Nuestras casas y oficinas son tan sólidas como el suelo debajo de ellas. Cuando ese suelo sólido se vuelve líquido, como sucede a veces durante los terremotos, puede derribar edificios y puentes. Este fenómeno se conoce como licuefacción, y fue una característica importante del terremoto de 2011 en Christchurch, Nueva Zelanda, un terremoto de magnitud 6,3 que mató a 185 personas y destruyó miles de hogares.

Una ventaja del terremoto de Christchurch fue que fue uno de los mejor documentados de la historia. Debido a que Nueva Zelanda es sísmicamente activa, la ciudad estaba equipada con numerosos sensores para monitorear terremotos. El reconocimiento posterior al evento proporcionó una gran cantidad de datos adicionales sobre cómo respondió el suelo en toda la ciudad.

"Es una enorme cantidad de datos para nuestro campo, "dijo el investigador postdoctoral, María Giovanna Durante, becaria Marie Sklodowska Curie anteriormente de la Universidad de Texas en Austin (UT Austin). "Dijimos, 'Si tenemos miles de puntos de datos, tal vez podamos encontrar una tendencia '".

Durante trabaja con la profesora Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering en UT Austin e investigadora principal de la ciberinfraestructura DesignSafe, financiada por la National Science Foundation, que apoya la investigación en toda la comunidad de peligros naturales. La investigación personal de Rathje sobre la licuefacción la llevó a estudiar el evento de Christchurch. Había estado pensando en formas de incorporar el aprendizaje automático en su investigación y este caso parecía un gran lugar para comenzar.

"Durante algún tiempo, Me había impresionado cómo se estaba incorporando el aprendizaje automático a otros campos, pero parecía que nunca tuvimos suficientes datos en ingeniería geotécnica para utilizar estos métodos, "Dijo Rathje." Sin embargo, cuando vi los datos de licuefacción procedentes de Nueva Zelanda, Sabía que teníamos una oportunidad única de aplicar finalmente las técnicas de IA a nuestro campo ".

Los dos investigadores desarrollaron un modelo de aprendizaje automático que predijo la cantidad de movimiento lateral que se produjo cuando el terremoto de Christchurch hizo que el suelo perdiera su fuerza y ​​se desplazara en relación con su entorno.

Los resultados se publicaron en línea en Espectros de terremotos en abril de 2021.

"Es uno de los primeros estudios de aprendizaje automático en nuestra área de ingeniería geotécnica, "Durante dijo.

Los investigadores utilizaron por primera vez un enfoque de bosque aleatorio con una clasificación binaria para pronosticar si se producían movimientos de propagación lateral en una ubicación específica. Luego aplicaron un enfoque de clasificación multiclase para predecir la cantidad de desplazamiento, desde ninguno hasta más de 1 metro.

"Necesitábamos incorporar la física en nuestro modelo y poder reconocer, comprender, y visualizar lo que hace el modelo, "Durante dijo." Por esa razón, era importante seleccionar características de entrada específicas que vayan con el fenómeno que estudiamos. No estamos usando el modelo como una caja negra, estamos tratando de integrar nuestro conocimiento científico tanto como sea posible ".

Durante y Rathje entrenaron el modelo utilizando datos relacionados con el temblor de tierra máximo experimentado (un desencadenante de la licuefacción), la profundidad del nivel freático, la pendiente topográfica, y otros factores. En total, más de 7, Se utilizaron 000 puntos de datos de una pequeña zona de la ciudad para los datos de formación:una gran mejora, ya que los estudios previos de aprendizaje automático geotécnico habían utilizado solo 200 puntos de datos.

Probaron su modelo en toda la ciudad en 2,5 millones de sitios alrededor del epicentro del terremoto para determinar el desplazamiento. Su modelo predijo si la licuefacción ocurría con un 80% de precisión; tenía una precisión del 70% para determinar la cantidad de desplazamiento.

Los investigadores utilizaron la supercomputadora Frontera en el Centro de Computación Avanzada de Texas (TACC), uno de los más rápidos del mundo, para entrenar y probar el modelo. TACC es un socio clave en el proyecto DesignSafe, proporcionar recursos informáticos, software, y almacenamiento para la comunidad de ingenieros de peligros naturales.

El acceso a Frontera proporcionó capacidades de aprendizaje automático durante y Rathje en una escala que antes no estaba disponible en el campo. Derivar el modelo final de aprendizaje automático requirió pruebas 2, 400 modelos posibles.

"Habría tardado años en realizar esta investigación en cualquier otro lugar, "Durante dijo." Si desea realizar un estudio paramétrico, o hacer un análisis completo, necesitas tener poder computacional ".

Ella espera que sus modelos de licuefacción de aprendizaje automático algún día dirijan a los primeros en responder a las necesidades más urgentes después de un terremoto. "Los equipos de emergencia necesitan orientación sobre qué áreas, y que estructuras, pueden tener mayor riesgo de colapso y centrar su atención allí, " ella dijo.

Intercambio, Reproducibilidad, y acceso

Para Rathje, Durante, y un número creciente de ingenieros de peligros naturales, la publicación de una revista no es el único resultado de un proyecto de investigación. También publican todos sus datos, modelos y métodos para el portal DesignSafe, un centro de investigación relacionada con el impacto de los huracanes, terremotos, tsunamis, y otros peligros naturales en el entorno natural y construido.

"Hicimos todo sobre el proyecto en el portal DesignSafe, "Durante dijo." Todos los mapas se hicieron usando QGIS, una herramienta de mapeo disponible en DesignSafe, usando mi computadora como una forma de conectarme a la ciberinfraestructura ".

Para su modelo de licuefacción de aprendizaje automático, crearon un cuaderno de Jupyter, un interactivo, documento basado en web que incluye el conjunto de datos, código, y análisis. El cuaderno permite a otros académicos reproducir los hallazgos del equipo de forma interactiva, y probar el modelo de aprendizaje automático con sus propios datos.

"Para nosotros era importante que los materiales estuvieran disponibles y que fueran reproducibles, Durante dijo. "Queremos que toda la comunidad avance con estos métodos".

Este nuevo paradigma de intercambio de datos y colaboración es fundamental para DesignSafe y ayuda a que el campo progrese más rápidamente. según Joy Pauschke, director de programa en la Dirección de Ingeniería de NSF.

"Los investigadores están comenzando a utilizar métodos de inteligencia artificial con datos de investigación de peligros naturales, con resultados emocionantes, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, ellos dicen, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."