Skip to content
Home » AI voorspelt fysica van toekomstige foutslip in laboratoriumaardbevingen

AI voorspelt fysica van toekomstige foutslip in laboratoriumaardbevingen

    AI voorspelt fysica van toekomstige foutslip in laboratoriumaardbevingen

    oktober 10, 2022 – Een kunstmatige-intelligentiebenadering die is ontleend aan natuurlijke taalverwerking – net zoals taalvertaling en automatisch invullen van tekst op uw smartphone – kan toekomstige foutfrictie en de volgende storingstijd voorspellen met hoge resolutie bij aardbevingen in laboratoria. De techniek, die AI toepast op de akoestische signalen van de fout, bevordert eerder werk en gaat verder door aspecten van de toekomstige toestand van het fysieke systeem van de fout te voorspellen.

    “Simpel gezegd, we voorspellen toekomstige wrijving. Dat is nog nooit gedaan en het biedt een potentieel pad naar voorspellingen op korte termijn van de timing van aardbevingen op aarde, “zei Chris Johnsonco-hoofdauteur van een paper over de bevindingen in Geophysical Research Letters.

    Paul Johnsoncorresponderend auteur van het artikel, geofysicus en laboratoriummedewerker bij Los Alamos National Laboratory, leidt een team dat gestage vooruitgang heeft geboekt bij het toepassen van verschillende machine learning-technieken voor de uitdaging van het voorspellen van aardbevingen in het laboratorium en in het veld.

    “De akoestische signalen die door de laboratoriumfout worden uitgezonden, bevatten voorafschaduwende informatie over de toekomstige fundamentele fysica van het systeem gedurende de hele aardbevingscyclus en daarna, zoals we nu laten zien”, zei Paul Johnson. “Dat is nog nooit eerder gezien.”

    Als een taalvertaalmodel

    In een nieuwe benadering paste het Los Alamos-team een ​​diepgaand lerend transformatormodel toe op akoestische emissies die door de laboratoriumfout werden uitgezonden om de wrijvingstoestand te voorspellen.

    “Het deep-learning transformatormodel dat we gebruikten, wordt uitgesproken met een taalvertaalmodel, zoals Google Translate, waarbij een codeboek wordt gebruikt om een ​​zin naar een andere taal te vertalen”, zegt Chris Johnson. “Je kunt dit zien als het schrijven van een e-mail in het Engels en de AI het Engels naar het Japans laten vertalen, terwijl je ook anticipeert op je woorden en het einde van de zin automatisch invult.”

    Chris Johnson zei dat de AI “gegevens neemt van wat er op dit moment gebeurt en zegt wat er vervolgens gebeurt met de fout.”

    Het Los Alamos-team had eerder de timing van fouten voorspeld in laboratoriumbevingen en in historische slow-slip Earth-gegevens met behulp van een aantal machine learning-technieken. Door machine learning toe te passen op gegevens van laboratoriumafschuifexperimenten, is aangetoond dat de foutemissies zijn bedrukt met informatie over de huidige staat en waar deze zich in de slipcyclus bevindt.

    Inderdaad, de statistische kenmerken van het continue seismische signaal dat door de fout wordt uitgezonden en geïdentificeerd door machinaal leren, stelden de Los Alamos-onderzoekers in staat om de evoluerende onmiddellijke – maar niet toekomstige – foutwrijving, verplaatsing en andere kenmerken te voorspellen, samen met de timing van het volgende laboratorium kwakzalvers-

    In dat eerdere werk worden de golfvorm, of akoestische emissie, gegevens ingevoerd in een model om de huidige toestand van het foutsysteem te voorspellen.Die voorspelling omvat een aftelling, of tijd tot falen, voor de volgende slipgebeurtenis, met een zekere mate van onzekerheid, die geen toekomstvoorspelling is, maar een beschrijving van de huidige toestand van het systeem.

    “Nu maken we een toekomstige voorspelling op basis van gegevens uit het verleden, die verder gaat dan het beschrijven van de momentane toestand van het systeem. Het model leert van de golfvormen om de toekomstige foutfrictie te voorspellen en wanneer de volgende slipgebeurtenis zal plaatsvinden met alleen informatie uit het verleden, zonder met behulp van alle gegevens van de toekomstige tijdstap van belang,” zei Chris Johnson.

    “Het model is niet beperkt tot fysica, maar het voorspelt de fysica, het feitelijke gedrag van het systeem”, zegt Chris Johnson.

    “De volgende uitdaging is of we dit op aarde kunnen doen om bijvoorbeeld toekomstige breukverplaatsing te voorspellen,” zei Paul Johnson. “Dat is een open vraag, want we hebben geen lange datasets voor modeltraining zoals we die in het laboratorium hebben.”

    De methode zou kunnen worden toegepast op andere disciplines, zoals het testen van niet-destructieve materialen, waar het informatie zou kunnen geven over voortschrijdende schade en dreigende schade aan bijvoorbeeld een brug.

    De krant: “Het voorspellen van toekomstige wrijving in laboratoriumfouten door middel van deep learning-transformatormodellen”, door Kun Wang, Christopher W. Johnson1, Kane C. Bennett en Paul A. Johnson in Geophysical Research Letters. DOI: 10.1029/2022GL098233

    Financiering: US Department of Energy, Office of Science, Office of Basic Energy Sciences and Laboratory Directed Research and Development bij Los Alamos National Laboratory.


    Bron: Los Alamos Nationaal Laboratorium