Une approche d’apprentissage automatique développée pour des données éparses prédit de manière fiable le glissement de faille dans les séismes de laboratoire et pourrait être la clé pour prédire le glissement de faille et potentiellement les tremblements de terre sur le terrain. Les recherches d’une équipe du Laboratoire national de Los Alamos s’appuient sur leurs succès antérieurs en utilisant des approches basées sur les données qui ont fonctionné pour des événements à glissement lent sur Terre, mais ont échoué sur des failles de glissement à grande échelle qui génèrent relativement peu de données – mais de gros tremblements de terre .
« L’intervalle de temps très long entre les séismes majeurs limite les ensembles de données, car les failles majeures peuvent ne glisser qu’une fois tous les 50 à 100 ans ou plus, ce qui signifie que les sismologues ont eu peu d’occasions de collecter les vastes quantités de données d’observation nécessaires à l’apprentissage automatique », a déclaré Paul Johnson, géophysicien à Los Alamos et co-auteur d’un nouvel article, « Predicting Fault Slip via Transfer Learning », dans Nature Communications.
Pour compenser les données limitées, a déclaré Johnson, l’équipe a formé un réseau de neurones convolutifs sur la sortie de simulations numériques de tremblements de terre en laboratoire ainsi que sur un petit ensemble de données d’expériences en laboratoire. Ensuite, ils ont pu prédire les erreurs dans les données de laboratoire non vues restantes.
Cette recherche a été la première application de l’apprentissage par transfert aux simulations numériques pour prédire le glissement de faille dans les expériences de laboratoire, a déclaré Johnson, et personne ne l’a appliqué aux observations de la Terre.
Avec l’apprentissage par transfert, les chercheurs peuvent généraliser d’un modèle à un autre afin de surmonter la rareté des données. L’approche a permis à l’équipe du laboratoire de s’appuyer sur leurs précédentes expériences d’apprentissage automatique basées sur les données pour prédire avec succès le glissement dans les tremblements de terre en laboratoire et de l’appliquer aux données éparses des simulations. Plus précisément, dans ce cas, l’apprentissage par transfert fait référence à la formation du réseau de neurones sur un type de données – sortie de simulation – et à son application à un autre – données expérimentales – avec l’étape supplémentaire de formation sur un petit sous-ensemble de données expérimentales, également.
« Notre moment aha est venu lorsque j’ai réalisé que nous pouvions adopter cette approche de la terre », a déclaré Johnson. « Nous pouvons simuler une faille sismogénique dans la terre, puis incorporer les données de la faille réelle pendant une partie du cycle de glissement grâce au même type d’entraînement croisé. » L’objectif serait de prédire le mouvement d’une faille dans une faille sismogène telle que celle de San Andreas, où les données sont limitées par des tremblements de terre peu fréquents.
L’équipe a d’abord effectué des simulations numériques des tremblements de terre du laboratoire. Ces simulations impliquent la construction d’une grille mathématique et le branchement de valeurs pour simuler le comportement des défauts, qui ne sont parfois que de bonnes suppositions.
Pour cet article, le réseau de neurones convolutifs comprenait un encodeur qui résume la sortie de la simulation à ses caractéristiques clés, qui sont encodées dans l’espace caché ou latent du modèle, entre l’encodeur et le décodeur. Ces caractéristiques sont l’essence des données d’entrée qui peuvent prédire le comportement de glissement de défaut.
Le réseau de neurones a décodé les caractéristiques simplifiées pour estimer la friction sur le défaut à un moment donné. Dans un raffinement supplémentaire de cette méthode, l’espace latent du modèle a en outre été formé sur une petite tranche de données expérimentales. Armé de cet « entraînement croisé », le réseau de neurones a prédit avec précision les événements de dérapage lorsqu’il a reçu des données invisibles d’une expérience différente.
Source de l’histoire :
Matériaux fourni par Laboratoire national DOE/Los Alamos. Remarque : Le contenu peut être modifié pour le style et la longueur.
.
