Предсказание землетрясений: от фантазий к реальности
Долгое время предсказание землетрясений считалось недостижимой фантазией. Такие факторы, как странное поведение животных, которое исторически считалось предвестником землетрясений, не подтверждаются эмпирическими данными. Поскольку эти факторы часто происходят независимо от землетрясений, сейсмологи полагают, что землетрясения происходят с небольшим предупреждением или вообще без него. По крайней мере, так это выглядит с поверхности.
Зоны, генерирующие землетрясения, лежат глубоко в земной коре и поэтому не могут быть непосредственно наблюдаемы, но учёные давно предполагают, что разломы могут проходить через предваряющую фазу перед землетрясением, во время которой происходят «микроразрушения» и «медленные проскальзывания». Тем не менее, несмотря на очевидный потенциал, как эти процессы могут позволить предсказать основной толчок, остаётся неясным.
Более того, наблюдательные исследования показали, что малые и крупные землетрясения кажутся неотличимыми в начале своего разрыва, что вызывает сомнения в полезности краткосрочных предвестников.
Машинное обучение в прогнозировании землетрясений
Эти трудности вызвали интерес к использованию машинного обучения для поиска потенциально предсказуемых сигналов разломов. Модели машинного обучения продемонстрировали способность предсказывать лабораторные землетрясения в небольших сантиметровых экспериментах, но этот подход ещё не применялся к более сложным системам, которые более точно имитируют природные разломы.
Команда исследователей из Киотского университета решила вывести этот подход на новый уровень. Они протестировали прогнозирование на основе машинного обучения на лабораторных землетрясениях метрового масштаба, где физические процессы и временные масштабы более точно соответствуют тем, что происходят в земной коре.
Работа опубликована в журнале Nature Communications.
«Мы применили передовую технику машинного обучения к данным, собранным в ходе эксперимента по трению горных пород метрового масштаба, который генерирует лабораторные землетрясения типа „stick-slip“ вместе с многочисленными событиями акустической эмиссии, которые являются крошечными сигналами форшоков, возникающими по мере приближения разлома к разрушению», — говорит первый автор Рейджу Норисуги.
Анализ команды показал, что модели машинного обучения, обученные только на данных о форшоках, могут точно обнаруживать едва заметные сигналы, возникающие непосредственно перед началом этих лабораторных землетрясений.
Чтобы лучше понять, как машинное обучение может достичь такой точности, команда сравнила свою работу с физическими численными симуляциями, которые воспроизводят экспериментальные данные. Они обнаружили, что ключевым фактором прогнозирования является эволюция напряжения сдвига в «ползущих» — или медленно скользящих — областях разлома.
«Эти локализованные изменения напряжения предоставляют больше диагностической информации, чем среднее напряжение по разлому, что подчёркивает важность мониторинга пространственно неоднородного поведения скольжения разлома», — говорит руководитель группы Ёсихиро Канеко.
Демонстрируя, что машинное обучение может обнаруживать и интерпретировать едва заметные физические изменения, предшествующие разрыву в реалистичных, крупномасштабных лабораторных системах разломов, это исследование помогает преодолеть разрыв между лабораторными исследованиями и природными системами разломов.
Более того, команда разработала физическую основу для понимания заключительных стадий нагружения разломов, что является важным шагом на пути к краткосрочному прогнозированию землетрясений в природе.
Предоставлено Киотским университетом.