Une approche d’intelligence artificielle empruntée au traitement du langage naturel – un peu comme la traduction de la langue et le remplissage automatique du texte sur votre smartphone – peut prédire les futures frictions de faute et la prochaine heure de défaillance avec une haute résolution dans les tremblements de terre de laboratoire. La technique, qui applique l’IA aux signaux acoustiques de la faille, fait progresser les travaux antérieurs et va au-delà en prédisant les aspects de l’état futur du système physique de la faille.
« En termes simples, nous prédisons les frictions futures. Cela n’a jamais été fait, et cela offre une voie potentielle vers la prévision à court terme du moment des tremblements de terre sur Terre », a déclaré Chris Johnson, co-auteur principal d’un article sur les découvertes dans Lettres de recherche géophysique.
Paul Johnson, auteur correspondant de l’article, géophysicien et chercheur au Laboratoire national de Los Alamos, dirige une équipe qui a fait des progrès constants dans l’application de diverses techniques d’apprentissage automatique au défi de la prévision des tremblements de terre en laboratoire et sur le terrain.
« Les signaux acoustiques émis par la faille du laboratoire contiennent des informations préfigurant la future physique fondamentale du système tout au long du cycle sismique et au-delà, comme nous le montrons maintenant », a déclaré Paul Johnson. « Cela n’a jamais été vu auparavant. »
Dans une nouvelle approche, l’équipe de Los Alamos a appliqué un modèle de transformateur d’apprentissage en profondeur aux émissions acoustiques diffusées depuis la faille du laboratoire pour prédire l’état de frottement.
« Le modèle de transformateur d’apprentissage en profondeur que nous avons utilisé est synonyme d’un modèle de traduction de langue, tel que Google Translate, utilisant un livre de codes pour traduire une phrase dans une autre langue », a déclaré Chris Johnson. « Vous pouvez considérer cela comme écrire un e-mail en anglais et demander à l’IA de traduire l’anglais en japonais tout en anticipant vos mots et en remplissant automatiquement la fin de la phrase. »
Chris Johnson a déclaré que l’IA « prend des données sur ce qui se passe en ce moment et dit ce qui se passe ensuite sur la faille ».
L’équipe de Los Alamos avait précédemment prévu le moment des pannes dans les tremblements de terre en laboratoire et dans les données historiques de la Terre à glissement lent en utilisant un certain nombre de techniques d’apprentissage automatique. L’application de l’apprentissage automatique aux données d’expériences de cisaillement en laboratoire a démontré que les émissions de défaut sont imprimées avec des informations concernant son état actuel et son emplacement dans le cycle de glissement.
En effet, les caractéristiques statistiques du signal sismique continu émis par la faille et identifié par apprentissage automatique ont permis aux chercheurs de Los Alamos de prédire l’évolution instantanée – mais pas future – de la friction, du déplacement et d’autres caractéristiques de la faille, ainsi que le moment de la prochain séisme de laboratoire.
Dans ce travail précédent, la forme d’onde, ou l’émission acoustique, les données sont entrées dans un modèle pour prédire l’état actuel du système de défaut. Cette prédiction comprend une estimation du compte à rebours, ou le temps jusqu’à la défaillance, pour le prochain événement de glissement, avec un certain degré d’incertitude, qui n’est pas une prédiction future mais une description de l’état actuel du système.
« Maintenant, nous faisons une prédiction future à partir de données passées, qui va au-delà de la description de l’état instantané du système. Le modèle apprend à partir des formes d’onde pour prédire le futur frottement de défaut et quand le prochain événement de glissement se produira en utilisant uniquement les informations passées, sans en utilisant toutes les données du pas de temps futur qui nous intéresse », a déclaré Chris Johnson.
« Le modèle n’est pas contraint par la physique, mais il prédit la physique, le comportement réel du système », a déclaré Chris Johnson.
« Le prochain défi est de savoir si nous pouvons le faire sur Terre pour prédire le déplacement futur des failles, par exemple », a déclaré Paul Johnson. « C’est une question ouverte, car nous n’avons pas de longs ensembles de données pour la formation de modèles comme nous le faisons en laboratoire. »
La méthode pourrait être appliquée à d’autres disciplines, telles que les essais non destructifs de matériaux, où elle pourrait fournir des informations sur les dommages progressifs et les dommages imminents à, par exemple, un pont.
