Uma nova abordagem de inteligência artificial pode ajudar a prever a localização de tremores secundários após um terremoto
An terremoto é um fenômeno causado quando rochas subterrâneas no A terra crosta repentinamente se rompe em torno de uma falha geológica. Isto provoca uma rápida libertação de energia que produz ondas sísmicas que fazem o solo tremer e esta é a sensação que sentimos durante um terramoto. O local onde a rocha quebra é chamado de foco da terremoto e o lugar acima dele no solo é chamado de 'epicentro'. A energia liberada é medida como magnitude, uma escala para descrever o quão energético foi um terremoto. Um terremoto de magnitude 2 é quase imperceptível e só pode ser registrado usando equipamento especializado e sensível, enquanto terremotos de magnitude superior a 8 pode fazer com que o solo trema visivelmente com muita força. Um terremoto é geralmente seguido por muitas réplicas que ocorrem por um mecanismo semelhante e que são igualmente devastadoras e muitas vezes a sua intensidade e gravidade são semelhantes às do terremoto original. Tais tremores pós-terremoto ocorrem geralmente na primeira hora ou um dia após o principal terremoto. A previsão da distribuição espacial dos tremores secundários é muito desafiadora.
Os cientistas formularam leis empíricas para descrever a dimensão e o tempo dos tremores secundários, mas identificar a sua localização ainda é um desafio. Pesquisadores do Google e da Universidade de Harvard desenvolveram uma nova abordagem para avaliar terremotos e previsão da localização de tremores secundários usando tecnologia de inteligência artificial em seu estudo publicado em Natureza. Eles usaram especificamente o aprendizado de máquina - um aspecto da inteligência artificial. Na abordagem de aprendizado de máquina, uma máquina 'aprende' a partir de um conjunto de dados e, após adquirir esse conhecimento, é capaz de usar essa informação para fazer previsões sobre dados mais recentes.
Os pesquisadores primeiro analisaram um banco de dados de terremotos globais usando algoritmos de aprendizado profundo. O aprendizado profundo é um tipo avançado de aprendizado de máquina no qual as redes neurais tentam imitar o processo de pensamento do cérebro humano. Em seguida, eles pretendiam ser capazes de previsão réplicas são melhores do que adivinhações aleatórias e tentam resolver o problema de 'onde' as réplicas ocorrerão. Foram utilizadas observações coletadas de mais de 199 grandes terremotos em todo o mundo, consistindo em cerca de 131,000 pares de choque principal e tremor secundário. Esta informação foi combinada com um modelo baseado na física que descreve como Terra ficaria tenso e tenso depois de um terremoto o que irá desencadear tremores secundários. Eles criaram grades de 5 quilômetros quadrados dentro das quais o sistema verificaria se havia um tremor secundário. A rede neural formaria então relações entre as tensões causadas pelo terremoto principal e a localização dos tremores secundários. Uma vez que o sistema de rede neural foi bem treinado dessa maneira, ele foi capaz de prever com precisão a localização dos tremores secundários. O estudo foi extremamente desafiador, pois utilizou dados complexos de terremotos do mundo real. Alternativamente, os pesquisadores criaram artificial e tipo de terremotos "ideais" para criar previsões e, em seguida, examinar as previsões. Olhando para a saída da rede neural, eles tentaram analisar quais 'quantidades' diferentes podem controlar a previsão de tremores secundários. Depois de fazer comparações espaciais, os pesquisadores chegaram à conclusão de que um padrão típico de tremor secundário era fisicamente 'interpretável'. A equipe sugere que uma quantidade chamada de segunda variante da tensão de estresse desviante - simplesmente chamada de J2 - é a chave. Esta quantidade é altamente interpretável e é rotineiramente usada em metalurgia e outros campos, mas nunca foi usada antes para estudar terremotos.
Os tremores secundários dos terremotos causam mais ferimentos, danificam propriedades e também dificultam os esforços de resgate, portanto, prevê-los salvaria vidas para a humanidade. A previsão em tempo real pode não ser possível neste exato momento, pois os atuais modelos de IA podem lidar apenas com um tipo específico de tremor secundário e com simples falhas geológicas. Isto é importante porque as falhas geológicas têm geometria diferente em diversas localizações geográficas no avião. Portanto, pode não ser atualmente aplicável a diferentes tipos de terremotos em todo o mundo. No entanto, a tecnologia de inteligência artificial parece adequada para terremotos devido ao número de variáveis que precisam ser consideradas ao estudá-los, por exemplo, força do choque, posição das placas tectônicas, etc.
As redes neurais são projetadas para melhorar ao longo do tempo, ou seja, à medida que mais dados são inseridos em um sistema, mais aprendizado ocorre e o sistema melhora continuamente. No futuro, tal sistema poderá ser parte integrante dos sistemas de previsão usados por sismólogos. Os planejadores também podem implementar medidas de emergência com base no conhecimento do comportamento sísmico. A equipe quer usar tecnologia de inteligência artificial para prever a magnitude dos terremotos.
***
Fontes)
DeVries PMR et al. 2018. Aprendizado profundo dos padrões de tremores secundários após grandes terremotos. Natureza560(7720). DOI: https://doi.org/10.1038/s41586-018-0438-y
***
