Por todo lo que los sismólogos han aprendido sobre los terremotos, las nuevas tecnologías muestran cuánto queda por descubrir.
En un nuevo estudio en Avances científicos , los investigadores de la Universidad de Columbia muestran que los algoritmos de aprendizaje automático podrían detectar diferentes tipos de terremotos de tres años de registros de terremotos en The Geysers en California, uno de los yacimientos geotérmicos más antiguos y más grandes del mundo. Los patrones repetitivos de terremotos parecen coincidir conEl aumento estacional y la caída de la inyección de agua fluyen hacia las rocas calientes que se encuentran debajo, lo que sugiere un vínculo con los procesos mecánicos que provocan el deslizamiento o la fisura de las rocas, lo que desencadena un terremoto
"Es una forma totalmente nueva de estudiar los terremotos", dijo el coautor del estudio Benjamin Holtzman, geofísico del Observatorio de la Tierra Lamont-Doherty de Columbia. "Estos métodos de aprendizaje automático detectan diferencias muy sutiles en los datos en bruto que solo estamos aprendiendo ainterpretar."
El enfoque es novedoso de varias maneras. Los investigadores reunieron un catálogo de 46,000 registros de terremotos, cada uno representado como ondas de energía en un sismograma. Luego mapearon los cambios en la frecuencia de las ondas a través del tiempo, que trazaron como un espectrograma - ununa especie de hoja de ruta musical de los tonos cambiantes de las olas, si se convirtieran en sonido. Los sismólogos generalmente analizan los sismogramas para estimar la magnitud de un terremoto y dónde se originó. Pero observar la información de frecuencia de un terremoto permitió a los investigadores aplicar herramientas de aprendizaje automáticoque puede distinguir patrones en la música y el habla humana con una entrada humana mínima. Con estas herramientas, los investigadores redujeron cada terremoto a una "huella digital" espectral que refleja sus diferencias sutiles de los otros terremotos, y luego utilizaron un algoritmo de agrupamiento para clasificar las huellas digitales engrupos
La asistencia de aprendizaje automático ayudó a los investigadores a establecer el vínculo con las cantidades fluctuantes de agua inyectadas bajo tierra durante el proceso de extracción de energía, brindándoles a los investigadores una posible explicación de por qué la computadora agrupó las señales como lo hizo ". El trabajo ahora esexaminar estos grupos con métodos tradicionales y ver si podemos entender la física detrás de ellos ", dijo el coautor del estudio Felix Waldhauser, un sismólogo de Lamont-Doherty." Por lo general, tiene una hipótesis y la prueba. Aquí está construyendo una hipótesis a partir de unpatrón que ha encontrado la máquina "
Si los terremotos en diferentes grupos se pueden vincular a los tres mecanismos que generalmente generan terremotos en un reservorio geotérmico: fractura por cizallamiento, fractura térmica y agrietamiento hidráulico, podría ser posible, según los investigadores, aumentar la producción de energía en geotermiaembalses. Si los ingenieros pueden entender lo que sucede en el embalse casi en tiempo real, pueden experimentar con el control del flujo de agua para crear más pequeñas grietas y, por lo tanto, calentar el agua para generar vapor y eventualmente electricidad. Estos métodos también podrían ayudar a reducir la probabilidadde desencadenar terremotos más grandes, en The Geysers, y en cualquier otro lugar donde se bombea líquido bajo tierra, incluso en sitios de eliminación de fluidos de fracturación. Finalmente, las herramientas podrían ayudar a identificar las señales de advertencia de uno grande en camino: uno de los santos grialesde sismología.
La investigación surgió de una colaboración artística inusual. Como músico, Holtzman había estado sintonizado durante mucho tiempo con los extraños sonidos de los terremotos. Con el diseñador de sonido Jason Candler, Holtzman había convertido las ondas sísmicas de grabaciones de terremotos notables en sonidos, y luegolos aceleró para hacerlos inteligibles para el oído humano. Su colaboración, con el coautor del estudio Douglas Repetto, se convirtió en la base de Seismodome, un espectáculo recurrente en el Planetario Hayden del Museo Americano de Historia Natural que coloca a las personas dentro de la tierra para experimentar el planeta vivo..
A medida que la exhibición evolucionó, Holtzman comenzó a preguntarse si el oído humano podría tener una comprensión intuitiva de la física del terremoto. En una serie de experimentos, él y el coautor del estudio Arthur Paté, entonces investigador postdoctoral en Lamont-Doherty, confirmaron que los humanos podríandistinguir entre temblores que se propagan a través del fondo marino o una corteza continental más rígida, y que se originan a partir de una falla de empuje o deslizamiento.
Animado y buscando expandir la investigación, Holtzman contactó al coautor del estudio John Paisley, profesor de ingeniería eléctrica en Columbia Engineering y el Data Science Institute de Columbia. Holtzman quería saber si las herramientas de aprendizaje automático podrían detectar algo nuevo en un gigantesco conjunto de datosde terremotos. Decidió comenzar con datos de The Geysers debido a un interés de larga data en la energía geotérmica.
"Era un problema típico de agrupamiento", dice Paisley. "Pero con 46,000 terremotos no fue una tarea sencilla".
Paisley ideó una solución de tres pasos. Primero, un tipo de algoritmo de modelado de temas seleccionó las frecuencias más comunes en el conjunto de datos. Luego, otro algoritmo identificó las combinaciones de frecuencias más comunes en cada espectrograma de 10 segundos para calcular su únicahuella digital acústica. Finalmente, un algoritmo de agrupamiento, sin que se le dijera cómo organizar los datos, agrupó las 46,000 huellas digitales por similitud. El procesamiento de números que pudo haber tomado un grupo de computadoras varias semanas se realizó en unas pocas horas en una computadora portátil gracias a otra herramienta,inferencia variacional estocástica, Paisley había ayudado anteriormente a desarrollarse.
Cuando los investigadores compararon los grupos con los volúmenes mensuales promedio de inyección de agua en The Geysers, surgió un patrón: una alta tasa de inyección en invierno, ya que las ciudades envían más agua de escorrentía al área, se asoció con más terremotos y unotipo de señal. Una baja tasa de inyección en verano correspondió a menos terremotos, y una señal separada, con señales de transición en primavera y otoño.
Los investigadores planean aplicar estos métodos a las grabaciones de otros terremotos naturales, así como a los simulados en el laboratorio para ver si pueden vincular los tipos de señales con diferentes procesos de fallas. Otro estudio publicado el año pasado en Geophysical Research Letters sugiere que sonUn equipo dirigido por el investigador Paul Johnson de Los Alamos demostró que las herramientas de aprendizaje automático podían detectar una señal acústica sutil en los datos de los experimentos de laboratorio y predecir cuándo ocurriría el próximo terremoto microscópico. Aunque las fallas naturales son más complejas, la investigaciónsugiere que el aprendizaje automático podría conducir a ideas para identificar precursores de grandes terremotos.
La investigación actual fue financiada con una subvención RISE 2016 de la Oficina del Vicepresidente Ejecutivo de Columbia. Incluso inspiró un nuevo curso, "Representación sonora y visual de datos", que Holtzman y Paisley enseñaron la primavera pasada en el Departamento de Música de Columbia y desarrollaroncon una beca Columbia Collaboratory: "La búsqueda de significado en Big Data".
Fuente de la historia :
Materiales proporcionado por Observatorio de la Tierra Lamont-Doherty, Universidad de Columbia . Original escrito por Kim Martineau. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :