Mundo

Usando dados esparsos para prever terremotos de laboratório
Essa pesquisa foi a primeira aplicaça£o do aprendizado por transferaªncia a simulaa§aµes numanãricas para prever escorregaµes em experimentos de laboratório, disse Johnson, e ninguanãm o aplicou a observaa§aµes 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 difa­ceis de modelar com aprendizado de ma¡quina. A aprendizagem por transferaªncia pode fornecer um caminho para a compreensão quando essas falhas profundas escorregam. Crédito: Dreamstime

Uma abordagem de aprendizado de ma¡quina desenvolvida para dados esparsos prevaª 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 Laborata³rio 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 sisma³logos tiveram pouca oportunidade de coletar as grandes quantidades de dados observacionais necessa¡rios para o aprendizado de ma¡quina ", disse Paul Johnson, geofa­sico 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 saa­da de simulações numanãricas 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 transferaªncia a simulações numanãricas para prever escorregaµes em experimentos de laboratório, disse Johnson, e ninguanãm o aplicou a observações terrestres.

Com a aprendizagem por transferaªncia, 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 Laborata³rio desenvolvesse seus experimentos de aprendizado de ma¡quina baseados em dados anteriores, prevendo com sucesso escorregaµes em terremotos de laboratório e aplicando-os a dados esparsos das simulações. Especificamente, neste caso, a aprendizagem por transferaªncia se refere ao treinamento da rede neural em um tipo de dados - saa­da de simulação - e aplica¡-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 sismogaªnica 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 sismogaªnica como a de San Andreas, onde os dados são limitados por terremotos raros.

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

Para este artigo, a rede neural convolucional compreendeu um codificador que resume a saa­da da simulação a s suas caracteri­sticas principais, que são codificadas no espaço oculto do modelo, ou espaço latente, entre o codificador e o decodificador. Esses recursos são a essaªncia 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 manãtodo, 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 invisa­veis de um experimento diferente.

 

.
.

Leia mais a seguir