Le nostre case e i nostri uffici sono solidi quanto il terreno sottostante. Quando quel terreno solido si trasforma in liquido, come a volte accade durante i terremoti, può far crollare edifici e ponti. Questo fenomeno è noto come liquefazione, ed è stata una delle principali caratteristiche del terremoto del 2011 a Christchurch, Nuova Zelanda, un terremoto di magnitudo 6,3 che ha ucciso 185 persone e distrutto migliaia di case.

Un aspetto positivo del terremoto di Christchurch è stato che è stato uno dei più ben documentati della storia. Poiché la Nuova Zelanda è sismicamente attiva, la città era dotata di numerosi sensori per il monitoraggio dei terremoti. La ricognizione post-evento ha fornito numerosi dati aggiuntivi su come il suolo ha risposto in tutta la città.

"Si tratta di un'enorme quantità di dati per il nostro campo, "ha detto il ricercatore post-dottorato, Maria Giovanna Durante, un Marie Sklodowska Curie Fellow precedentemente dell'Università del Texas ad Austin (UT Austin). "Noi abbiamo detto, 'Se abbiamo migliaia di punti dati, forse possiamo trovare una tendenza.'"

Durante collabora con la Prof.ssa Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering presso UT Austin e ricercatore principale per l'infrastruttura informatica DesignSafe finanziata dalla National Science Foundation, che supporta la ricerca in tutta la comunità dei rischi naturali. La ricerca personale di Rathje sulla liquefazione l'ha portata a studiare l'evento di Christchurch. Aveva pensato a come incorporare l'apprendimento automatico nella sua ricerca e questo caso sembrava un ottimo punto di partenza.

"Per un po 'di tempo, Sono rimasto impressionato dal modo in cui l'apprendimento automatico è stato incorporato in altri campi, ma sembrava che non avessimo mai abbastanza dati in ingegneria geotecnica per utilizzare questi metodi, " Rathje ha detto. "Tuttavia, quando ho visto i dati sulla liquefazione uscire dalla Nuova Zelanda, Sapevo che avevamo un'opportunità unica per applicare finalmente le tecniche di intelligenza artificiale al nostro campo".

I due ricercatori hanno sviluppato un modello di apprendimento automatico che ha previsto la quantità di movimento laterale che si è verificato quando il terremoto di Christchurch ha causato la perdita di forza del suolo e lo spostamento rispetto all'ambiente circostante.

I risultati sono stati pubblicati online in Spettri del terremoto nell'aprile 2021.

"È uno dei primi studi di machine learning nella nostra area di ingegneria geotecnica, " ha detto Durante.

I ricercatori hanno prima utilizzato un approccio Random Forest con una classificazione binaria per prevedere se i movimenti di diffusione laterale si sono verificati in una posizione specifica. Hanno quindi applicato un approccio di classificazione multiclasse per prevedere la quantità di spostamento, da nessuno a più di 1 metro.

"Avevamo bisogno di inserire la fisica nel nostro modello ed essere in grado di riconoscere, comprendere, e visualizzare cosa fa il modello, — disse Durante. — Per questo, era importante selezionare caratteristiche di input specifiche che si adattassero al fenomeno che studiavamo. Non stiamo usando il modello come una scatola nera, stiamo cercando di integrare il più possibile le nostre conoscenze scientifiche".

Durante e Rathje hanno addestrato il modello utilizzando i dati relativi al picco di scuotimento del suolo sperimentato (un innesco per la liquefazione), la profondità della falda freatica, la pendenza topografica, e altri fattori. In totale, più di 7, 000 punti dati da una piccola area della città sono stati utilizzati per i dati di addestramento:un grande miglioramento, poiché i precedenti studi sull'apprendimento automatico geotecnico avevano utilizzato solo 200 punti dati.

Hanno testato il loro modello in tutta la città su 2,5 milioni di siti intorno all'epicentro del terremoto per determinare lo spostamento. Il loro modello prevedeva se la liquefazione si verificava con una precisione dell'80%; era accurato al 70% nel determinare la quantità di spostamento.

I ricercatori hanno utilizzato il supercomputer Frontera presso il Texas Advanced Computing Center (TACC), uno dei più veloci al mondo, per addestrare e testare il modello. TACC è un partner chiave del progetto DesignSafe, fornire risorse informatiche, Software, e stoccaggio alla comunità ingegneristica dei pericoli naturali.

L'accesso a Frontera ha fornito a Durante e Rathje capacità di apprendimento automatico su una scala precedentemente non disponibile sul campo. La derivazione del modello di apprendimento automatico finale ha richiesto il test 2, 400 possibili modelli.

"Ci sarebbero voluti anni per fare questa ricerca altrove, — disse Durante. — Se vuoi fare uno studio parametrico, o fare un'analisi completa, devi avere potenza di calcolo."

Spera che i loro modelli di liquefazione di apprendimento automatico un giorno indirizzeranno i primi soccorritori ai bisogni più urgenti all'indomani di un terremoto. "Le squadre di emergenza hanno bisogno di indicazioni su quali aree, e quali strutture, potrebbero essere maggiormente a rischio di collasso e concentrare lì la loro attenzione, " lei disse.

Condivisione, Riproducibilità, e accesso

Per Rathje, durante, e un numero crescente di ingegneri del rischio naturale, una pubblicazione su rivista non è l'unico risultato di un progetto di ricerca. Pubblicano anche tutti i loro dati, Modelli, e metodi al portale DesignSafe, un hub per la ricerca relativa all'impatto degli uragani, terremoti, tsunami, e altri rischi naturali sull'ambiente costruito e naturale.

"Abbiamo fatto tutto sul progetto nel portale DesignSafe, " Ha detto Durante. "Tutte le mappe sono state realizzate utilizzando QGIS, uno strumento di mappatura disponibile su DesignSafe, usando il mio computer come un modo per connettermi all'infrastruttura informatica."

Per il loro modello di liquefazione di machine learning, hanno creato un taccuino Jupyter, un taccuino interattivo, documento basato sul Web che include il set di dati, codice, e analisi. Il taccuino consente ad altri studiosi di riprodurre i risultati del team in modo interattivo, e testare il modello di apprendimento automatico con i propri dati.

"Era importante per noi rendere disponibili i materiali e renderli riproducibili, Ha detto Durante. "Vogliamo che tutta la comunità vada avanti con questi metodi".

Questo nuovo paradigma di condivisione dei dati e collaborazione è fondamentale per DesignSafe e aiuta il campo a progredire più rapidamente, secondo Joy Pauschke, direttore del programma presso la Direzione per l'ingegneria della NSF.

"I ricercatori stanno iniziando a utilizzare metodi di intelligenza artificiale con dati di ricerca sui pericoli naturali, con risultati entusiasmanti, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, dicono, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."