ISIAS

"L’intelligence artificielle pourrait améliorer les prévisions en ce qui concerne les répliques des séismes." par Carolyn Gramling

Traduction et compléments de Jacques Hallard
samedi 29 septembre 2018 par Gramling Carolyn



ISIAS Intelligence artificielle
L’intelligence artificielle pourrait améliorer les prévisions en ce qui concerne les répliques des séismes. Un réseau de neurones artificiels a deviné des emplacements de répliques de façon plus efficace qu’avec les méthodes traditionnelles
L’article d’origine de Carolyn Gramling a été publié le 29 août 2018 par Science News Earth sous le titre «  Artificial intelligence could improve predictions for where quake aftershocks will hit » ; il est accessible sur le site suivant : https://www.sciencenews.org/article/artificial-neural-network-earthquake-aftershock-predictions

Quatre jours après le séisme de magnitude 7,0 qui a secoué l’île indonésienne de Lombok le 5 août 2018, une réplique d’une magnitude de 5,9 a causé de nouveaux dégâts à l’île. Xinhua/Alamy Stock Photo.

[D’après Wikipédia, « Lombok est une île volcanique d’Indonésie, située en mer de Bali entre les îles de Bali et de Sumbawa. Elle fait partie des petites îles de la Sonde. Sa superficie est de 4 739 km². Sa ville principale est Mataram, qui est aussi la capitale de la province de Nusa Tenggara occidental. Comme en témoigne le cratère sur la moitié nord de Lombok, l’île fut le foyer d’un volcan géant qui entra en éruption en 12571… » A lire sur ce site : https://fr.wikipedia.org/wiki/Lombok ].

Selon Wikipédia, « L’intelligence artificielle (IA) est « l’ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence »1. Elle correspond donc à un ensemble de concepts et de technologies plus qu’à une discipline autonome constituée. D’autres, remarquant la définition peu précise de l’IA, notamment la CNIL, la définissent comme « le grand mythe de notre temps »2. Souvent classée dans le groupe des sciences cognitives, elle fait appel à la neurobiologie computationnelle (particulièrement aux réseaux neuronaux), à la logique mathématique (sous-discipline des mathématiques et de la philosophie) et à l’informatique. Elle recherche des méthodes de résolution de problèmes à forte complexité logique ou algorithmique. Par extension elle désigne, dans le langage courant, les dispositifs imitant ou remplaçant l’homme dans certaines mises en œuvre de ses fonctions cognitives3. Ses finalités et son développement suscitent, depuis toujours, de nombreuses interprétations, fantasmes ou inquiétudes s’exprimant tant dans les récits ou films de science-fiction que dans les essais philosophiques… » Article complet à lire sur ce site : https://fr.wikipedia.org/wiki/Intelligence_artificielle .

Une nouvelle intelligence artificielle fait tourner son système digital pour anticiper les répliques du tremblement de terre et l’exprimer par cartographie.

Les scientifiques ont constitué un réseau de neurones artificiels pour étudier les relations spatiales entre plus de 130.000 principaux séismes et leurs répliques. Dans les tests, l’IA pouvait beaucoup mieux prédire l’emplacement des répliques sismiques que les méthodes traditionnelles que de nombreux sismologues utilisent, selon les rapports de l’équipe de recherche, publiés le 30 août 2018 dans la revue ‘Nature’.

[D’après Wikipédia, « Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l’origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s’est rapproché des méthodes statistiques1. Les réseaux de neurones sont généralement optimisés par des méthodes d’apprentissage de type probabiliste, en particulier bayésien. Ils sont placés d’une part dans la famille des applications statistiques, qu’ils enrichissent avec un ensemble de paradigmes 2 permettant de créer des classifications rapides (réseaux de Kohonen en particulier), et d’autre part dans la famille des méthodes de l’intelligence artificielle auxquelles ils fournissent un mécanisme perceptif indépendant des idées propres de l’implémenteur, et fournissant des informations d’entrée au raisonnement logique formel (voir Deep Learning). En modélisation des circuits biologiques, ils permettent de tester quelques hypothèses fonctionnelles issues de la neurophysiologie, ou encore les conséquences de ces hypothèses pour les comparer au réel… » Source de l’article complet : https://fr.wikipedia.org/wiki/R%C3%A9seau_de_neurones_artificiels ].

