AI mendeteksi gempa bumi tersembunyi


Newswise – Pengukuran getaran Bumi berliku-liku di layar Mostafa Mousavi suatu pagi di Memphis, Tenn. Sebagai bagian dari studi PhD-nya di bidang geofisika, ia duduk memindai sinyal gempa yang direkam malam sebelumnya, memverifikasi bahwa algoritme yang telah berusia puluhan tahun telah mendeteksi gempa bumi yang sebenarnya. daripada getaran yang ditimbulkan oleh hal-hal biasa seperti deburan ombak, truk yang lewat, atau hentakan penggemar sepak bola.

“Saya melakukan semua pekerjaan yang membosankan ini selama enam bulan, melihat data terus menerus,” Mousavi, sekarang seorang ilmuwan peneliti di Sekolah Ilmu Bumi, Energi & Lingkungan Stanford (Stanford Earth), mengenang baru-baru ini. “Itulah saat saya berpikir, ‘Pasti ada cara yang lebih baik untuk melakukan hal ini.'”

Ini terjadi pada tahun 2013. Ponsel pintar genggam sudah dimuat dengan algoritma yang dapat memecah ucapan menjadi gelombang suara dan menghasilkan kata-kata yang paling mungkin dalam pola tersebut. Dengan menggunakan kecerdasan buatan, mereka bahkan dapat belajar dari rekaman masa lalu agar menjadi lebih akurat dari waktu ke waktu.

Gelombang seismik dan gelombang suara tidak jauh berbeda. Yang satu bergerak melalui batuan dan fluida, yang lainnya melalui udara. Namun, sementara pembelajaran mesin telah mengubah cara komputer pribadi memproses dan berinteraksi dengan suara dan suara, algoritme yang digunakan untuk mendeteksi gempa bumi dalam aliran data seismik hampir tidak berubah sejak 1980-an.

Hal itu menyebabkan banyak gempa bumi tidak terdeteksi.

Gempa besar sulit untuk dilewatkan, tapi jarang terjadi. Sementara itu, gempa kecil tanpa disadari selalu terjadi. Terjadi pada kesalahan yang sama seperti gempa bumi yang lebih besar – dan melibatkan fisika yang sama dan mekanisme yang sama – “gempa mikro” ini mewakili cache informasi yang belum dimanfaatkan tentang bagaimana gempa bumi berevolusi – tetapi hanya jika para ilmuwan dapat menemukannya.

Newswise – Dalam makalah terbaru yang diterbitkan di Komunikasi Alam, Mousavi dan rekan penulisnya menjelaskan metode baru dalam menggunakan kecerdasan buatan untuk memfokuskan jutaan pergeseran halus Bumi ini. “Dengan meningkatkan kemampuan kita untuk mendeteksi dan menemukan gempa bumi yang sangat kecil ini, kita bisa mendapatkan pandangan yang lebih jelas tentang bagaimana gempa bumi berinteraksi atau menyebar di sepanjang patahan, bagaimana mulainya, bahkan bagaimana berhenti,” kata ahli geofisika Stanford Gregory Beroza, salah satu dari penulis makalah.

Berfokus pada hal yang penting

Mousavi mulai mengerjakan teknologi untuk mengotomatiskan pendeteksian gempa bumi segera setelah tugasnya memeriksa seismogram harian di Memphis, tetapi modelnya kesulitan untuk menghilangkan kebisingan yang melekat pada data seismik. Beberapa tahun kemudian, setelah bergabung dengan lab Beroza di Stanford pada tahun 2017, dia mulai memikirkan tentang cara menyelesaikan masalah ini menggunakan pembelajaran mesin.

Grup tersebut telah menghasilkan serangkaian detektor yang semakin kuat. Model 2018 yang disebut PhaseNet, dikembangkan oleh Beroza dan mahasiswa pascasarjana Weiqiang Zhu, mengadaptasi algoritme dari pemrosesan citra medis untuk unggul dalam pengambilan fase, yang melibatkan identifikasi awal yang tepat dari dua jenis gelombang seismik yang berbeda. Model pembelajaran mesin lain, dirilis pada 2019 dan dijuluki CRED, terinspirasi oleh algoritme pemicu suara dalam sistem asisten virtual dan terbukti efektif dalam pendeteksian. Kedua model mempelajari pola dasar urutan gempa dari satu set seismogram yang relatif kecil yang hanya tercatat di California utara.

