Le défi d'analyser les signaux sismiques avec une précision optimale augmente avec la quantité de données sismiques disponibles. Au Karlsruhe Institute of Technology (KIT), des chercheurs ont déployé un réseau de neurones pour déterminer l'heure d'arrivée des ondes sismiques et ainsi localiser précisément l'épicentre du séisme. Dans leur rapport au Lettres de recherche sismologique journal, ils soulignent que l'intelligence artificielle est capable d'évaluer les données avec la même précision qu'un sismologue expérimenté.

Pour localiser précisément un événement sismique, il est essentiel de déterminer l'heure d'arrivée exacte de la majorité des ondes sismiques à la station sismométrique (ce qu'on appelle l'arrivée de phase). Sans cette connaissance, d'autres évaluations sismologiques précises ne sont pas possibles. De telles évaluations peuvent être très utiles pour prévoir les répliques qui causent parfois des dommages plus importants que le séisme principal initial. En localisant précisément l'épicentre, même les processus physiques se produisant profondément à l'intérieur de la Terre peuvent être mieux distingués, et ça, à son tour, permet d'inférer la structure de l'intérieur de la Terre. "Nos résultats montrent que l'intelligence artificielle peut améliorer considérablement l'analyse des tremblements de terre, non seulement avec la prise en charge de gros volumes de données, mais aussi si seul un ensemble de données limité est disponible, " explique le professeur Andreas Rietbrock du Geophysical Institute (GPI) du KIT.

L'évaluation des sismogrammes enregistrés, qui s'appelle la sélection de phase, aide à déterminer les heures d'arrivée des différentes phases. Traditionnellement, il s'agit d'une procédure manuelle. La précision du prélèvement de phase manuel peut être affectée par la subjectivité du sismologue en charge. Notamment, cependant, une évaluation manuelle demande quant à elle un temps et des ressources humaines inacceptables, en raison de la quantité croissante de données sismiques et de la densité plus élevée des réseaux de sismomètres. L'évaluation automatisée est devenue nécessaire afin d'exploiter rapidement toutes les données disponibles. En effet, les algorithmes de sélection de phase développés jusqu'à présent ne sont pas en mesure de fournir la précision obtenue avec la sélection manuelle par un sismologue expérimenté, en raison de l'extrême complexité de la formation et de la propagation des tremblements de terre, avec de nombreux processus physiques agissant sur le champ d'ondes sismiques.

Intelligence Artificielle (IA), cependant, est capable d'égaler la précision humaine lors de l'évaluation de ces données. Cela a maintenant été révélé par des scientifiques du GPI, l'Université de Liverpool, et l'Université de Grenade. Selon leur rapport dans le Lettres de recherche sismologique journal, les chercheurs ont utilisé un réseau de neurones convolutifs (CNN) pour déterminer les débuts de phase dans un réseau sismique au Chili. Les CNN sont inspirés des systèmes neuronaux biologiques et disposés en différents niveaux de neurones artificiels interconnectés. Dans ce qu'on appelle l'apprentissage profond, qui est l'une des méthodes d'apprentissage automatique, les fonctionnalités détectées et apprises sont transmises d'un niveau à l'autre, s'affiner de plus en plus dans ce processus.

Lors d'un tremblement de terre, différents types d'ondes sismiques se propagent à travers la Terre. Les principaux types sont appelés ondes de compression ou primaires (ondes P) et ondes de cisaillement ou ondes secondaires (ondes S). D'abord, les ondes P les plus rapides arrivent à la station sismologique, suivi des ondes S plus lentes. Les ondes sismiques peuvent être enregistrées dans les sismogrammes. Les chercheurs ont formé le CNN à l'aide d'un ensemble de données relativement petit couvrant 411 événements sismiques dans le nord du Chili. Puis, le CNN a déterminé l'heure d'arrivée des phases P et S inconnues, tout en faisant correspondre la précision d'un sismologue expérimenté avec un prélèvement manuel ou même en offrant une précision supérieure à celle d'un algorithme de prélèvement classique.