Aprendizaje profundo de los patrones de réplicas después de grandes terremotos

Área de la Ciencia:

• Sismología
• La geofísica
• Aprendizaje automático

Sus antecedentes:

• Las réplicas son provocadas por los cambios de tensión de los grandes terremotos.
• Las leyes empíricas describen la magnitud y la descomposición de las réplicas, pero el pronóstico espacial sigue siendo un desafío.
• El cambio de tensión de falla de Coulomb es un criterio común pero debatido para la distribución de réplicas.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje profundo para pronosticar la ubicación de las réplicas.
• Identificar un criterio basado en la tensión estática para la predicción de réplicas sin suposiciones de orientación de fallas.
• Mejorar la precisión de las previsiones de réplicas en comparación con los métodos existentes.

Principales métodos:

• Utilizó una red neuronal entrenada en más de 131.000 pares de réplicas.
• Aplicó el modelo a un conjunto de datos de prueba independiente de más de 30.000 pares de réplicas.
• Comparó las predicciones de aprendizaje profundo con el cambio de estrés clásico de falla de Coulomb.

Principales resultados:

• El modelo de aprendizaje profundo logró una mayor precisión (AUC de 0,849) que el cambio de estrés por falla de Coulomb (AUC de 0,583).
• Los patrones aprendidos son físicamente interpretables, con la tensión de corte y las invariantes tensoriales de tensión que explican la varianza de predicción.
• Identificó las cantidades físicas clave que controlan el desencadenamiento de terremotos.

Conclusiones:

• El aprendizaje profundo ofrece un método más preciso para pronosticar la ubicación de las réplicas.
• El estudio revela criterios basados en el estrés físicamente significativos para el desencadenamiento de terremotos.
• Este enfoque mejora la comprensión del ciclo sísmico y las capacidades de pronóstico de terremotos.