Mundo

Usando dados esparsos para prever terremotos de laboratório
Essa pesquisa foi a primeira aplicação do aprendizado por transferência a simulações numéricas para prever escorregões em experimentos de laboratório, disse Johnson, e ninguém o aplicou a observações terrestres.
Por Laboratório Nacional de Los Alamos - 17/12/2021


Eventos stick-slip na Terra causam danos como esse, mas os dados limitados desses terremotos relativamente raros tornam-nos difíceis de modelar com aprendizado de máquina. A aprendizagem por transferência pode fornecer um caminho para a compreensão quando essas falhas profundas escorregam. Crédito: Dreamstime

Uma abordagem de aprendizado de máquina desenvolvida para dados esparsos prevê com segurança deslizamento de falha em terremotos de laboratório e pode ser a chave para prever deslizamento de falha e potencialmente terremotos no campo. A pesquisa de uma equipe do Laboratório Nacional de Los Alamos baseia-se em seu sucesso anterior usando abordagens baseadas em dados que funcionaram para eventos de deslizamento lento na Terra, mas falhou em falhas stick-slip em grande escala que geram relativamente poucos dados - mas grandes terremotos.

"A escala de tempo muito longa entre os principais terremotos limita os conjuntos de dados , uma vez que as falhas principais podem escorregar apenas uma vez em 50 a 100 anos ou mais, o que significa que os sismólogos tiveram pouca oportunidade de coletar as grandes quantidades de dados observacionais necessários para o aprendizado de máquina ", disse Paul Johnson, geofísico de Los Alamos e coautor de um novo artigo, "Predicting Fault Slip via Transfer Learning", na Nature Communications .

Para compensar os dados limitados, Johnson disse, a equipe treinou uma rede neural convolucional na saída de simulações numéricas de terremotos de laboratório, bem como em um pequeno conjunto de dados de experimentos de laboratório. Em seguida, eles foram capazes de prever falhas nos dados de laboratório não vistos restantes.

Essa pesquisa foi a primeira aplicação do aprendizado por transferência a simulações numéricas para prever escorregões em experimentos de laboratório, disse Johnson, e ninguém o aplicou a observações terrestres.

Com a aprendizagem por transferência, os pesquisadores podem generalizar de um modelo para outro como uma forma de superar a dispersão de dados. A abordagem permitiu que a equipe do Laboratório desenvolvesse seus experimentos de aprendizado de máquina baseados em dados anteriores, prevendo com sucesso escorregões em terremotos de laboratório e aplicando-os a dados esparsos das simulações. Especificamente, neste caso, a aprendizagem por transferência se refere ao treinamento da rede neural em um tipo de dados - saída de simulação - e aplicá-los a outro - dados experimentais - com a etapa adicional de treinamento em um pequeno subconjunto de dados experimentais também.

"Nosso momento decisivo veio quando percebi que podemos adotar essa abordagem para a Terra", disse Johnson. "Podemos simular uma falha sismogênica na Terra e, em seguida, incorporar dados da falha real durante uma parte do ciclo de deslizamento por meio do mesmo tipo de treinamento cruzado." O objetivo seria prever o movimento da falha em uma falha sismogênica como a de San Andreas, onde os dados são limitados por terremotos raros.

A equipe primeiro fez simulações numéricas dos terremotos do laboratório. Essas simulações envolvem construir uma grade matemática e inserir valores para simular o comportamento da falha, que às vezes são apenas boas suposições.

Para este artigo, a rede neural convolucional compreendeu um codificador que resume a saída da simulação às suas características principais, que são codificadas no espaço oculto do modelo, ou espaço latente, entre o codificador e o decodificador. Esses recursos são a essência dos dados de entrada que podem prever o comportamento de escorregamento de falha.

A rede neural decodificou os recursos simplificados para estimar o atrito na falha a qualquer momento. Em um refinamento posterior deste método, o espaço latente do modelo foi adicionalmente treinado em uma pequena fatia de dados experimentais. Armada com esse "treinamento cruzado", a rede neural previu eventos de falha- deslize com precisão quando alimentada com dados invisíveis de um experimento diferente.

 

.
.

Leia mais a seguir