AI forutsier fysikk av fremtidig feilglidning i laboratoriejordskjelv

En kunstig intelligens-tilnærming lånt fra naturlig språkbehandling – omtrent som språkoversettelse og autofyll for tekst på smarttelefonen din – kan forutsi fremtidig feilfriksjon og neste feiltid med høy oppløsning i laboratoriejordskjelv. Teknikken, som bruker AI på feilens akustiske signaler, fremmer tidligere arbeid og går utover ved å forutsi aspekter av den fremtidige tilstanden til feilens fysiske system.

“Enkelt sagt forutsier vi fremtidig friksjon. Det har aldri blitt gjort, og det gir en potensiell vei til kortsiktig prognose for jordskjelvtidspunktet på jorden,” sa Chris Johnson, medforfatter av en artikkel om funnene i Geofysiske forskningsbrev.

Paul Johnson, tilsvarende forfatter av papiret, geofysiker og laboratoriestipendiat ved Los Alamos National Laboratory, leder et team som har gjort stadige fremskritt med å bruke ulike maskinlæring teknikker til utfordringen med å varsle jordskjelv i laboratoriet og i felten.

“De akustiske signalene som sendes ut av laboratoriefeilen inneholder varselinformasjon om fremtidens grunnleggende fysikk i systemet gjennom hele jordskjelv syklus og utover, som vi nå viser,” sa Paul Johnson. “Det har aldri blitt sett før.”

I en ny tilnærming brukte Los Alamos-teamet en dyplærende transformatormodell på akustiske utslipp sendt fra laboratoriefeilen for å forutsi friksjonstilstanden.

“Dyplæringstransformatormodellen vi brukte er synonymt med en språkoversettelsesmodell, for eksempel Google Translate, som bruker en kodebok for å oversette en setning til et annet språk,” sa Chris Johnson. “Du kan tenke på dette som å skrive en e-post på engelsk og la AI oversette engelsk til japansk, samtidig som du forutser ordene dine og autofyller slutten av setningen.”

Chris Johnson sa at AI “tar data om hva som skjer akkurat nå og sier hva som skjer videre på feilen.”

Los Alamos-teamet hadde tidligere spådd feiltidspunkt i laboratorieskjelv og i historiske sakte-slip jorddata ved å bruke en rekke maskinlæringsteknikker. Bruk av maskinlæring på data fra laboratorieeksperimenter viste at feilutslippene er påtrykt informasjon om dens nåværende tilstand og hvor den er i slipsyklusen.

Faktisk, de statistiske trekkene til det kontinuerlige seismiske signalet som sendes ut fra feilen og identifisert av maskinlæring, gjorde det mulig for Los Alamos-forskerne å forutsi utviklingen av øyeblikkelig – men ikke fremtidig – feilfriksjon, forskyvning og andre egenskaper, sammen med tidspunktet for neste laboratorie skjelv.

I det forrige arbeidet blir bølgeform (eller akustisk emisjon) data lagt inn til en modell for å forutsi gjeldende tilstand til feilsystemet. Denne prediksjonen inkluderer et nedtellingsestimat, eller tid til feil, for neste slip-hendelse, med en viss grad av usikkerhet, som ikke er en fremtidig prediksjon, men en beskrivelse av den nåværende tilstanden til systemet.

“Nå lager vi en fremtidsprediksjon fra tidligere data, som er hinsides å beskrive den øyeblikkelige tilstanden til systemet. Modellen lærer av bølgeformer å forutsi fremtidig feilfriksjon og når neste slip-hendelse vil skje ved å bruke kun tidligere informasjon, uten å bruke noen data fra det fremtidige tidstrinnet av interesse,” sa Chris Johnson.

“Modellen er ikke begrenset med fysikk, men den forutsier fysikken, den faktiske oppførselen til systemet,” sa Chris Johnson.

«Den neste utfordringen er om vi kan gjøre dette på jorden for å forutsi fremtiden feil forskyvning, for eksempel,” sa Paul Johnson. “Det er et åpent spørsmål, fordi vi ikke har lange datasett for modelltrening slik vi gjør i laboratorium.”

Metoden kan brukes på andre disipliner, for eksempel testing av ikke-destruktive materialer, hvor den kan gi informasjon om progressiv skade og forestående skade på for eksempel en bro.

---

---