Approcci di apprendimento automatico per la valutazione della pericolosita' e del rischio maremoto

Tsunamis are among the most devastating marine geological hazards with the potential to cause widespread destruction in coastal regions. Assessing and mitigating tsunami hazards and risks are crucial for disaster preparedness and response. Probabilistic Tsunami Hazard Assessment (PTHA) and Probabilistic Tsunami Risk Assessment (PTRA) that rely on numerically simulations, that model tsunami process of generation, propagation, and inundation for a large ensemble of tsunami scenarios. This enables us to provide predictions of the tsunami hazard and risk for return periods far exceeding the limited period and at places lacking observations. Such methods come with tremendous computational costs, particularly when applied at large scales or with high-resolution, limiting the feasibility and scope of application. To address these limitations, this thesis proposes the use of machine learning (ML) models as emulators. In the first study, we develop a framework that use emulators to significantly reduce the computational load by providing the predictions for a large set of scenarios of interest, based on training from a limited number of simulations. We use a variational encoder-decoder (VED) to predict key tsunami metrics, including maximum wave height, time series of waveforms, and maximum inundation depth with uncertainty quantification. This framework is applied to the Tohoku region in Japan, where it is validated across multiple test sites, demonstrating its effectiveness in predicting tsunami hazard with reduced computation. Building on this approach, we refine the encoder-decoder architecture, optimise the training procedures, and expand the earthquake sources. By enhancing the variability and complexity of the problem, we evaluate the emulators improved generalisation. We apply this improved framework on a large simulation database of tsunamigenic earthquake in the the Mediterranean Sea, including those with local coseismic displacement and test the model's performance for two test sites on eastern Sicily. The results show that the ML-based emulator are effective in replicating the inundation of full-scale simulations while dramatically lowering computational costs by up to 30 times. Finally, we apply the emulation results to hazard and risk aggregation, employing PTHA and PTRA methodologies. We compare the performance of our emulator approach against the complete brute-force HPC simulations, focusing on computational efficiency and result fidelity. The comparison highlights the advantages of using ML-based emulators in terms of efficiency and accuracy, suggesting that this approach could be a valuable tool in future tsunami hazard and risk assessments. This work represents a significant advancement in the field, offering a scalable and efficient alternative to current compute intensive tsunami modelling methods.

Gli tsunami sono tra i pericoli geologici marini più devastanti, con il potenziale di causare una distruzione diffusa nelle regioni costiere. La valutazione e la mitigazione dei pericoli e dei rischi degli tsunami sono fondamentali per la preparazione e la risposta ai disastri. La valutazione probabilistica dei pericoli degli tsunami (PTHA) e la valutazione probabilistica dei rischi degli tsunami (PTRA) si basano su simulazioni numeriche, che modellano il processo di generazione, propagazione e inondazione degli tsunami per un ampio insieme di scenari di tsunami. Ciò ci consente di fornire previsioni del pericolo e del rischio di tsunami per periodi di ritorno che superano di gran lunga il periodo limitato e in luoghi privi di osservazioni. Tali metodi comportano enormi costi computazionali, in particolare se applicati su larga scala o ad alta risoluzione, limitando la fattibilità e l'ambito di applicazione. Per affrontare queste limitazioni, questa tesi propone l'uso di modelli di apprendimento automatico (ML) come emulatori. Nel primo studio, sviluppiamo un framework che utilizza emulatori per ridurre significativamente il carico computazionale fornendo le previsioni per un ampio set di scenari di interesse, basati sulla formazione da un numero limitato di simulazioni. Utilizziamo un codificatore-decodificatore variazionale (VED) per prevedere le metriche chiave dello tsunami, tra cui l'altezza massima dell'onda, le serie temporali delle forme d'onda e la profondità massima dell'inondazione con quantificazione dell'incertezza. Questo framework viene applicato alla regione di Tohoku in Giappone, dove viene convalidato su più siti di prova, dimostrando la sua efficacia nel prevedere il rischio di tsunami con una riduzione dei calcoli. Sulla base di questo approccio, perfezioniamo l'architettura del codificatore-decodificatore, ottimizziamo le procedure di formazione ed espandiamo le fonti del terremoto. Migliorando la variabilità e la complessità del problema, valutiamo la generalizzazione migliorata degli emulatori. Applichiamo questo framework migliorato a un ampio database di simulazione di terremoti tsunamigenici nel Mar Mediterraneo, inclusi quelli con spostamento cosismico locale e testiamo le prestazioni del modello per due siti di prova nella Sicilia orientale. I risultati mostrano che l'emulatore basato su ML è efficace nel replicare l'inondazione di simulazioni su vasta scala, riducendo drasticamente i costi computazionali fino a 30 volte. Infine, applichiamo i risultati dell'emulazione all'aggregazione di rischi e pericoli, impiegando le metodologie PTHA e PTRA. Confrontiamo le prestazioni del nostro approccio di emulazione con le simulazioni HPC complete a forza bruta, concentrandoci sull'efficienza computazionale e sulla fedeltà dei risultati. Il confronto evidenzia i vantaggi dell'utilizzo di emulatori basati su ML in termini di efficienza e accuratezza, suggerendo che questo approccio potrebbe essere uno strumento prezioso nelle future valutazioni dei rischi e dei pericoli degli tsunami. Questo lavoro rappresenta un significativo progresso nel campo, offrendo un'alternativa scalabile ed efficiente agli attuali metodi di modellazione degli tsunami ad alta intensità di calcolo.