Por todo lo que los sismólogos han aprendido sobre los terremotos, las nuevas tecnologías muestran cuánto queda por descubrir.

En un nuevo estudio en Avances de la ciencia , investigadores de la Universidad de Columbia muestran que los algoritmos de aprendizaje automático podrían detectar diferentes tipos de terremotos de tres años de grabaciones de terremotos en The Geysers en California, uno de los reservorios geotérmicos más grandes y antiguos del mundo. Los patrones repetidos de los terremotos parecen coincidir con el aumento y la caída estacionales de los flujos de inyección de agua en las rocas calientes que se encuentran debajo. sugiriendo un vínculo con los procesos mecánicos que hacen que las rocas se deslicen o agrieten, desencadenando un terremoto.

"Es una forma totalmente nueva de estudiar los terremotos, "dijo el coautor del estudio, Benjamin Holtzman, un geofísico en el Observatorio Terrestre Lamont-Doherty de Columbia. "Estos métodos de aprendizaje automático detectan diferencias muy sutiles en los datos sin procesar que recién estamos aprendiendo a interpretar".

El enfoque es novedoso en varios sentidos. Los investigadores reunieron un catálogo de 46, 000 grabaciones de terremotos, cada uno representado como ondas de energía en un sismograma. Luego mapearon los cambios en la frecuencia de las ondas a través del tiempo, que trazaron como un espectrograma, una especie de hoja de ruta musical de los tonos cambiantes de las ondas, si se convirtieran en sonido. Los sismólogos suelen analizar los sismogramas para estimar la magnitud de un terremoto y dónde se originó. Pero mirar la información de frecuencia de un terremoto permitió a los investigadores aplicar herramientas de aprendizaje automático que pueden seleccionar patrones en la música y el habla humana con una mínima intervención humana. Con estas herramientas los investigadores redujeron cada terremoto a una "huella digital" espectral que refleja sus sutiles diferencias con los otros terremotos, y luego usó un algoritmo de agrupamiento para clasificar las huellas digitales en grupos.

La asistencia de aprendizaje automático ayudó a los investigadores a establecer un vínculo con las cantidades fluctuantes de agua inyectada bajo tierra durante el proceso de extracción de energía. dando a los investigadores una posible explicación de por qué la computadora agrupó las señales como lo hizo. "El trabajo ahora es examinar estos grupos con métodos tradicionales y ver si podemos entender la física detrás de ellos, "dijo el coautor del estudio Felix Waldhauser, sismólogo en Lamont-Doherty. "Por lo general, tiene una hipótesis y la prueba. Aquí está construyendo una hipótesis a partir de un patrón que la máquina ha encontrado".

Si los terremotos en diferentes grupos se pueden vincular a los tres mecanismos que generalmente generan terremotos en un yacimiento geotérmico:fractura por cizallamiento, fractura térmica y agrietamiento hidráulico:podría ser posible, los investigadores dicen, para aumentar la producción de energía en los reservorios geotérmicos. Si los ingenieros pueden comprender lo que sucede en el yacimiento casi en tiempo real, pueden experimentar con el control de los flujos de agua para crear más grietas pequeñas, y por lo tanto, agua calentada para generar vapor y eventualmente electricidad. Estos métodos también podrían ayudar a reducir la probabilidad de desencadenar terremotos más grandes, en The Geysers, y en cualquier otro lugar que se bombee fluido bajo tierra, incluso en los sitios de eliminación de fluidos de fracturación hidráulica. Finalmente, las herramientas podrían ayudar a identificar las señales de advertencia de uno grande en su camino, uno de los santos griales de la sismología.

La investigación surgió de una colaboración artística inusual. Como músico Holtzman llevaba mucho tiempo sintonizado con los extraños sonidos de los terremotos. Con el diseñador de sonido Jason Candler, Holtzman había convertido las ondas sísmicas de grabaciones de terremotos notables en sonidos, y luego los aceleró para hacerlos inteligibles para el oído humano. Su colaboración, con el coautor del estudio Douglas Repetto, se convirtió en la base de Seismodome, un espectáculo recurrente en el Planetario Hayden del Museo Americano de Historia Natural que coloca a las personas dentro de la tierra para experimentar el planeta vivo.

A medida que la exhibición evolucionó, Holtzman comenzó a preguntarse si el oído humano podría tener una comprensión intuitiva de la física de los terremotos. En una serie de experimentos, él y el coautor del estudio Arthur Paté, luego investigador postdoctoral en Lamont-Doherty, confirmó que los humanos podían distinguir entre temblores que se propagan a través del lecho marino o una corteza continental más rígida, y originada por una falla de empuje o deslizamiento.

Alentado, y buscando expandir la investigación, Holtzman se acercó al coautor del estudio John Paisley, profesor de ingeniería eléctrica en Columbia Engineering y en el Data Science Institute de Columbia. Holtzman quería saber si las herramientas de aprendizaje automático podrían detectar algo nuevo en un gigantesco conjunto de datos de terremotos. Decidió comenzar con datos de The Geysers debido a un interés de larga data en la energía geotérmica.

"Era un problema típico de agrupamiento, "dice Paisley". Pero con 46, 000 terremotos no fue una tarea sencilla ".

A Paisley se le ocurrió una solución de tres pasos. Primero, un tipo de algoritmo de modelado de temas seleccionó las frecuencias más comunes en el conjunto de datos. Próximo, otro algoritmo identificó las combinaciones de frecuencia más comunes en cada espectrograma de 10 segundos para calcular su huella acústica única. Finalmente, un algoritmo de agrupamiento, sin que le digan cómo organizar los datos, agrupados los 46, 000 huellas dactilares por semejanza. El procesamiento numérico que podría haber llevado a un grupo de computadoras varias semanas se realizó en unas pocas horas en una computadora portátil gracias a otra herramienta, inferencia variacional estocástica, Paisley había ayudado anteriormente a desarrollarse.

Cuando los investigadores compararon los grupos con los volúmenes promedio mensuales de inyección de agua en The Geysers, un patrón saltó:una alta tasa de inyección en invierno, a medida que las ciudades envían más agua de escorrentía a la zona, se asoció con más terremotos y un tipo de señal. Una baja tasa de inyección en verano correspondió a menos terremotos, y una señal separada, con señales de transición en primavera y otoño.

Los investigadores planean aplicar estos métodos a las grabaciones de otros terremotos que ocurren naturalmente, así como a los simulados en el laboratorio para ver si pueden vincular tipos de señales con diferentes procesos de fallas. Otro estudio publicado el año pasado en Geophysical Research Letters sugiere que están en un camino prometedor. Un equipo dirigido por el investigador de Los Alamos Paul Johnson demostró que las herramientas de aprendizaje automático podían detectar una señal acústica sutil en los datos de los experimentos de laboratorio y predecir cuándo ocurriría el próximo terremoto microscópico. Aunque las fallas naturales son más complejas, la investigación sugiere que el aprendizaje automático podría generar información para identificar los precursores de los grandes terremotos.