Google y Harvard usan IA para predecir réplicas de terremotos
Las réplicas son una respuesta a los cambios en los esfuerzos generados por grandes terremotos y representan las observaciones más comunes del desencadenamiento de terremotos, dijo el Dr. Phoebe M. R. DeVries del Department of Earth and Planetary Sciences, Harvard University, EE.UU.
La magnitud máxima de las réplicas y su declive temporal están bien descritas por las leyes empíricas (como la ley de Bath y la ley de Omori), pero es más difícil explicar y pronosticar la distribución espacial de las réplicas.
El cambio de esfuerzos por fallas de Coulomb es quizás el criterio más utilizado para explicar las distribuciones espaciales de las réplicas, pero su aplicabilidad ha sido cuestionada.
En este artículo se utiliza un enfoque de aprendizaje profundo para identificar un criterio basado en el estrés estático que pronostica las ubicaciones de las réplicas sin suposiciones previas sobre la orientación de las fallas.
Se muestra que una red neuronal entrenada en más de 131,000 pares de eventos-principales-réplicas puede predecir las ubicaciones de las réplicas en un conjunto de datos de prueba independiente de más de 30,000 pares de eventos-principales-réplicas con mayor precisión, que el clásico cambio de esfuerzos por falla de Coulomb.
Se encontró que el patrón de réplica aprendido es físicamente interpretable: el cambio máximo en el esfuerzo cortante, el criterio de tensión de von Mises (una versión escalada del segundo invariante del tensor de cambio de tensión desviador) y la suma de los valores absolutos de los componentes independientes del tensor de cambio de esfuerzos explica más del 98 por ciento de la varianza en la predicción de la red neuronal.
Este entendimiento impulsado por el aprendizaje de máquina proporciona pronósticos mejorados de ubicaciones de réplicas e identifica cantidades físicas que pueden controlar el disparo del terremoto durante la parte más activa del ciclo sísmico, concluyó el Dr. DeVries.
DeVries, Phoebe M. R. Deep learning of aftershock patterns following large earthquakes. Nature. doi: https://doi.org/10.1038/s41586-018-0438-y
 |
| Comparaciones de patrones espaciales de medidas de esfuerzos. Créditos: Phoebe M. R. DeVries |
La magnitud máxima de las réplicas y su declive temporal están bien descritas por las leyes empíricas (como la ley de Bath y la ley de Omori), pero es más difícil explicar y pronosticar la distribución espacial de las réplicas.
El cambio de esfuerzos por fallas de Coulomb es quizás el criterio más utilizado para explicar las distribuciones espaciales de las réplicas, pero su aplicabilidad ha sido cuestionada.
En este artículo se utiliza un enfoque de aprendizaje profundo para identificar un criterio basado en el estrés estático que pronostica las ubicaciones de las réplicas sin suposiciones previas sobre la orientación de las fallas.
 |
| Ejemplos de réplicas de evento principal. Créditos: Phoebe M. R. DeVries |
Se muestra que una red neuronal entrenada en más de 131,000 pares de eventos-principales-réplicas puede predecir las ubicaciones de las réplicas en un conjunto de datos de prueba independiente de más de 30,000 pares de eventos-principales-réplicas con mayor precisión, que el clásico cambio de esfuerzos por falla de Coulomb.
Se encontró que el patrón de réplica aprendido es físicamente interpretable: el cambio máximo en el esfuerzo cortante, el criterio de tensión de von Mises (una versión escalada del segundo invariante del tensor de cambio de tensión desviador) y la suma de los valores absolutos de los componentes independientes del tensor de cambio de esfuerzos explica más del 98 por ciento de la varianza en la predicción de la red neuronal.
 |
| Comparaciones de rendimiento. Créditos: Phoebe M. R. DeVries |
DeVries, Phoebe M. R. Deep learning of aftershock patterns following large earthquakes. Nature. doi: https://doi.org/10.1038/s41586-018-0438-y
