L'application de l'apprentissage en profondeur aux données sismiques a révélé que les tremblements et les glissements se produisent à tout moment - avant et après les séismes à glissement lent à grande échelle connus - plutôt que par intermittence dans des sursauts discrets, comme on le croyait auparavant. Plus surprenant encore, le machine learning se généralise à d'autres environnements tectoniques, y compris la faille de San Andreas.

"Le travail nous dit que la physique du frottement sur les failles semble avoir des caractéristiques universelles - quelque chose que nous soupçonnions mais ne pouvions pas prouver, " a déclaré Bertrand Rouet-Leduc, géophysicien du groupe de géophysique du Laboratoire national de Los Alamos et auteur principal de l'article.

Dans la recherche, l'équipe a formé un réseau de neurones convolutifs - une forme d'apprentissage en profondeur - sur un catalogue de tremblements créé par Aaron Wech de l'Université de Washington. Le catalogue utilise plusieurs années de sismogrammes d'une station sismique sur l'île de Vancouver dans la région de Cascadia du nord-ouest du Pacifique. Les événements de tremblement qui ont été initialement identifiés par des méthodes multi-stations ont formé l'ensemble d'apprentissage. L'équipe a ensuite utilisé le modèle d'apprentissage en profondeur pour trouver de nombreux autres événements.

tremblements de terre lents, qui sont connus pour parfois précéder les séismes majeurs sur les failles continentales et dans les zones de subduction, créer des contraintes cycliquement et peut déclencher de grands tremblements de terre sur les voisins, failles verrouillées fortement sollicitées. Pourtant, même en Cascadia, un cas clair d'un très stressé, défaut "verrouillé et chargé", les recherches précédentes n'avaient observé que des tremblements de terre lents intermittents et discrets et leurs secousses associées.

L'équipe de recherche a découvert que le réseau de neurones fournissait une mesure continue des tremblements et plaçait des limites de temps plus claires pour les événements à glissement lent que les méthodes précédentes ne l'avaient établi. Significativement, le réseau neuronal a identifié de faibles signaux de tremblement des mois avant que les méthodes traditionnelles ne détectent un glissement lent en mesurant des changements d'altitude parfois infimes dans le paysage.

"L'étude suggère que le glissement lent dans les zones de méga-poussée n'est pas aléatoire. Cette recherche fait partie d'un corpus de travaux qui nous dit que les précurseurs ont lieu beaucoup plus fréquemment qu'on ne le pensait auparavant, en accord avec les expériences de laboratoire et la théorie, " dit Rouet-Leduc.

Le papier, "Sonde les tremblements de terre lents avec l'apprentissage en profondeur, " a été publié le 24 février, 2020 en Lettres de recherche géophysique . Ce travail fait partie des recherches en cours à Los Alamos qui ont identifié un signal acoustique continu émis par des événements à glissement lent. Le signal peut être lu à tout instant pour indiquer le temps restant avant la défaillance d'une panne dans les tremblements de terre en laboratoire et dans le monde réel.