Ang usa ka bag-ong pamaagi sa artificial intelligence makatabang sa pagtagna sa lokasyon sa mga aftershocks pagkahuman sa usa ka linog
Ang linog usa ka panghitabo nga mahitabo kung ang mga bato sa ilalom sa yuta kalit nga mabuak palibot sa usa ka geological fault line. Kini hinungdan sa paspas nga pagpagawas sa enerhiya nga moresulta sa mga seismic waves nga unya makapauyog sa yuta ug kini ang pagbati nga atong matumba atol sa linog. Ang lugar diin mabuak ang bato gitawag nga focus sa linog ug ang lugar sa ibabaw niini sa yuta gitawag nga 'epicenter'. Ang enerhiya nga gipagawas gisukod isip magnitude, usa ka sukdanan aron ihulagway kung unsa ka kusog ang usa ka linog. Ang linog nga may magnitude 2 halos dili mamatikdan ug marekord lamang pinaagi sa paggamit sa sensitibo nga espesyal nga kagamitan, samtang ang mga linog nga labaw sa magnitude 8 mahimong hinungdan sa pag-uyog sa yuta nga kusog kaayo. Ang linog kasagaran gisundan sa daghang mga aftershock nga mahitabo sa parehas nga mekanismo ug parehas nga makadaot ug sa daghang mga higayon ang ilang kakusog ug kagrabe parehas sa orihinal nga linog. Ang ingon nga mga pag-uyog pagkahuman sa linog kasagaran mahitabo sulod sa unang oras o usa ka adlaw pagkahuman sa panguna nga linog . Ang pagtagna sa spatial distribution sa mga aftershock lisud kaayo.
Ang mga siyentista nagporma og mga empirical nga balaod aron ihulagway ang gidak-on ug oras sa mga aftershock apan ang pagtino sa ilang lokasyon usa gihapon ka hagit. Ang mga tigdukiduki sa Google ug Harvard University nakahimo og bag-ong pamaagi alang sa pagtimbang-timbang sa mga linog ug pagtagna sa lokasyon sa mga aftershock gamit ang teknolohiya sa artificial intelligence sa ilang pagtuon nga gipatik sa Nature . Espesipikong gigamit nila ang machine learning – usa ka aspeto sa artificial intelligence. Sa pamaagi sa machine learning, ang usa ka makina 'nagkat-on' gikan sa usa ka hugpong sa datos ug human makuha kini nga kahibalo, magamit niini nga impormasyon aron makahimo og mga panagna bahin sa mas bag-ong datos.
Una nga gisusi sa mga tigdukiduki ang usa ka database sa mga linog sa kalibutan gamit ang mga algorithm sa deep learning. Ang deep learning usa ka abante nga klase sa machine learning diin ang mga neural network naningkamot nga mosundog sa proseso sa panghunahuna sa utok sa tawo. Sunod, ilang gitinguha nga mas maayo nga matagna ang mga aftershock kaysa sa random nga pagtag-an ug sulayan nga masulbad ang problema sa 'asa' mahitabo ang mga aftershock. Ang mga obserbasyon nga nakolekta gikan sa kapin sa 199 ka dagkong linog sa tibuok kalibutan gigamit nga gilangkoban sa mga 131,000 ka pares sa mainshock-aftershock. Kini nga impormasyon gihiusa sa usa ka modelo nga nakabase sa pisika nga naghulagway kung giunsa ang Yuta ma-strain ug tensiyonado pagkahuman sa usa ka linog nga unya magpahinabo sa mga aftershock. Naghimo sila og 5 kilometro-kuwadrado nga mga grid diin ang sistema magsusi alang sa usa ka aftershock. Ang neural network unya magporma og mga relasyon tali sa mga strain nga gipahinabo sa pangunang linog ug ang lokasyon sa mga aftershock. Kung ang sistema sa neural network nabansay pag-ayo niining paagiha, nakahimo kini sa pagtagna sa lokasyon sa mga aftershock nga tukma. Ang pagtuon hilabihan ka mahagiton tungod kay gigamit niini ang komplikado nga datos sa tinuod nga kalibutan sa mga linog. Ang mga tigdukiduki nag-set up og artipisyal ug klase nga 'ideal' nga mga linog aron makahimo og mga forecast ug dayon gisusi ang mga prediksyon. Sa pagtan-aw sa output sa neural network, gisulayan nila nga analisahon kung unsang lainlaing 'gidaghanon' ang lagmit nga makakontrol sa pagtagna sa mga aftershock. Human sa paghimo og mga spatial nga pagtandi, ang mga tigdukiduki nakaabot sa usa ka konklusyon nga ang usa ka tipikal nga aftershock pattern pisikal nga 'mahubad'. Gisugyot sa team nga ang usa ka kantidad nga gitawag nga ikaduhang variant sa deviatoric stress tension - nga gitawag lang og J2 - mao ang yawe. Kini nga kantidad dali nga mahubad ug kanunay nga gigamit sa metalurhiya ug uban pang mga natad apan wala pa magamit kaniadto alang sa pagtuon sa mga linog.
Ang mga aftershock sa linog hinungdan sa dugang nga mga kadaot, kadaot sa mga kabtangan ug nakababag usab sa mga paningkamot sa pagluwas, busa ang pagtagna niini makaluwas sa kinabuhi sa katawhan. Ang real-time nga forecast mahimong dili posible niining higayona tungod kay ang kasamtangang mga modelo sa AI makaatubang lamang sa usa ka partikular nga klase sa aftershock ug yano nga geological fault line. Importante kini tungod kay ang mga geological fault lines adunay lainlaing geometry sa lainlaing lokasyon sa heyograpiya sa planeta . Busa, mahimong dili kini magamit karon sa lainlaing klase sa linog sa tibuok kalibutan. Bisan pa, ang teknolohiya sa artificial intelligence daw angay alang sa mga linog tungod sa n nga gidaghanon sa mga variable nga kinahanglan nga ikonsiderar sa pagtuon niini, pananglitan ang kusog sa shock, posisyon sa mga tectonic plate, ug uban pa.
Ang mga neural network gidesinyo aron molambo sa paglabay sa panahon, ie samtang mas daghang datos ang gipasulod sa usa ka sistema, daghang pagkat-on ang mahitabo ug ang sistema padayon nga molambo. Sa umaabot ang ingon nga sistema mahimong usa ka hinungdanon nga bahin sa mga sistema sa panagna nga gigamit sa mga seismologist. Ang mga tigplano mahimo usab nga magpatuman sa mga lakang sa emerhensya base sa kahibalo sa pamatasan sa linog. Gusto sa team nga mogamit sa teknolohiya sa artificial intelligence aron matagna ang kadako sa mga linog.
***
Mga gigikanan (s)
DeVries PMR et al. 2018. Lawom nga pagkat-on sa mga sumbanan sa aftershock human sa dagkong mga linog. Nature 560(7720). DOI: https://doi.org/10.1038/s41586-018-0438-y
***
