L'applicazione del deep learning ai dati sismici ha rivelato che il tremore e lo slittamento si verificano in ogni momento, prima e dopo terremoti a lento scorrimento noti su larga scala, piuttosto che a intermittenza in scoppi discreti, come precedentemente creduto. Ancora più sorprendentemente, il machine learning si generalizza ad altri ambienti tettonici, compresa la faglia di Sant'Andrea.

"Il lavoro ci dice che la fisica dell'attrito sulle faglie sembra avere caratteristiche universali, qualcosa che sospettavamo ma non potevamo provare, " disse Bertrand Rouet-Leduc, un geofisico nel gruppo di geofisica presso il Los Alamos National Laboratory e autore principale dell'articolo.

Nella ricerca, il team ha addestrato una rete neurale convoluzionale, una forma di deep learning, su un catalogo di tremori creato da Aaron Wech dell'Università di Washington. Il catalogo utilizza diversi anni di sismogrammi da una stazione sismica sull'isola di Vancouver nella regione della Cascadia del Pacifico nord-occidentale. Gli eventi di tremore che sono stati inizialmente identificati con metodi multi-stazione hanno formato il training set. Il team ha quindi utilizzato il modello di deep learning per trovare molti altri eventi.

Terremoti lenti, che a volte precedono grandi terremoti sulle faglie continentali e nelle zone di subduzione, creare stress ciclicamente e può innescare grandi terremoti su zone limitrofe, faglie bloccate molto sollecitate. Eppure anche a Cascadia, un chiaro caso di un forte stress, guasto "bloccato e caricato", ricerche precedenti avevano osservato solo terremoti lenti intermittenti e discreti e le loro scosse associate.

Il team di ricerca ha scoperto che la rete neurale fornisce una misura continua dei tremori e pone limiti temporali più chiari su eventi a scorrimento lento rispetto a quanto stabilito dai metodi precedenti. In modo significativo, la rete neurale ha identificato deboli segnali di tremore mesi prima che i metodi tradizionali rilevassero lo slittamento lento misurando cambiamenti di elevazione a volte minimi nel paesaggio.

"Lo studio suggerisce che lo slittamento lento all'interno delle zone di megathrust non è casuale. Questa ricerca fa parte di un corpus di lavoro che ci dice che i precursori si verificano molto più frequentemente di quanto si pensasse in precedenza, in accordo con esperimenti di laboratorio e teoria, ", ha detto Rouet-Leduc.

La carta, "Sondaggio di terremoti lenti con Deep Learning, " è stato pubblicato il 24 febbraio 2020 in Lettere di ricerca geofisica . Questo lavoro fa parte della ricerca in corso a Los Alamos che ha identificato un segnale acustico continuo emesso da eventi a lento scorrimento. Il segnale può essere letto in qualsiasi istante per indicare il tempo rimanente al guasto del guasto sia nei terremoti di laboratorio che in quelli reali.