توسعه شبکه عصبی برای پیش بینی مکان پس لرزه

متخصصان گوگل و هاروارد از طریق آموزش شبکه عصبی روشی را برای پیش بینی مکان وقوع پس لرزه ها ابداع کرده اند.

این محققان شبکه عصبی مذکور را به گونه ای آموزش داده اند که در دیتابیسی شامل ۱۳۱ هزار رویداد زلزله-پس لرزه به دنبال الگوهای معنی دار باشد. در مرحله بعد کارایی شبکه روی مجموعه ای از ۳۰ هزار جفت رویداد زمین لرزه-پس لرزه آزمایش شده است.

به گفته این تیم تحقیاتی شبکه عصبی توانسته نسبت به روش های معمولی نظیر «تغییر تنش شکست کولمب» به نتایج بسیار بهتری دست یافته است. اگر برای تعیین دقت این پیش بینی ها امتیازی بین صفر تا یک در نظر بگیریم، امتیار روش کولمب برابر ۰.۵۸۳ بوده در حالی که شبکه عصبی موفق به کسب امتیاز ۰.۸۴۹ شده که به مراتب بهتر است. دلیل این برتری این است که روش ﺷﻜﺴﺖ ﻛﻮﻟﻤﺐ تنها یک جنبه تغییرات تنش را در نظر می گیرد در حالی که این میزان برای شبکه عصبی چند وجهی است.

پیش بینی های مدل یادگیری عمیق به لطف محاسبات پیچیده ای به نام «معیار تسلیم فون‌مایز» صورت می گیرد که کاربرد اصلی آن پیش بینی زمان شکست مواد تحت فشار است. این مدل قبلا بیشتر در زمینه هایی نظیر فلزات به کار برده شده ودر علم زلزله توجه چندانی به آن نشده است.

با این حال محققان تاکید کرده اند که پروژه آنها حین پیش بینی تنها یک نوع از شروع پس لرزه (تغییرات تنش ایستا) را در نظر میگیرد اما در صورتی که تغییرات پویا هم به شبکه اضافه شود می توان به توزیع فضایی پس لرزه ها دست پیدا کرد.

با توجه به اینکه شبکه های عصبی با آزمون و خطا و گذشت زمان بهبود پیدا می کند، می توان این تحقیق را شروعی موفق برای کاهش خسارات جانی و مالی زلزله ها به شمار آورد.