Bien qu’il soit impossible de prévoir où et quand un tremblement de terre se produira, les sismologues ne savent que peu d choses sur les répliques et les contrecoups d’un séisme. « Nous savons depuis longtemps qu’ils se regrouperont dans l’espace et au cours du déclin d’un séisme au fil du temps », dit la géophysicienne Susan Hough du ‘US Geological Survey’ à Pasadena, en Californie., qui n’a pas été l’un des auteurs de cette nouvelle étude.

C’est en 1992, qu’une série de secousses sismiques a provoqué une vague d’intérêt pour essayer de tracer exactement où une réplique peut se produire, en fonction de la façon dont un choc principal peut changer les contraintes sur d’autres parties sensibles du sous-sol. Tout d’abord, un séisme de magnitude 7,3 a secoué la ville de Landers au sud de la Californie et d’autres communautés vivant dans le désert à proximité. Trois heures plus tard, une réplique de magnitude 6,5 a frappé la région plus peuplée de Big Bear, à environ 35 kilomètres de là. Le lendemain, une réplique de magnitude 5,7 près de Yucca Mountain, dans l’état du Nevada aux Etats-Unis, situé à près de 300 km de là.

[On peut consulter l’article suivant :

{{}} La dynamique des tremblements de terre vue à travers le séisme de Landers du 28 juin 1992 - Rupture dynamics of the 28 June 1992 earthquake near Landers in California - Sophie Peyrat a, b, Raúl Madariaga a http://www.em-consulte.com/template..., Kim Bak Olsen b - a École normale supérieure, 24, rue Lhomond, 75231 Paris cedex 05, France - b Institute of Crustal Studies, University of California, Santa Barbara, CA 9305, USA - Note présentée par Jean-Baptiste Leblond et Yves Pomeau.
{{}}
{{}} Résumé

Nous étudions l’influence des conditions initiales et des lois de frottement sur la propagation de la rupture lors du tremblement de terre du 28 juin 1992 près de Landers en Californie. Nous modélisons ce séisme en résolvant l’équation de l’élastodynamique par une méthode différences finies et modélisons les accélérogrammes observés afin d’acquérir une meilleure connaissance du processus de rupture dynamique de ce séisme. Dans notre modèle la rupture dynamique croît spontanément sous le contrôle simultané de la contrainte initiale et des paramètres de la loi de frottement qui a été modélisée simplement en utilisant une loi d’adoucissement par glissement. Finalement, nous avons inversé les contraintes initiales et les paramètres de la loi de frottement par une méthode d’essai-erreur à partir du rayonnement observé dans des stations sismiques proches de ce séisme. Les modèles dynamiques obtenus par inversion produisent des sismogrammes synthétiques en très bon accord avec les données. L’histoire de la rupture et la durée du séisme de Landers sont en accord avec les résultats des inversions cinématiques précédentes, sans présenter de changements majeurs dans la distribution de glissement sur la faille. La solution du problème dynamique n’est pas unique car le problème inverse de la source sismique est fondamentalement mal posé. Deux modèles mécaniques complémentaires ont été construits pour modéliser le séisme de Landers et reproduire les données. Le premier modèle correspond au modèle que les sismologues appellent d’aspérité où seule la distribution de contrainte initiale sur la faille est hétérogène. Le deuxième modèle est un modèle dit de barrières, où tout est maintenu constant sur la faille à l’exception de la résistance à la rupture. Pour citer cet article : S. Peyrat et al., C. R. Mecanique 330 (2002) 235-248. The full text of this article is available in PDF format. Source : http://www.em-consulte.com/en/article/128306 ].|
« Après 1992, les gens cherchaient à comprendre plus en détail les motifs des répliques », dit Hough. Les chercheurs ont commencé à essayer de tester les modèles de changement de stress complexes à l’aide de différents critères. Le critère le plus utilisé, le « Coulomb stress transfer » qui dépend des défauts ou anomalies dans les orientations des massifs terrestres.

