Nos maisons et nos bureaux sont aussi solides que le sol sous eux. Lorsque ce sol solide se transforme en liquide, comme cela arrive parfois lors de tremblements de terre, il peut renverser des bâtiments et des ponts. Ce phénomène est connu sous le nom de liquéfaction, et c'était une caractéristique majeure du tremblement de terre de 2011 à Christchurch, Nouvelle-Zélande, un séisme de magnitude 6,3 qui a tué 185 personnes et détruit des milliers de maisons.

L'un des avantages du séisme de Christchurch était qu'il était l'un des plus documentés de l'histoire. Parce que la Nouvelle-Zélande est sismiquement active, la ville a été instrumentée avec de nombreux capteurs pour surveiller les séismes. La reconnaissance post-événement a fourni une multitude de données supplémentaires sur la façon dont le sol a réagi à travers la ville.

"C'est une énorme quantité de données pour notre domaine, " a déclaré le chercheur post-doctoral, Maria Giovanna Durante, un Marie Sklodowska Curie Fellow précédemment de l'Université du Texas à Austin (UT Austin). "Nous l'avons dit, « Si nous avons des milliers de points de données, peut-être pouvons-nous trouver une tendance.'"

Durante travaille avec le professeur Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering à UT Austin et chercheuse principale de la cyberinfrastructure DesignSafe financée par la National Science Foundation, qui soutient la recherche dans l'ensemble de la communauté des risques naturels. Les recherches personnelles de Rathje sur la liquéfaction l'ont amenée à étudier l'événement de Christchurch. Elle avait réfléchi à des moyens d'intégrer l'apprentissage automatique dans ses recherches et ce cas semblait être un excellent point de départ.

"Pour quelques temps, J'avais été impressionné par la façon dont l'apprentissage automatique était intégré à d'autres domaines, mais il semblait que nous n'avions jamais assez de données en géotechnique pour utiliser ces méthodes, " dit Rathje. " Cependant, quand j'ai vu les données de liquéfaction en provenance de Nouvelle-Zélande, Je savais que nous avions une opportunité unique d'appliquer enfin les techniques d'IA à notre domaine."

Les deux chercheurs ont développé un modèle d'apprentissage automatique qui a prédit la quantité de mouvement latéral qui s'est produite lorsque le tremblement de terre de Christchurch a fait perdre sa force et déplacer le sol par rapport à son environnement.

Les résultats ont été publiés en ligne dans Spectres de tremblement de terre en avril 2021.

"C'est l'une des premières études d'apprentissage automatique dans notre domaine de l'ingénierie géotechnique, ", a déclaré Durante.

Les chercheurs ont d'abord utilisé une approche de forêt aléatoire avec une classification binaire pour prévoir si des mouvements d'étalement latéraux se produisaient à un endroit spécifique. Ils ont ensuite appliqué une approche de classification multiclasse pour prédire la quantité de déplacement, de aucun à plus de 1 mètre.

"Nous devions intégrer la physique dans notre modèle et être capable de reconnaître, comprendre, et visualiser ce que fait le modèle, " Dit Durante. " Pour cette raison, il était important de sélectionner des caractéristiques d'entrée spécifiques qui vont avec le phénomène que nous étudions. Nous n'utilisons pas le modèle comme une boîte noire, nous essayons d'intégrer nos connaissances scientifiques autant que possible."

Durante et Rathje ont entraîné le modèle à l'aide de données liées au pic de secousses rencontrées (un déclencheur pour la liquéfaction), la profondeur de la nappe phréatique, la pente topographique, et d'autres facteurs. Au total, plus de 7, 000 points de données d'une petite zone de la ville ont été utilisés pour les données d'entraînement - une grande amélioration, car les précédentes études d'apprentissage automatique géotechnique n'avaient utilisé que 200 points de données.

Ils ont testé leur modèle dans toute la ville sur 2,5 millions de sites autour de l'épicentre du séisme pour déterminer le déplacement. Leur modèle a prédit si la liquéfaction s'est produite avec une précision de 80 % ; il était précis à 70 % pour déterminer la quantité de déplacement.

