Prévoir les tremblements de terre en laboratoire grâce à l’intelligence artificielle innovante

Des avancées prometteuses dans la prédiction des séismes

UNIVERSITY PARK, Pa. — En perfectionnant une approche d’intelligence artificielle pour prédire les séismes en laboratoire, appelés “labquakes”, des ingénieurs de Penn State ouvrent la voie à une éventuelle prévision des séismes naturels.

“Nous sommes encore loin de pouvoir prédire les séismes naturels, mais comprendre la physique des labquakes et leur évolution nous permet d’approfondir notre compréhension des mécanismes des véritables séismes,” a déclaré Parisa Shokouhi, professeur en sciences de l’ingénierie et acoustique à Penn State, et auteure correspondante de l’étude publiée dans Scientific Reports. “Nous pouvons examiner les conditions précises dans lesquelles une faille glissante devient soudainement instable et déclenche un séisme, notamment la quantité de stress, la rugosité de la faille ou le rôle des petites particules de roche à l’interface, pour n’en citer que quelques-unes.”

Pour surveiller les séismes sur le terrain, des instruments sont placés à la surface de la Terre, loin de la profondeur où ces événements se produisent habituellement, ce qui oblige, selon Shokouhi, les scientifiques à faire des hypothèses simplifiées. À l’inverse, les labquakes sont réalisés dans des conditions strictement contrôlées, permettant ainsi aux chercheurs de prendre des mesures détaillées sur chaque aspect de l’expérience. Les chercheurs génèrent des labquakes en glissant ensemble des blocs de roche — appelés expériences de frottement — pour créer l’équivalent en laboratoire des séismes, ou “stick-slips”, qu’ils surveillent ensuite à l’aide de transducteurs ultrasoniques.

Le groupe a développé un modèle d’apprentissage automatique pour la prévision des labquakes, capable également de récupérer automatiquement des paramètres spécifiques, connus sous le nom de paramètres de frottement en fonction du taux et de l’état, grâce à la surveillance ultrasonique des expériences de stick-slip. Ces paramètres définissent la mécanique des labquakes et indiquent la solidité de la faille, signalant ainsi sa proximité avec l’échec. Pour estimer ces paramètres, l’équipe a conçu un modèle de réseau de neurones informé par la physique (PINN) — un algorithme d’apprentissage automatique modifié qui intègre la loi de frottement en fonction du taux et de l’état — pour prédire quand la faille expérimentale pourrait échouer et générer un labquake.

Le modèle PINN présente une précision équivalente, voire supérieure, aux réseaux n’incorporant pas cette loi de frottement, ainsi qu’une capacité à prédire les labquakes sur des échéances plus longues. Les chercheurs attribuent cela à une compréhension plus globale de la physique qui permet une interprétation plus large que celle limitée aux spécificités d’une configuration expérimentale particulière.

Points à retenir

• La recherche sur les labquakes aide à modéliser des situations qui se produisent lors de véritables séismes.
• Le modèle PINN a été conçu pour mieux prédire les échecs de faille, en tenant compte des lois de frottement.
• Les labquakes offrent un environnement contrôlé pour une observation précise des interactions mécaniques.

En conclusion, cette étude met en lumière les avancées dans le domaine de la sismologie et offre une perspective encourageante quant à la compréhension des mécanismes des séismes. Alors que des travaux supplémentaires sont nécessaires pour traduire ces découvertes en prévisions pratiques, il est essentiel de continuer à observer l’évolution des technologies qui pourraient, un jour, transformer notre capacité à anticiper ces événements dangereux. Que signifie, selon vous, la possibilité de prévoir les séismes pour les sociétés vivant dans des zones à risque ?