Наши дома и офисы так же прочны, как земля под ними. Когда эта твердая почва превращается в жидкость—как иногда случается во время землетрясений,—она может опрокинуть здания и мосты. Это явление известно как разжижение, и оно было главной особенностью землетрясения 2011 года в Крайстчерче, Новая Зеландия, магнитудой 6,3, в результате которого погибло 185 человек и разрушены тысячи домов.

Положительным моментом землетрясения в Крайстчерче было то, что оно было одним из самых хорошо документированных в истории. Поскольку Новая Зеландия сейсмически активна, город был оснащен многочисленными датчиками для мониторинга землетрясений. Рекогносцировка после событий предоставила множество дополнительных данных о том, как реагировала почва по всему городу.

"Это огромный объем данных для нашей области",-сказала постдокторский исследователь Мария Джованна Дюранте, ранее работавшая с Марией Склодовской Кюри из Техасского университета в Остине (штат Остин). "Мы сказали:" Если у нас будут тысячи точек данных, возможно, мы сможем найти тенденцию"."

Дюранте работает с проф. Эллен Ратье, столетняя кафедра Джанет С. Кокрелл в области инженерии в Университете Остина и главный исследователь финансируемой Национальным научным фондом киберинфраструктуры DesignSafe, которая поддерживает исследования в сообществе стихийных бедствий. Личные исследования Ратье по сжижению привели ее к изучению события в Крайстчерче. Она думала о том, как включить машинное обучение в свои исследования, и это дело показалось ей отличным местом для начала.

"В течение некоторого времени я был впечатлен тем, как машинное обучение внедряется в другие области, но, похоже, у нас никогда не было достаточно данных в области геотехники, чтобы использовать эти методы", - сказал Ратье. "Однако, когда я увидел данные по сжижению, поступающие из Новой Зеландии, я понял, что у нас появилась уникальная возможность наконец применить методы искусственного интеллекта в нашей области."

Два исследователя разработали модель машинного обучения, которая предсказала величину бокового перемещения, которое произошло, когда землетрясение в Крайстчерче привело к тому, что почва потеряла свою прочность и сдвинулась относительно окружающей среды.

Результаты были опубликованы в Интернете в журнале "Спектры землетрясений" в апреле 2021 года.

"Это одно из первых исследований в области машинного обучения в нашей области геотехники", - сказал Дюранте.

Исследователи впервые использовали подход Случайного леса с бинарной классификацией, чтобы спрогнозировать, произошли ли боковые движения распространения в определенном месте. Затем они применили подход многоклассовой классификации для прогнозирования величины смещения от нуля до более чем 1 метра.

"Нам нужно было включить физику в нашу модель и уметь распознавать, понимать и визуализировать то, что делает модель", - сказал Дюранте. "По этой причине было важно выбрать конкретные входные характеристики, которые соответствуют изучаемому нами явлению. Мы не используем модель в качестве черного ящика— мы пытаемся максимально интегрировать наши научные знания."

Дюранте и Ратье обучили модель, используя данные, связанные с пиковым сотрясением грунта (триггер для разжижения), глубиной грунтовых вод, топографическим уклоном и другими факторами. В общей сложности для подготовки данных было использовано более 7000 точек данных из небольшого района города—большое улучшение, поскольку в предыдущих исследованиях по геотехническому машинному обучению использовалось только 200 точек данных.

Они протестировали свою модель по всему городу на 2,5 миллионах участков вокруг эпицентра землетрясения, чтобы определить смещение. Их модель предсказывала, произойдет ли сжижение с точностью 80%; она была на 70% точной при определении величины смещения.

Исследователи использовали суперкомпьютер Frontera в Техасском центре передовых вычислений (TACC), одном из самых быстрых в мире, для обучения и тестирования модели. TACC является ключевым партнером в проекте DesignSafe, предоставляя вычислительные ресурсы, программное обеспечение и хранилища для инженерного сообщества по стихийным бедствиям.