[Cela fait référence à la loi de Coulomb en mécanique, qui selon Wikipédia fut « nommée en l’honneur de Charles de Coulomb, exprime sous une forme très simplifiée l’intensité des forces de frottements qui s’exercent entre deux solides. Selon que ces solides glissent ou non l’un contre l’autre, on parle de glissement (frottement dynamique) ou d’adhérence (frottement statique). Dans les deux cas, les actions réciproques qui s’exercent entre ces solides comportent :

Mais les anomalies d’orientation dans le sous-sol peuvent être aussi compliquées que le motif d’une courtepointe à trois dimensions (ou anciennement courte-pointe : un type de couverture doublée, remplie de coton ou de duvet, piquée ou brodée, qu’on étend sur un lit1). et les contraintes peuvent s’appliquer sur les anomalies de plusieurs directions différentes à la fois. Imaginez un livre reposant sur une table : une contrainte de cisaillement pousse le livre sur le côté, et pourrait l’amener à glisser à gauche ou à droite. Une contrainte normale pousse sur le livre vers le bas, perpendiculairement à la table, de sorte qu’il ne bougera pas. Un tel problème de calcul épineux peut être fait sur mesure dans le cas d’un réseau de neurones, dit Hough.

La scientifique des tremblement de terre Phoebe DeVries de l’Université Harvard et ses collègues, comprenant notamment une équipe de Google AI basée à Cambridge, dans l’état du Massachusetts aux Etats-Unis, ont introduit les données reposant sur plus de 130.000 paires de séismes et de répliques dans un système d’intelligence artificielle (IA).

Ces données incluent non seulement des endroits et des ordres de grandeurs, mais aussi différentes mesures des changements dans le stress sur les anomalies des tremblements de terre. L’IA a appris à partir de ces données pour déterminer la probabilité d’une réplique sismique qui devrait se produire dans un lieu donné, puis l’équipe a testé comment le système pourrait identifier réellement les emplacements des répliques en utilisant les données d’un autre série de 30.000 paires de choc sismique principal et de ses répliques.

Le système d’intelligence artificielle a toujours prédit beaucoup mieux l’emplacement des répliques qu’avec l’emploi du critère de Coulomb, comme les chercheurs l’ont constaté. En effet, les résultats de l’AI ont été fortement corrélés avec d’autres mesures de changement de stress, comme le montant maximum de variation de contrainte de cisaillement sur une anomalie structurelle, ont déclaré les chercheurs.

[Selon Wikipédia, « Une contrainte de cisaillement τ (lettre grecque « tau ») est une contrainte mécanique appliquée de manière parallèle ou tangentielle à une face d’un matériau, par opposition aux contraintes normales qui sont appliquées de manière perpendiculaire. C’est le rapport d’une force à une surface. Elle possède donc la dimension d’une pression, exprimée en pascals ou pour les grandes valeurs en mégapascals (MPa)… » Lire la totlité de l’article sur ce site : https://fr.wikipedia.org/wiki/Contrainte_de_cisaillement ].

« C’est une étude préliminaire qui pourrait ouvrir la voie à des travaux futurs pour améliorer les prévisions des répliques », dit Hough. Mais l’étude se concentre uniquement sur les contraintes statiques, qui sont des changements permanents dans le stress dû à un tremblement de terre. Mais des répliques peuvent également être déclenchées par une source plus éphémère de stress connue comme le stress dynamique, produit par un grondement de tremblement de terre à travers le sol, dit-elle.

Une autre question est de savoir si un système de prévision qui a utilisé une telle AI pourrait entrer en action assez rapidement après un tremblement de terre pour que ses prévisions de répliques puissent être utiles. Les prévisions contenues dans la nouvelle étude ont bénéficié de beaucoup d’informations sur les anomalies de glissement et leur quantification. Mais au lendemain d’un grand tremblement de terre, ces données ne seraient pas disponibles pendant au moins une journée.

L’utilisation d’un réseau de neurones pour étudier le problème de la réplique sismique « est une approche très agréable, efficace », dit Lucy Jones sismologue de Caltech et fondatrice du ‘Dr. Lucy Jones Center for Science and Society’ (le Centre Dr Lucy Jones pour la science et la société), basée à Los Angeles (SN : 3/31 / 18, p. 26).

Mais elle est d’accord avec Hough que, pour aider à la gestion des risques, le système devrait être en mesure de répondre plus rapidement. La règle de base est que « peu importe le nombre de répliques que vous avez le premier jour, vous obtenez encore la moitié de celles de la deuxième journée, et ainsi de suite » dit Jones, qui n’a pas été impliqué dans la nouvelle étude. « Une semaine après le tremblement de terre, la majorité des répliques sismiques ont déjà eu lieu ».

Citations

P.M.R. DeVries et al. Deep learning of aftershock patterns following large earthquakes. Nature. Vol. 560, August 30, 2018, p. 632. doi:10.1038/s41586-018-0438-y.

Further Reading

K. Plantz. How past disasters can help us prepare for the future. Science News. Vol. 193, March 31, 2018, p. 26.

T. Sumner. Nepal quake’s biggest shakes relatively spread out. Science News. Vol. 188, September 5, 2015, p. 14.

D. Strain. Major earthquakes not linked. Science News Online, March 28, 2011.

K.B. Brody. Shaky forecasts. Science News. Vol. 176, August 29, 2009, p. 26.

P. Weiss. Model may expose how friction lets loose. Science News. Vol. 160, September 22, 2001, p. 181.

Résultat de recherche d’images pour ’Science News’

Retour au début de l’article traduit

IA : Google et Harvard s’associent pour prédire les répliques sismiques ParLouise Millon Twitter@LouiseMillon 4 septembre 2018 - Photo - © Wikipedia / Tubbi

Meilleur que la la théorie de Mohr-Coulomb ? La compagnie américaine s’est associée à Harvard afin de développer une intelligence artificielle capable de prédire les répliques des séismes.

Dans un récent article publié sur Nature, les deux entités partagent les résultats d’une collaboration visant à prédire les répliques de séismes avec l’IA, mais surtout, leur emplacement. Pour mettre en place leur algorithme, les experts en deep learning de Google et Harvard se sont appuyés sur une base de données de presque 200 séismes ayant provoqué plus de 130.000 répliques, soit un second tremblement de terre ayant lieu après un séisme majeur. De fait, un réseau de neurones s’est entraîné à détecter les schémas ayant eu lieu dans ces différents cas. Par la suite, le système a travaillé sur une base de 30.000 événements similaires afin tester ses capacités.

Selon les premiers résultats, le système pourrait être plus performant que la théorie de Mohr-Coulomb, un modèle sur lequel se basent habituellement les sismologues. Ainsi, l’algorithme a obtenu un résultat de 0,849, là où la méthode classique permet d’obtenir le score de 0,583 (0 étant le plus mauvais résultat, 1 le meilleur).

Malgré un bon score, cela ne signifie pas que l’intelligence artificielle mise en place par Google et le département science de Harvard est au point. Pour l’instant, le système analyse seulement l’aspect liée à la contrainte statique, soit les répliques causées par les modifications du sol dues au séisme principal. De fait, il n’est pas encore en mesure de traiter les répliques sismiques en lien avec d’autres phénomènes physiques tels que les éruptions volcaniques. De la même façon, l’algorithme est encore trop lent pour être utilisé dans des situations réelles. Néanmoins, Harvard et Google devraient continuer leur collaboration pour améliorer un système qui s’avère déjà prometteur.

Source : https://siecledigital.fr/2018/09/10/nissan-pose-un-premier-jalon-vers-la-conduite-autonome-avec-sa-technologie-propilot/?utm_source=Newsletter&amp ;utm_campaign=4e5dd6d7af-RSS_EMAIL_CAMPAIGN&utm_medium=email&utm_term=0_3b73bad11a-4e5dd6d7af-259561653

Retour au début de l’article traduit

 Traduction, compléments entre […] et intégration de liens hypertextes par Jacques HALLARD, Ingénieur CNAM, consultant indépendant – 26/09/2018 - Site ISIAS = Introduire les Sciences et les Intégrer dans des Alternatives Sociétales

http://www.isias.lautre.net/

Adresse : 585 Chemin du Malpas 13940 Mollégès France

Courriel : jacques.hallard921@orange.fr

Fichier : ISIAS Intelligence artificielle Artificial intelligence could improve predictions for where quake aftershocks will hit French version.2

Mis en ligne par Pascal Paquin de Yonne Lautre, un site d’information, associatif et solidaire(Vie du site & Liens), un site inter-associatif, coopératif, gratuit, sans publicité, indépendant de tout parti http://yonnelautre.fr/local/cache-v...

---


Accueil | Contact | Plan du site | | Statistiques du site | Visiteurs : 7 / 292886

Suivre la vie du site fr  Suivre la vie du site Pour en savoir plus  Suivre la vie du site Intelligence artificielle   ?    |    titre sites syndiques OPML   ?

Site réalisé avec SPIP 3.2.1 + AHUNTSIC

Creative Commons License