Bilim adamları yıllardır büyük bir depremin tam olarak ne zaman ve nerede olacağını ve ne kadar büyük olacağını tahmin etmek için mücadele ettiler. Şimdiye kadar yapılan araştırmalar yetersiz olsa da umut verici gelişmeler yaşanıyor.
New Mexico’daki Los Alamos Ulusal Laboratuvarı’nda bir jeofizikçi. Doktor Paul Johnson , grubunun beyin sarsıntısı tahminini bir rüyayı gerçeğe dönüştürebilecek bir aracın geliştirilmesine öncülük ettiğini söylüyor. Günümüzde birçok bilimsel girişimde olduğu gibi, araştırma grubunun yaklaşımı Makine öğrenimi (ML) biçimindeki yapay zekaya (AI) dayanmaktadır.
Ancak sismologlar için makine öğreniminin kullanımı artık emekleme aşamasında. En yaygın deprem olayları, tecrit ve salma depremleri için nicel verilerin (deprem büyüklükleri, sarsıntı yoğunlukları gibi) eksikliği, zorluğu artırır.
Büyük sarsıntılar, Dünya’nın tektonik plakalarının orta uçlarında veya sınırlarına yakın jeolojik fayların hareketinden kaynaklanır ve araştırmacıların bilgi aradığı yerler esas olarak bu noktalardır. Ancak tutma-bırakma depremleri için, katastrofik kaymadan önceki süreç çok uzun zaman alır ve gerinim arttıkça bir fay üzerinde çok az hareket olur. Araştırmacıların titremeleri düzgün bir şekilde incelemek için meydana geldikleri anı belgelemeleri gerekiyor. Bunun zorluğu nedeniyle, bilgi seti oldukça sınırlı kalmaktadır.
Dr. Johnson ise farklı bir sismik aktiviteye yöneliyor: yavaş kaymalı depremler . Benzer bir biçimde, tektonik levhaların hareketinden kaynaklanan bu olaylar, tut-bırak olaylarındaki saniyelerden farklı olarak saatlere, günlere ve hatta haftalara yayılmaktadır. Bu olayların yavaşlığı araştırmacılar için büyük bir hazine olabilir. Bu uzun süreçlerden, sismik aktiviteyi tahmin etmek için sınır ağını daha iyi eğitebilecek bir dizi veri noktası oluşturmak mümkün oldu..
Araştırma grubunun makine öğrenme sistemi, Kuzeybatı Pasifik’teki Cascadia Batma Bölgesinde iddialı yetenekler sergiledi. Sistem, yavaş fay hareketlerinden kaynaklanan 12 yıllık sismik ses kayıtlarını dinleyerek, onlardan önce gelen sismik sinyallere dayalı olarak geçmişteki yavaş kayma olaylarını yansıtmak (yeniden oluşturmak) için modeller arayabildi. Bu projeksiyonla takımın bir hafta kadar sonra olacakları iddia edebileceği gösterildi.
Dr. Johnson’ın çalışması, makine öğrenimi tekniklerinin sismik olaylarda (yavaş kayma) gerçekten kullanılabilir olduğunu gösterirken, bu öngörüyü sarsıntılara (tut-bırak) kadar genişletmek için veri eksikliğinin telafi edilmesi gerekecek. Bu eksikliği telafi etmek için araştırmacılar, bir laboratuvarda tutma-bırakma olaylarını taklit etmek için minyatür sarsıntıları simüle ettiler. Toplanan veriler kullanılarak, laboratuvar depreminin ince ayarlı bir sayısal simülasyonu oluşturuldu ve ardından gerçek olaylardan elde edilen verilerle birleştirildi.
Sonuç olarak, bir laboratuvar depreminin ne zaman gerçekleşeceğini tahmin etmede etkili olan etkili bir makine öğrenme modeli elde edilmiştir.
Dr. Johnson’ın ekibi gelecekte depremlerin gerçek bir jeolojik fay olduğunu tahmin etti. muhtemelen San Andreas fayına uygulamayı planlıyor.Arızanın sayısal simülasyonundan elde edilen veriler ile gerçek sarsıntıdan elde edilen verilerin kombinasyonu, makine öğrenimi sistemlerini eğitmek için kullanılacaktır.
Modelin, eğitim verilerinde yer almayan sismik olayları iddia etmek için ne kadar doğru bir şekilde kullanılabileceğini görmek için daha fazla araştırma ve çalışma gerekecektir. Ancak her şey yolunda giderse, sismologlar yakında sarsıntıları önceden iddia etmek için yeterli doğruluk aracına sahip olabilir.
