Ein Team des Los Alamos National Laboratory hat maschinelles Lernen – eine Anwendung künstlicher Intelligenz – eingesetzt, um die versteckten Signale zu erkennen, die einem Erdbeben vorausgehen. Die Ergebnisse am Vulkan Kīlauea auf Hawaii sind Teil einer jahrelangen Forschungsarbeit, die in Los Alamos Pionierarbeit geleistet hat, und diese neueste Studie ist das erste Mal, dass Wissenschaftler diese Warnsignale bei einer Stick-Slip-Verwerfung erkennen konnten, die massive Zerstörungen verursachen kann.
Das Papier ist veröffentlicht im Journal Geophysikalische Forschungsbriefe.
„Wir wollten sehen, ob wir Signale aus dem Rauschen herausfiltern und feststellen können, in welchem Stadium des Belastungszyklus sich das System im Hinblick auf die Annäherung an einen größeren Erdrutsch befand, der Erdbeben verursacht“, sagte Christopher Johnson, Seismologe in Los Alamos und leitender Forscher des Teams. „Dies ist das erste Mal, dass wir diese Methode bei einem Erdbeben dieser Art und Stärke anwenden konnten.“
Das Team verwendete Daten, die zwischen dem 1. Juni und dem 2. August 2018 vom Hawaiian Volcano Observatory des US Geological Survey aufgezeichnet wurden. In dieser Zeit erlebte der Vulkan mehr als 50 Beben unterschiedlicher Stärke. Die Forscher konzentrierten sich auf 30-Sekunden-Fenster seismischer Daten und ihr Modell identifizierte so etwas wie einen Fingerabdruck, ein verstecktes Signal, das den Belastungszyklus jedes Ereignisses verfolgte. Im Durchschnitt erschien dieses versteckte Signal kontinuierlich, bevor eine erkennbare große Bodenbewegung auftrat.
In Kombination mit früheren Tests lassen die Ergebnisse darauf schließen, dass einige Erdbebenverwerfungen eine ähnliche physikalische Beschaffenheit aufweisen. Das heißt, diese Methode könnte zur weltweiten Bewertung von Erdbebengefahren eingesetzt werden.
Muster im Rauschen
Die Forschung baut auf früheren Arbeiten von Los Alamos zu Verwerfungen in Kalifornien und im pazifischen Nordwesten auf, wo maschinelles Lernen diese Vorläufersignale erkennen konnte.
Wenn tektonische Platten gegeneinander drücken, erzeugen sie schwache Erschütterungen im Boden, die als kontinuierliche akustische oder seismische Emissionen bezeichnet werden. Diese Signale erscheinen bei der Aufzeichnung wie Wellenformen, wurden jedoch bisher für Rauschen gehalten – Daten ohne Informationen über den Zustand der Verwerfung. Stattdessen haben Forscher aus Los Alamos herausgefunden, dass kontinuierliche akustische Emissionswellenformen tatsächlich reich an Daten sind und verwendet werden können, um auf physikalische Eigenschaften einer Verwerfung wie Verschiebung, Reibung und Dicke zu schließen.
Das Wichtigste dabei ist, dass die Wissenschaftler von Los Alamos in den Signalen äußerst vorhersehbare Muster entdeckt haben, eine Art Zeitlinie bis zum Ausfall.
„Wenn wir diese kontinuierlichen Signale betrachten, können wir Informationen herausfiltern, die uns sagen, wo sich der Fehler in seinem Ladezyklus befindet“, sagte Johnson. „Wir beobachten, wie sich das Rauschen entwickelt, und das gibt uns Details über seinen aktuellen Zustand und wo er sich im Schlupfzyklus befindet.“
Vom Slow-Slip zum Stick-Slip
Bei ihrer Forschung wendete das Team den Ansatz zum ersten Mal erfolgreich auf seismogene Verwerfungen an, also die Schicht, in der Erdbeben ihren Ursprung haben. In diesem Fall handelte es sich dabei um eine Abfolge hochaktiver Stick-Slip-Ereignisse der Stärke 5 am Vulkan Kīlauea, der ein monatelanges seismisches Ereignis erlebte, das dazu führte, dass die Caldera um 1.600 Fuß absackte.
Während dieser Zeit maß ein globales Navigationssatellitensystem millimetergenaue Verschiebungen des Bodens. Das maschinelle Lernmodell analysierte diese Daten, verarbeitete die seismischen Signale und schätzte erfolgreich die Bodenverschiebung und die Zeit bis zum nächsten Verwerfungsfehler.
Zuvor hatten Forscher aus Los Alamos ähnliche maschinelle Lernmodelle auf langsame Rutschereignisse angewendet, die dazu führen, dass der Boden vor einem seismischen Ereignis Tage, Monate oder sogar Jahre lang leicht erschüttert. Solche großen Datensätze waren hilfreich, um die maschinellen Lernmodelle zu trainieren. Die zerstörerischsten Erdbeben werden jedoch durch Stick-Slip-Verwerfungen verursacht, wie sie beim Vulkan Kīlauea zu finden sind, die viel schneller viel stärkere Bodenbewegungen erzeugen können und sich bisher einer Vorhersage entzogen haben.
Mehr Informationen:
Christopher W. Johnson et al., Seismische Merkmale sagen Bodenbewegungen während wiederholter Caldera-Einsturzsequenzen voraus, Geophysikalische Forschungsbriefe (2024). DOI: 10.1029/2024GL108288