Dalam Komunikasi Alam kertas, penulis melaporkan bahwa mereka telah mengembangkan model baru untuk mendeteksi gempa bumi yang sangat kecil dengan sinyal lemah yang biasanya diabaikan oleh metode saat ini, dan untuk memilih waktu yang tepat dari fase seismik menggunakan data gempa dari seluruh dunia. Mereka menyebutnya Transformator Gempa.

Menurut Mousavi, model tersebut dibangun di atas PhaseNet dan CRED, dan “menyematkan wawasan yang saya peroleh sejak saya melakukan semua ini secara manual”. Secara khusus, Transformator Gempa meniru cara analis manusia melihat serangkaian goyangan secara keseluruhan dan kemudian mengasah bagian kecil yang menarik.

Orang-orang melakukan ini secara intuitif dalam kehidupan sehari-hari – mengabaikan detail yang kurang penting untuk lebih fokus pada hal yang penting. Ilmuwan komputer menyebutnya sebagai “mekanisme perhatian” dan sering menggunakannya untuk meningkatkan terjemahan teks. Tapi ini baru di bidang deteksi gempa otomatis, kata Mousavi. “Saya membayangkan bahwa detektor dan pemetik fase generasi baru ini akan menjadi norma untuk pemantauan gempa dalam satu atau dua tahun mendatang,” katanya.

Teknologi ini memungkinkan analis untuk fokus pada penggalian wawasan dari katalog gempa bumi yang lebih lengkap, membebaskan waktu mereka untuk berpikir lebih banyak tentang apa arti pola gempa bumi, kata Beroza, Profesor Ilmu Bumi Wayne Loel di Stanford Earth.

Kesalahan tersembunyi

Memahami pola akumulasi getaran kecil selama beberapa dekade atau abad bisa menjadi kunci untuk meminimalkan kejutan – dan kerusakan – saat gempa yang lebih besar melanda.

Gempa Loma Prieta tahun 1989 menempati peringkat sebagai salah satu bencana gempa bumi paling merusak dalam sejarah AS, dan sebagai salah satu yang terbesar yang melanda California utara dalam satu abad terakhir. Ini adalah perbedaan yang lebih sedikit menunjukkan kekuatan luar biasa dalam kasus Loma Prieta daripada kesenjangan dalam kesiapsiagaan gempa, pemetaan bahaya dan kode bangunan – dan pada gempa bumi besar yang sangat langka.

Hanya sekitar satu dari lima dari sekitar 500.000 gempa bumi yang terdeteksi secara global oleh sensor seismik setiap tahun menghasilkan getaran yang cukup kuat untuk disadari oleh orang-orang. Dalam satu tahun, mungkin 100 gempa akan menyebabkan kerusakan.

Pada akhir 1980-an, komputer sudah mulai bekerja menganalisis data seismik yang direkam secara digital, dan mereka menentukan kejadian dan lokasi gempa bumi seperti Loma Prieta dalam beberapa menit. Keterbatasan pada komputer dan data bentuk gelombang, bagaimanapun, menyebabkan banyak gempa bumi kecil tidak terdeteksi dan banyak gempa bumi yang lebih besar hanya diukur sebagian.

Setelah pelajaran keras dari Loma Prieta, banyak komunitas California bergantung pada peta yang menunjukkan zona patahan dan area di mana gempa kemungkinan besar paling merusak. Membongkar catatan gempa bumi masa lalu dengan Earthquake Transformer dan alat lainnya dapat membuat peta tersebut lebih akurat dan membantu mengungkap kesalahan yang mungkin terungkap hanya setelah kehancuran dari gempa yang lebih besar, seperti yang terjadi dengan Loma Prieta pada tahun 1989, dan dengan gempa bumi berkekuatan 6,7 Northridge di Los Angeles lima tahun kemudian.

