L’apprentissage automatique aide à la prévision des risques de tremblement de terre –

  • FrançaisFrançais



  • 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, en 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 équipée de nombreux capteurs pour surveiller les tremblements de terre. 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 Maria Giovanna Durante, chercheuse post-doctorale, anciennement boursière Marie Sklodowska Curie de l’Université du Texas à Austin (UT Austin). “Nous avons dit:” Si nous avons des milliers de points de données, nous pouvons peut-être trouver une tendance. “”

    Durante travaille avec la professeure Ellen Rathje, Janet S. Cockrell Centennial Chair in Engineering à UT Austin et la chercheuse principale de la cyberinfrastructure DesignSafe, financée par la National Science Foundation, qui soutient la recherche dans 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.

    “Pendant un certain temps, j’avais été impressionné par la façon dont l’apprentissage automatique était incorporé dans d’autres domaines, mais il semblait que nous n’avions jamais assez de données en ingénierie géotechnique pour utiliser ces méthodes”, a déclaré Rathje. “Cependant, quand j’ai vu les données de liquéfaction en provenance de Nouvelle-Zélande, j’ai su 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 zéro à plus d’un mètre.

    “Nous avions besoin d’intégrer la physique dans notre modèle et de pouvoir reconnaître, comprendre et visualiser ce que fait le modèle”, a déclaré 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 de liquéfaction), à la profondeur de la nappe phréatique, à la pente topographique et à 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, fournissant des ressources informatiques, des logiciels et du stockage à la communauté des ingénieurs en gestion des 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. Pour dériver le modèle final d’apprentissage automatique, il a fallu tester 2 400 modèles possibles.

    “Il aurait fallu des années pour faire cette recherche ailleurs”, a déclaré Durante. « Si vous souhaitez effectuer une étude paramétrique ou une analyse complète, vous devez disposer d’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 zones et les structures qui risquent le plus de s’effondrer et d’y concentrer leur attention”, a-t-elle déclaré.

    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, modèles et méthodes sur le portail DesignSafe, un centre de recherche lié à l’impact des ouragans, des tremblements de terre, des tsunamis et d’autres risques naturels sur l’environnement bâti et naturel.

    “Nous avons tout fait sur le projet dans le portail DesignSafe”, a déclaré Durante. “Toutes les cartes ont été réalisées à l’aide de QGIS, un outil de cartographie disponible sur DesignSafe, en utilisant 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 interactif qui comprend l’ensemble de données, le code et les analyses. Le cahier permet à d’autres chercheurs de reproduire les découvertes de l’équipe de manière interactive et de 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”, a déclaré Durante. “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 aide le domaine à progresser plus rapidement, selon Joy Pauschke, directrice 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”, a déclaré Pauschke. « L’ajout d’outils d’apprentissage automatique aux données et aux autres ressources de DesignSafe conduira à de nouvelles informations et contribuera à accélérer les avancées qui peuvent améliorer la résilience aux catastrophes.

    Les progrès de l’apprentissage automatique nécessitent des ensembles de données riches, exactement comme les données du tremblement de terre de Christchurch. “Toutes les informations sur l’événement de Christchurch étaient disponibles sur un site Web”, a déclaré Durante. “Ce n’est pas si courant dans notre communauté, et sans cela, cette étude n’aurait pas été impossible.”

    Les avancées nécessitent également des systèmes de calcul haute performance pour tester de nouvelles approches et les appliquer à de nouveaux domaines.

    Les chercheurs continuent d’affiner le modèle d’apprentissage automatique pour la liquéfaction. Des recherches supplémentaires, disent-ils, sont nécessaires pour développer des modèles d’apprentissage automatique généralisables à d’autres événements sismiques et paramètres géologiques.

    Durante, qui est retournée dans son Italie natale cette année, dit qu’une chose qu’elle espère récupérer des États-Unis est la capacité de la recherche à avoir un impact sur les politiques publiques.

    Elle a cité un projet récent en collaboration avec Scott Brandenberg et Jonathan Stewart (Université de Californie, Los Angeles) qui a développé une nouvelle méthodologie pour déterminer si un mur de soutènement s’effondrerait lors d’un tremblement de terre. Moins de trois ans après le début de leurs recherches, les dispositions sismiques recommandées pour les nouveaux bâtiments et autres structures aux États-Unis incluaient leur méthodologie.

    “Je veux que mon travail ait un impact sur la vie de tous les jours”, a déclaré Durante. “Aux États-Unis, il y a plus d’un lien direct entre la recherche et la vie réelle, et c’est quelque chose que j’aimerais ramener à la maison.”

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.