Per tutto quello che i sismologi hanno imparato sui terremoti, le nuove tecnologie mostrano quanto resta da scoprire.

In un nuovo studio in Progressi scientifici , i ricercatori della Columbia University mostrano che gli algoritmi di apprendimento automatico potrebbero individuare diversi tipi di terremoti da tre anni di registrazioni di terremoti a The Geyser in California, uno dei bacini geotermici più antichi e grandi del mondo. Gli schemi ripetuti dei terremoti sembrano corrispondere all'aumento e alla caduta stagionali dei flussi di iniezione d'acqua nelle rocce calde sottostanti, suggerendo un legame con i processi meccanici che causano lo scivolamento o la rottura delle rocce, scatenando un terremoto.

"È un modo totalmente nuovo di studiare i terremoti, ", ha affermato il coautore dello studio Benjamin Holtzman, un geofisico al Lamont-Doherty Earth Observatory della Columbia. "Questi metodi di apprendimento automatico individuano differenze molto sottili nei dati grezzi che stiamo imparando a interpretare".

L'approccio è nuovo in diversi modi. I ricercatori hanno assemblato un catalogo di 46, 000 registrazioni di terremoti, ciascuna rappresentata come onde di energia in un sismogramma. Hanno quindi mappato i cambiamenti nella frequenza delle onde nel tempo, che hanno tracciato come uno spettrogramma, una sorta di tabella di marcia musicale dei toni mutevoli delle onde, dovessero essere convertiti in suono. I sismologi in genere analizzano i sismogrammi per stimare la magnitudo di un terremoto e dove ha avuto origine. Ma guardare le informazioni sulla frequenza di un terremoto ha invece permesso ai ricercatori di applicare strumenti di apprendimento automatico in grado di individuare modelli nella musica e nel linguaggio umano con un input umano minimo. Con questi strumenti, i ricercatori hanno ridotto ogni terremoto a una "impronta digitale" spettrale che riflette le sue sottili differenze dagli altri terremoti, e quindi ha utilizzato un algoritmo di clustering per ordinare le impronte digitali in gruppi.

L'assistenza all'apprendimento automatico ha aiutato i ricercatori a stabilire il collegamento con le quantità fluttuanti di acqua iniettata nel sottosuolo durante il processo di estrazione dell'energia, dando ai ricercatori una possibile spiegazione del motivo per cui il computer ha raggruppato i segnali in questo modo. "Il lavoro ora è quello di esaminare questi cluster con metodi tradizionali e vedere se possiamo capire la fisica dietro di loro, ", ha affermato il coautore dello studio Felix Waldhauser, un sismologo a Lamont-Doherty. "Di solito hai un'ipotesi e la metti alla prova. Qui stai costruendo un'ipotesi da uno schema che la macchina ha trovato."

Se i terremoti in diversi cluster possono essere collegati ai tre meccanismi che tipicamente generano terremoti in un serbatoio geotermico:frattura di taglio, frattura termica e fessurazione idraulica:potrebbe essere possibile, dicono i ricercatori, per aumentare la produzione di energia nei giacimenti geotermici. Se gli ingegneri possono capire cosa sta succedendo nel serbatoio quasi in tempo reale, possono sperimentare il controllo dei flussi d'acqua per creare più piccole crepe, e quindi, acqua riscaldata per generare vapore ed eventualmente elettricità. Questi metodi potrebbero anche aiutare a ridurre la probabilità di innescare terremoti più grandi:a The Geyser, e ovunque il fluido viene pompato sottoterra, anche nei siti di smaltimento del fluido di fracking. Finalmente, gli strumenti potrebbero aiutare a identificare i segni premonitori di un grande evento in arrivo, uno dei santi graal della sismologia.

La ricerca nasce da un'insolita collaborazione artistica. Come musicista, Holtzman era da tempo in sintonia con gli strani suoni dei terremoti. Con il sound designer Jason Candler, Holtzman aveva convertito le onde sismiche delle registrazioni di terremoti notevoli in suoni, e poi li ha accelerati per renderli intelligibili all'orecchio umano. La loro collaborazione, con il coautore dello studio Douglas Repetto, divenne la base per Seismodome, uno spettacolo ricorrente all'Hayden Planetarium dell'American Museum of Natural History che mette le persone all'interno della terra per sperimentare il pianeta vivente.

Con l'evolversi della mostra, Holtzman iniziò a chiedersi se l'orecchio umano potesse avere una comprensione intuitiva della fisica dei terremoti. In una serie di esperimenti, lui e il coautore dello studio Arthur Paté, poi ricercatore post-dottorato presso Lamont-Doherty, ha confermato che gli esseri umani potevano distinguere tra i terremoti che si propagano attraverso il fondo marino o la crosta continentale più rigida, e originato da una faglia spinta o strike-slip.

Incoraggiato, e cercando di espandere la ricerca, Holtzman ha contattato il coautore dello studio John Paisley, un professore di ingegneria elettrica presso la Columbia Engineering e il Data Science Institute della Columbia. Holtzman voleva sapere se gli strumenti di apprendimento automatico potevano rilevare qualcosa di nuovo in un gigantesco set di dati sui terremoti. Ha deciso di iniziare con i dati di The Geyser a causa di un interesse di lunga data per l'energia geotermica.

"Era un tipico problema di clustering, " dice Paisley. "Ma con 46, 000 terremoti non è stato un compito semplice".

Paisley ha trovato una soluzione in tre passaggi. Primo, un tipo di algoritmo di modellazione degli argomenti ha individuato le frequenze più comuni nel set di dati. Prossimo, un altro algoritmo ha identificato le combinazioni di frequenza più comuni in ogni spettrogramma di 10 secondi per calcolare la sua impronta acustica unica. Finalmente, un algoritmo di clustering, senza che gli venga detto come organizzare i dati, raggruppato il 46, 000 impronte digitali per somiglianza. L'elaborazione di numeri che potrebbe aver richiesto diverse settimane a un cluster di computer è stata eseguita in poche ore su un laptop grazie a un altro strumento, inferenza variazionale stocastica, Paisley aveva precedentemente aiutato a svilupparsi.

Quando i ricercatori hanno confrontato i cluster con i volumi medi mensili di iniezione d'acqua in The Geyser, è saltato fuori uno schema:un alto tasso di iniezione in inverno, poiché le città inviano più acqua di scolo nell'area, era associato a più terremoti ea un tipo di segnale. Un basso tasso di iniezione estivo corrispondeva a un minor numero di terremoti, e un segnale separato, con segnali di transizione in primavera e autunno.

I ricercatori hanno in programma di applicare successivamente questi metodi alle registrazioni di altri terremoti naturali ea quelli simulati in laboratorio per vedere se possono collegare i tipi di segnale con diversi processi di faglia. Un altro studio pubblicato l'anno scorso su Geophysical Research Letters suggerisce che sono su una pista promettente. Un team guidato dal ricercatore di Los Alamos Paul Johnson ha dimostrato che gli strumenti di apprendimento automatico potrebbero rilevare un sottile segnale acustico nei dati degli esperimenti di laboratorio e prevedere quando si verificherà il prossimo terremoto microscopico. Sebbene i difetti naturali siano più complessi, la ricerca suggerisce che l'apprendimento automatico potrebbe portare a intuizioni per identificare i precursori di grandi terremoti.