Доступ к Frontera предоставил Durante и Ратье возможности машинного обучения в масштабах, ранее недоступных в этой области. Для получения окончательной модели машинного обучения потребовалось протестировать 2400 возможных моделей.

"В любом другом месте потребовались бы годы, чтобы провести это исследование", - сказал Дюранте. "Если вы хотите провести параметрическое исследование или провести всесторонний анализ, вам нужна вычислительная мощность."

Она надеется, что их модели машинного обучения по сжижению в один прекрасный день направят сотрудников первой помощи на самые неотложные потребности после землетрясения. "Аварийные бригады нуждаются в руководстве о том, какие районы и какие структуры могут быть наиболее подвержены риску обрушения, и сосредоточить свое внимание там", - сказала она.

Совместное использование, воспроизводимость и доступ

Для Ратье, Дюранте и растущего числа инженеров по стихийным бедствиям публикация в журнале-не единственный результат исследовательского проекта. Они также публикуют все свои данные, модели и методы на портале DesignSafe, который является центром исследований, связанных с воздействием ураганов, землетрясений, цунами и других стихийных бедствий на окружающую среду и окружающую среду.

"Мы сделали все для проекта на портале DesignSafe", - сказал Дюранте. "Все карты были сделаны с помощью QGIS, картографического инструмента, доступного в DesignSafe, с использованием моего компьютера в качестве способа подключения к киберинфраструктуре."

Для своей модели сжижения машинного обучения они создали записную книжку Jupyter—интерактивный веб-документ, включающий набор данных, код и анализ. Записная книжка позволяет другим ученым в интерактивном режиме воспроизводить результаты работы команды и тестировать модель машинного обучения на своих собственных данных.

"Для нас было важно сделать материалы доступными и сделать их воспроизводимыми", - сказал Дюранте. "Мы хотим, чтобы все сообщество продвигалось вперед с помощью этих методов."

Эта новая парадигма обмена данными и сотрудничества занимает центральное место в DesignSafe и помогает быстрее продвигаться в этой области, по словам Джой Паушке, директора программы в инженерном директорате NSF.

"Исследователи начинают использовать методы искусственного интеллекта с данными исследований стихийных бедствий, с захватывающими результатами", - сказал Паушке. "Добавление инструментов машинного обучения в данные DesignSafe и другие ресурсы приведет к новым выводам и ускорит достижения, которые могут повысить устойчивость к стихийным бедствиям."

Достижения в области машинного обучения требуют обширных наборов данных, точно таких же, как данные землетрясения в Крайстчерче. "Вся информация о мероприятии в Крайстчерче была доступна на веб-сайте", - сказал Дюранте. "Это не так часто встречается в нашем сообществе, и без этого это исследование не было бы невозможным."

Достижения также требуют высокопроизводительных вычислительных систем для тестирования новых подходов и их применения в новых областях.

Исследователи продолжают совершенствовать модель машинного обучения для сжижения. По их словам, необходимы дальнейшие исследования для разработки моделей машинного обучения, которые можно обобщить на другие землетрясения и геологические условия.

Дюранте, которая в этом году вернулась в свою родную Италию, говорит, что одна вещь, которую она надеется забрать из США, - это способность исследований влиять на государственную политику.

Она сослалась на недавний проект, в рамках которого Скотт Бранденберг и Джонатан Стюарт (Калифорнийский университет, Лос-Анджелес) разработали новую методологию для определения того, разрушится ли подпорная стена во время землетрясения. Менее чем через три года после начала их исследований рекомендуемые сейсмические положения для новых зданий и других сооружений в США включали их методологию.

"Я хочу, чтобы моя работа влияла на повседневную жизнь", - сказал Дюранте. "В США существует более прямая связь между исследованиями и реальной жизнью, и это то, что я хотел бы вернуть домой."

ИСТОЧНИК