“Semakin banyak informasi yang bisa kita dapatkan tentang struktur sesar tiga dimensi yang dalam melalui pemantauan yang lebih baik terhadap gempa bumi kecil, semakin baik kita dapat mengantisipasi gempa bumi yang mengintai di masa depan,” kata Beroza.

Transformator Gempa

Untuk menentukan lokasi dan besaran gempa, algoritme yang ada dan pakar manusia sama-sama mencari waktu kedatangan dua jenis gelombang. Set pertama, yang dikenal sebagai gelombang primer atau P, maju dengan cepat – mendorong, menarik, dan menekan tanah seperti Slinky saat mereka bergerak melewatinya. Berikutnya datang gelombang geser atau S, yang bergerak lebih lambat tetapi bisa lebih merusak karena mereka menggerakkan Bumi dari sisi ke sisi atau ke atas dan ke bawah.

Untuk menguji Transformator Gempa, tim ingin melihat cara kerjanya dengan gempa yang tidak termasuk dalam data pelatihan yang digunakan untuk mengajarkan algoritme seperti apa gempa bumi yang sebenarnya dan fase seismiknya. Data pelatihan termasuk satu juta seismogram berlabel tangan yang sebagian besar tercatat selama dua dekade terakhir di mana gempa bumi terjadi secara global, tidak termasuk Jepang. Untuk pengujian, mereka memilih lima minggu data terus menerus yang tercatat di wilayah Jepang yang diguncang 20 tahun lalu oleh gempa bumi Tottori berkekuatan 6,6 dan gempa susulannya.

Model tersebut mendeteksi dan menemukan 21.092 peristiwa – lebih dari dua setengah kali jumlah gempa bumi yang ditentukan dengan tangan, menggunakan data hanya dari 18 dari 57 stasiun yang awalnya digunakan ilmuwan Jepang untuk mempelajari urutannya. Transformator Gempa terbukti sangat efektif untuk gempa bumi kecil yang lebih sulit bagi manusia untuk diketahui dan dicatat dalam jumlah yang sangat banyak saat sensor seismik berkembang biak.

“Sebelumnya, orang telah merancang algoritme untuk menemukan gelombang P. Itu masalah yang relatif sederhana,” jelas penulis bersama William Ellsworth, seorang profesor riset geofisika di Stanford. Menentukan awal gelombang S lebih sulit, katanya, karena muncul dari hembusan napas terakhir yang tidak menentu dari gelombang P yang bergerak cepat. Algoritme lain telah mampu menghasilkan katalog gempa yang sangat rinci, termasuk sejumlah besar gempa bumi kecil yang terlewatkan oleh analis – tetapi algoritme pencocokan pola mereka hanya berfungsi di wilayah yang menyediakan data pelatihan.

Dengan Transformator Gempa yang dijalankan pada komputer sederhana, analisis yang biasanya memerlukan waktu berbulan-bulan diselesaikan dalam waktu 20 menit. Kecepatan itu dimungkinkan oleh algoritme yang mencari keberadaan gempa bumi dan waktu fase seismik secara bersamaan, menggunakan informasi yang dikumpulkan dari setiap penelusuran untuk mempersempit solusi bagi yang lain.

“Transformator Gempa mendapat lebih banyak gempa bumi daripada metode lain, apakah itu orang yang duduk dan mencoba menganalisis sesuatu dengan melihat bentuk gelombang, atau metode komputer yang lebih tua,” kata Ellsworth. “Kami mempelajari proses gempa lebih dalam, dan kami melakukannya dengan lebih efisien dan akurat.”

Para peneliti melatih dan menguji Transformator Gempa pada data historis, tetapi teknologinya siap untuk menandai gempa kecil hampir segera setelah terjadi. Menurut Beroza, “Pemantauan gempa menggunakan pembelajaran mesin hampir secara real-time akan segera hadir.”

###


Diposting Oleh : https://singaporeprize.co/

About the author