Um sismógrafo de tambor é usado para registrar dados sobre terremotos e tremores secundários. 

Após um grande terremoto, o perigo ainda não acabou. Os terremotos de menor porte que são provocados pelo choque inicial podem rondar uma área afetada por meses, derrubando várias estruturas enfraquecidas. Os cientistas podem prever o tamanho e a cronometragem desses tremores secundários em algum grau, mas descobrir a localização sempre foi um desafio. Novas pesquisas de cientistas de Harvard e do Google sugerem que a IA ( Inteligencia Artificial ) pode ajudar.

Em um artigo publicado na revista Nature esta semana, os pesquisadores mostraram como o aprendizado profundo pode ajudar a prever locais de tremores mais confiável do que os modelos existentes. Cientistas treinaram uma rede neural para procurar padrões em um banco de dados de mais de 131.000 eventos “mainshock-aftershock”, antes de testar suas previsões em um banco de dados de 30.000 pares semelhantes.

A rede de aprendizagem profunda foi significativamente mais confiável do que o modelo existente mais útil, conhecido como “mudança de estresse de falha de Coulomb.” Em uma escala de precisão de 0 a 1 — em que 1 é um modelo perfeitamente preciso e 0.5 é tão bom como lançar uma moeda — o modelo Coulomb existente marcou 0.583, enquanto o novo sistema IA atingiu 0.849.

Brendan Meade, professor de Ciências de Harvard, que ajudou a escrever o artigo, disse à Science Daily que os resultados foram promissores. “Há três coisas que você quer saber sobre terremotos”, disse Meade. “Quando eles vão acontecer, quão grandes eles vão ser e onde eles vão estar. Antes deste trabalho, tínhamos leis empíricas para quando eles aconteceriam e o tamanho que eles seriam, e agora estamos trabalhando na terceira lei, onde eles podem estar. ”

Prever a localização de tremores secundários pode ajudar a direcionar os serviços de emergência para onde eles são necessários.


O sucesso da inteligência artificial ( IA ) neste domínio é graças a um dos principais pontos fortes da tecnologia: sua capacidade de descobrir padrões anteriormente negligenciados em conjuntos de dados complexos. Isso é especialmente relevante na sismologia, onde pode ser incrivelmente difícil ver conexões nos dados. Os eventos sísmicos envolvem muitas variáveis, desde a composição do solo em diferentes áreas até os tipos de interações entre as placas sísmicas e os caminhos pelos quais a energia se propaga nas ondas através da Terra. Dar sentido a tudo isso é incrivelmente difícil.

Os pesquisadores dizem que seu modelo de aprendizagem profunda foi capaz de fazer suas previsões considerando um fator conhecido como “critério de rendimento de von Mises”, um cálculo complexo usado para prever quando os materiais começarão a se romper sob estresse. Como Meade diz à Science Daily, esse fator é frequentemente usado em campos como a metalurgia, “mas nunca foi popular na ciência do terremoto”. Agora, com as descobertas desse novo modelo, os geólogos podem investigar sua relevância.

Apesar do sucesso desta pesquisa, ela está longe de estar pronta para ser implantada no mundo real. Para começar, o modelo de IA foca apenas em tremores causados por mudanças permanentes no solo, conhecidas como estresse estático. Mas os tremores de acompanhamento também podem ser causados por rumores no solo que ocorrem mais tarde, conhecidos como estresse dinâmico. O modelo existente também é muito lento para funcionar em tempo real. Isso é importante, pois a maioria dos tremores ocorre no primeiro dia após o terremoto, antes de reduzir pela metade a frequência em cada dia seguinte.

Phoebe DeVries, uma pós-doutorada de Harvard que ajudou a liderar a pesquisa, disse ao Science Daily: “Ainda estamos muito longe de realmente prever [os tremores secundários], mas acho que o aprendizado de máquina tem um enorme potencial aqui”.