Aprendizaje de máquinas predice terremotos de laboratorio
Se
aplicó el aprendizaje de máquinas (Machine Learning) a conjuntos de datos a
partir de experimentos de laboratorio de corte, con el objetivo de identificar
señales ocultas que preceden a los terremotos.
En
este artículo se muestra que escuchando la señal acústica emitida por una falla
de laboratorio, el aprendizaje de máquinas puede predecir el tiempo que queda
antes de fallar con gran precisión.
Estas predicciones se basan únicamente en las características físicas instantáneas de la señal acústica, y no hacen uso de su historia.
Sorprendentemente, el aprendizaje de máquinas identifica una señal emitida desde la zona de falla que se pensaba anteriormente como ruido de baja amplitud permitiendo la predicción de fallas durante todo el ciclo del terremoto de laboratorio.
Se deduce que esta señal se origina a partir de los movimientos continuos de las estrías de la falla a medida que los bloques de falla se desplazan.
Se propone que la aplicación de este enfoque a los datos sísmicos continuos puede conducir a avances significativos en la identificación de señales desconocidas en la actualidad, proporcionar nuevos conocimientos sobre la física de fallas y colocar límites en los tiempos del fallo de fallas.
Rouet-LeDuc,B., Hulbert, C. L., Lubbers, N., Barros, K. M., Humphreys, C. J. and Johnson,P. A., Machine Learning predicts laboratory earthquakes. Geophys. Res. Lett.doi:10.1002/2017GL074677
Créditos: Bertrand Rouet-LeDuc |
Estas predicciones se basan únicamente en las características físicas instantáneas de la señal acústica, y no hacen uso de su historia.
Sorprendentemente, el aprendizaje de máquinas identifica una señal emitida desde la zona de falla que se pensaba anteriormente como ruido de baja amplitud permitiendo la predicción de fallas durante todo el ciclo del terremoto de laboratorio.
Se deduce que esta señal se origina a partir de los movimientos continuos de las estrías de la falla a medida que los bloques de falla se desplazan.
Se propone que la aplicación de este enfoque a los datos sísmicos continuos puede conducir a avances significativos en la identificación de señales desconocidas en la actualidad, proporcionar nuevos conocimientos sobre la física de fallas y colocar límites en los tiempos del fallo de fallas.
Rouet-LeDuc,B., Hulbert, C. L., Lubbers, N., Barros, K. M., Humphreys, C. J. and Johnson,P. A., Machine Learning predicts laboratory earthquakes. Geophys. Res. Lett.doi:10.1002/2017GL074677