta entre pesquisa e vida real, e isso é algo que eu gostaria de trazer de volta para casa.”
Publicado em 26/06/2021 17h33
Artigo original:
Estudo original: