Un logiciel de modélisation révèle des modèles de formes d’ondes sismiques continues lors de séries de tremblements de terre de magnitude 5.

Une équipe du Laboratoire national de Los Alamos a utilisé l’apprentissage automatique, une application de l’intelligence artificielle, pour détecter les signaux cachés qui précèdent un tremblement de terre. Les résultats obtenus sur le volcan Kīlauea à Hawaï font partie d’un effort de recherche de plusieurs années mené à Los Alamos. Cette dernière étude représente la première fois que des scientifiques ont pu détecter ces signaux d’alerte dans une faille à glissement continu, le type de faille qui peut provoquer des destructions massives.

L’article est publié dans la revue Lettres de recherche géophysique.

“Nous voulions voir si nous pouvions extraire les signaux du bruit et identifier à quel moment du cycle de chargement le système se trouvait à proximité d’un glissement majeur, provoquant des tremblements de terre”, a déclaré Christopher Johnson, sismologue à Los Alamos et responsable de l’équipe. chercheur. “C’est la première fois que nous pouvons appliquer cette méthode à un séisme de ce type et de cette ampleur.”

L’équipe a utilisé des données enregistrées entre le 1er juin 2018 et le 2 août 2018 par l’Observatoire des volcans hawaïens de l’US Geological Survey. Durant cette période, le volcan a connu plus de 50 séismes de différentes ampleurs. Les chercheurs se sont concentrés sur des fenêtres de données sismiques de 30 secondes et leur modèle a identifié quelque chose qui ressemble à une empreinte digitale, un signal caché, qui suivait le cycle de chargement de chaque événement. En moyenne, ce signal caché semblait continu avant un mouvement de sol important détectable.

Combinés aux tests précédents, les résultats suggèrent que certaines failles sismiques partagent une physique similaire, ce qui signifie que cette méthode pourrait être utilisée pour évaluer les risques sismiques à travers le monde.

Des motifs dans le bruit

La recherche s’appuie sur des travaux antérieurs menés par Los Alamos sur des failles en Californie et dans le nord-ouest du Pacifique, où l’apprentissage automatique a pu détecter ces signaux précurseurs.

Lorsque les plaques tectoniques se pressent les unes contre les autres, elles créent de faibles secousses dans le sol, appelées émissions acoustiques ou sismiques continues. Ces signaux apparaissent comme des formes d’onde lorsqu’ils sont enregistrés, mais étaient auparavant considérés comme du bruit, c’est-à-dire des données sans informations décrivant l’état du défaut. Au lieu de cela, les chercheurs de Los Alamos ont découvert que les formes d’onde d’émission acoustique continue sont en fait riches en données et peuvent être utilisées pour déduire les propriétés physiques d’une faille, telles que le déplacement, le frottement et l’épaisseur.

Plus important encore, les scientifiques de Los Alamos ont découvert des schémas hautement prévisibles dans les signaux, une sorte de chronologie jusqu’à l’échec.

“Lorsque nous examinons ces signaux continus, nous pouvons extraire des informations qui nous indiquent où se situe le défaut dans son cycle de chargement”, a déclaré Johnson. “Nous observons l’évolution du bruit, ce qui nous donne des détails sur son état actuel et sa position dans le cycle de glissement.”

Du glissement lent au glissement collant

Les recherches de l’équipe ont permis pour la première fois d’appliquer avec succès l’approche aux failles sismogènes, la couche dans laquelle les tremblements de terre prennent leur origine. Dans ce cas, il s’agissait d’une séquence d’événements très actifs de magnitude 5 sur le volcan Kīlauea, qui a connu un événement sismique d’une durée de plusieurs mois qui a conduit la caldeira à couler de 1 600 pieds.

Pendant ce temps, un système mondial de navigation par satellite mesurait le déplacement du sol à l’échelle millimétrique. Le modèle d’apprentissage automatique a ensuite analysé ces données, traité les signaux sismiques et estimé avec succès le déplacement du sol et le temps jusqu’à la prochaine défaillance de la faille.

Auparavant, les chercheurs de Los Alamos avaient appliqué des modèles d’apprentissage automatique similaires à des événements de glissement lent, qui provoquent des tremblements subtils du sol pendant des jours, des mois, voire des années avant un événement sismique. Des ensembles de données aussi volumineux ont été utiles pour entraîner les modèles d’apprentissage automatique. Mais les tremblements de terre les plus destructeurs sont provoqués par des failles de type stick-slip, comme celle trouvée sur le volcan Kīlauea, qui peuvent générer plus rapidement des mouvements de sol beaucoup plus forts et qui ont jusqu’à présent échappé à toute prévision.