En écoutant le signal acoustique émis par un séisme créé en laboratoire, une approche informatique utilisant l'apprentissage automatique peut prédire le temps restant avant que la panne ne tombe en panne.

« A un instant donné, le bruit provenant de la zone de faille du laboratoire fournit des informations quantitatives sur le moment où la faille va glisser, " a déclaré Paul Johnson, un boursier du Laboratoire national de Los Alamos et chercheur principal de la recherche, qui a été publié aujourd'hui dans Lettres de recherche géophysique .

"La nouveauté de notre travail est l'utilisation du machine learning pour découvrir et comprendre une nouvelle physique de l'échec, par l'examen du signal auditif enregistré à partir du dispositif expérimental. Je pense que l'avenir de la physique des tremblements de terre reposera fortement sur l'apprentissage automatique pour traiter des quantités massives de données sismiques brutes. Notre travail représente un pas important dans cette direction, " il a dit.

Non seulement le travail a-t-il une importance potentielle pour la prévision des tremblements de terre, Johnson a dit, mais l'approche est de grande envergure, applicable à potentiellement tous les scénarios de défaillance, y compris les essais non destructifs de rupture fragile des matériaux industriels de toutes sortes, avalanches et autres événements.

L'apprentissage automatique est une approche d'intelligence artificielle permettant à l'ordinateur d'apprendre à partir de nouvelles données, mettre à jour ses propres résultats pour refléter les implications des nouvelles informations.

La technique d'apprentissage automatique utilisée dans ce projet identifie également de nouveaux signaux, auparavant considéré comme un bruit de faible amplitude, qui fournissent des informations de prévision tout au long du cycle sismique. "Ces signaux ressemblent à des tremblements de terre qui se produisent en association avec des tremblements de terre lents sur des failles tectoniques dans la croûte inférieure, ", a déclaré Johnson. "Il y a des raisons de s'attendre à ce que de tels signaux proviennent de failles terrestres dans la zone sismogène pour des failles à glissement lent."

Les algorithmes d'apprentissage automatique peuvent prédire les temps de défaillance des tremblements de terre en laboratoire avec une précision remarquable. Le signal d'émission acoustique (AE), qui caractérise l'état physique instantané du système, prédit de manière fiable l'échec loin dans l'avenir. C'est une surprise, Johnson a souligné, comme tous les travaux antérieurs avaient supposé que seul le catalogue des grands événements était pertinent, et que les petites fluctuations du signal AE pouvaient être négligées.

Pour étudier les phénomènes, l'équipe a analysé les données d'un système de défauts de laboratoire contenant des failles, le matériau broyé créé par les blocs de pierre glissant les uns sur les autres. Un accéléromètre a enregistré l'émission acoustique émanant des couches de cisaillement.

Suite à une rupture par friction lors du séisme de laboratoire, le bloc de cisaillement se déplace ou se déplace, tandis que le matériau de la gouge se dilate et se renforce simultanément, comme le montre l'augmentation mesurable de la contrainte de cisaillement et du frottement. "Alors que le matériau approche de l'échec, il commence à montrer les caractéristiques d'un régime de contraintes critiques, y compris de nombreuses petites ruptures de cisaillement qui émettent des émissions acoustiques impulsives, " a décrit Johnson.

"Cet état instable se termine par un véritable tremblement de terre, dans laquelle le bloc de cisaillement se déplace rapidement, le frottement et la contrainte de cisaillement diminuent précipitamment, et les couches de gouge se compactent simultanément, " at-il dit. Dans un large éventail de conditions, l'appareil glisse assez régulièrement pendant des centaines de cycles de contrainte au cours d'une seule expérience. Et surtout, le signal (dû au meulage à la gouge et au grincement qui conduit finalement aux précurseurs impulsifs) permet une prédiction en laboratoire, et nous espérons que cela conduira à des avancées dans la prédiction sur Terre, dit Johnson.