Les chercheurs ont utilisé le supercalculateur Frontera du Texas Advanced Computing Center (TACC), l'un des plus rapides au monde, pour entraîner et tester le modèle. TACC est un partenaire clé du projet DesignSafe, mise à disposition de ressources informatiques, Logiciel, et le stockage à la communauté des ingénieurs spécialisés dans les risques naturels.

L'accès à Frontera a fourni des capacités d'apprentissage automatique à Durante et Rathje à une échelle auparavant indisponible sur le terrain. La dérivation du modèle d'apprentissage automatique final a nécessité des tests 2, 400 modèles possibles.

"Il aurait fallu des années pour faire cette recherche ailleurs, " Dit Durante. " Si vous voulez faire une étude paramétrique, ou faire une analyse complète, vous devez avoir une puissance de calcul."

Elle espère que leurs modèles de liquéfaction d'apprentissage automatique orienteront un jour les premiers intervenants vers les besoins les plus urgents à la suite d'un tremblement de terre. « Les équipes d'urgence ont besoin de conseils sur les domaines, et quelles structures, peuvent être les plus à risque de s'effondrer et y concentrer leur attention, " elle a dit.

Partage, Reproductibilité, et accès

Pour Rathje, Durante, et un nombre croissant d'ingénieurs en risques naturels, une publication dans une revue n'est pas le seul résultat d'un projet de recherche. Ils publient également toutes leurs données, des modèles, et méthodes au portail DesignSafe, un pôle de recherche sur l'impact des ouragans, tremblements de terre, tsunami, et d'autres risques naturels sur l'environnement bâti et naturel.

"Nous avons tout fait sur le projet dans le portail DesignSafe, " Dit Durante. " Toutes les cartes ont été faites à l'aide de QGIS, un outil de cartographie disponible sur DesignSafe, utiliser mon ordinateur comme moyen de se connecter à la cyberinfrastructure."

Pour leur modèle de liquéfaction d'apprentissage automatique, ils ont créé un bloc-notes Jupyter, un document Web qui inclut l'ensemble de données, code, et analyses. Le cahier permet à d'autres chercheurs de reproduire les découvertes de l'équipe de manière interactive, et tester le modèle d'apprentissage automatique avec leurs propres données.

« Il était important pour nous de rendre le matériel disponible et de le rendre reproductible, " Durante a déclaré. "Nous voulons que toute la communauté aille de l'avant avec ces méthodes."

Ce nouveau paradigme de partage de données et de collaboration est au cœur de DesignSafe et permet de progresser plus rapidement sur le terrain, selon Joy Pauschke, directeur de programme à la Direction de l'ingénierie de la NSF.

"Les chercheurs commencent à utiliser des méthodes d'IA avec des données de recherche sur les risques naturels, avec des résultats passionnants, " Pauschke said. "Adding machine learning tools to DesignSafe's data and other resources will lead to new insights and help speed advances that can improve disaster resilience."

Advances in machine learning require rich datasets, precisely like the data from the Christchurch earthquake. "All of the information about the Christchurch event was available on a website, " Durante said. "That's not so common in our community, and without that, this study would not have been impossible."

Advances also require high-performance computing systems to test out new approaches and apply them to new fields.

The researchers continue to refine the machine learning model for liquefaction. Further research, ils disent, is needed to develop machine learning models that are generalizable to other earthquake events and geologic settings.

Durante, who returned to her native Italy this year, says one thing she hopes to take back from the U.S. is the ability for research to impact public policy.

She cited a recent project working with Scott Brandenberg and Jonathan Stewart (University of California, Los Angeles) that developed a new methodology to determine whether a retaining wall would collapse during an earthquake. Less than three years after the beginning of their research, the recommended seismic provisions for new buildings and other structures in the U.S. included their methodology.

"I want my work to have an impact on everyday life, " Durante said. "In the U.S., there is more of a direct connection between research and real life, and that's something that I would like to bring back home."