Visualizzazione post con etichetta legge di potenza. Mostra tutti i post
Visualizzazione post con etichetta legge di potenza. Mostra tutti i post

giovedì 6 agosto 2015

Cambiare per non subire il cambiamento

 

In questo post tratteremo un tema di cui oggi si parla tanto: la resilienza. Si tratta di un termine che ritroviamo in diversi campi applicativi, dall’ingegneria all’informatica, dalla psicologia alla biologia, dalla fisica alla medicina.

Il termine resilienza deriva dal latino “resalio”, iterativo del verbo “salio”, che in una delle sue accezioni originali indicava l’azione di risalire sulla barca capovolta dalle onde del mare. Tradizionalmente la resilienza è stata legata agli studi di ingegneria, nello specifico alla metallurgia, dove tale termine indica la capacità di un metallo a conservare la propria struttura o di riacquistare la forma originaria dopo essere stato sottoposto a schiacciamento o deformazione. Nel recente passato il concetto di resilienza è stato approfondito anche in ambito psicologico. Nello specifico, per la psicologia Wikipedia riporta:

La resilienza è la capacità di far fronte in maniera positiva agli eventi traumatici, di riorganizzare positivamente la propria vita dinanzi alle difficoltà. È la capacità di ricostruirsi restando sensibili alle opportunità positive che la vita offre, senza perdere la propria umanità. Persone resilienti sono coloro che immerse in circostanze avverse riescono, nonostante tutto e talvolta contro ogni previsione, a fronteggiare efficacemente le contrarietà, a dare nuovo slancio alla propria esistenza e perfino a raggiungere mete importanti.

E dalla psicologia al management il passo e’ breve. Un'azienda è un'attività organizzata attorno a risorse umane cooperanti e strutturate per il raggiungimento di un obiettivo economico, che interagisce con l’ambiente circostante. Le persone quindi assumono un ruolo centrale, come anche la loro rete di relazioni sia all’interno che all’esterno dell’azienda.

Pertanto se l'azienda  è un'entità costituita da molti individui, i processi relativi alla resilienza potranno esserle applicati così come  si applicano agli individui. Un'azienda resiliente sarà  in grado di recepire le minacce sia interne che esterne e trasformarle in opportunità di esperienza e di crescita.   

Aristotele e in seguito la teoria della complessita’ sostengono che "il tutto è più della somma delle parti"  così un'organizzazione resiliente, è composta da individui resilienti   che :

- si confrontano,

- si scambiano idee ed opinioni, 

- costruiscono sinergie,

- modificano la loro organizzazione,

il tutto in un'azione simultanea convergente verso un obiettivo comune e condiviso.

L'azione risulta essere più efficace e potenziata rispetto alla semplice somma delle azioni individuali dei singoli.

Darwin ci ha insegnato che a sopravvivere non sono solo gli animali più forti, ma anche quelli più reattivi, pronti e sensibili al cambiamento.   

La maggior parte di noi, infatti crede che per far fronte alle avversita’ e alle sollecitazioni della vita bisogna essere forti, avere coraggio. Per resistere un sistema va irrobustito in modo da assorbire le sollecitazioni prevedibili. Ma tutto cio’ si e’ dimostrato non vero. Le strutture piu’ robuste ai rischi prevedibili si sono dimostrate essere le piu’ fragili di fronte all’imprevisto, ai rischi non previsti. Non a caso John Doyle un ricercatore di reti complesse del Caltech Institute ha coniato il termine “robusto ma fragile” per questi sistemi. Pensate ad un aereo. Si tratta di un sistema che resiste alla maggior parte dei rischi prevedibili tanto e’ vero che il numero di incidenti e’ molto basso se rapportato a quello delle autovetture. Ma cosa succede di fronte all’imprevisto? Il piu' delle volte il disastro. Il sistema mostra tutta la sua fragilita’. Solo grazie alla morte di altre centinaia di persone avremo imparato qualche cosa di nuovo e in tal modo aumentata la sicurezza dei passeggeri. Ma come mai il numero di incidenti aerei e’ cosi basso se si tratta di un sistema robusto ma fragile? Semplicemente perche’ gli eventi imprevisti sono molto rari, sono i cosiddetti cigni neri di Taleb, quelli che popolano l’estrema coda della distribuzione. Gli eventi prevedibili invece seguono una distribuzione quasi Gaussiana e vivono lontani dalle code. Questo e’ quello che piu’ o meno raccontano i diversi libri e blog sulla resilienza. Ma da un punto di vista scientifico cosa significa dire che un sistema complesso e’ resiliente?

Per poter comprendere tale proprieta’ e’ necessario introdurre il concetto di sistema multistato e di bacino di attrazione.

Per fare cio’ utilizziamo un pendolo magnetico come quello rappresentato di seguito. Abbiamo una pallina metallica attaccata ad un filo libera di oscillare nello spazio con un disco alla sua base e tre magneti fissati ai vertici di un triangolo equilatero. E’ chiaro che una volta messa in movimento la pallina (nell’ipotesi in cui la resistenza dell’aria sia trascurabile) finira’ la sua corsa su uno dei tre magneti che l'avra' attirata grazie alla forza magnetica. Ma su quale magnete finira’ la sua corsa? Dipende dal punto di partenza del pendolo. Senza ricorrere alla matematica, e’ abbastanza intuitivo rendersi conto che se il pendolo parte in un punto (x,y) del piano vicino ad un magnete rispetto agli altri due con molta probabilita’ si blocchera' su quest’ultimo. Se parte dal centro essendo i tre magneti disposti alla stessa distanza dal centro la pallina non si muovera’ e cosi via.

Da un punto di vista matematico il comportamento di questo pendolo puo’ essere descritto tramite una superficie con tre buchi in corrispondenza dei magneti [si tratta della cosiddetta superficie di potenziale V(x,y)]. Se pensiamo ad una pallina (il nostro pendolo) poggiata su questa superficie a seconda della sua posizione di partenza cadra’ in uno dei tre pozzi che rappresentano i tre stati (multistati) stabili del sistema.

L’insieme di tutti i punti del piano che portano il pendolo sullo stesso magnete (stato stabile) si chiama bacino di attrazione. In questo caso possiamo giustamente pensare che ci saranno tre bacini di attrazione con dei confini ben distinti. Ma nella realta’ non e’ cosi. Nell’ipotesi di colorare i tre magneti col blue, giallo e rosso questo sara’ l’immagine che si presentera’ ai nostri occhi. Che dire? Bellissima.

Tre regioni di forma quasi triangolare con un colore ben definito con intorno un miscuglio dei tre colori come in un caledoiscopico disegno astratto. Questo significa che, se per esempio, il pendolo parte da un punto (x,y) del piano situato nella regione blue esso finira’ con l’essere attratto dal magnete identificato con questo colore. Se parte da una regione di colore rosso esso verra’ attratto dal magnete identificato dal colore rosso e cosi di seguito. Ma cosa succede se lo facciamo partire ai confini tra regioni di diverso colore? Si dimostra in modo rigoroso che questo spazio e’ frattale con strutture ripetitive alle diverse scale. Questo significa che se ad una certa scala di ingrandimento il pendolo sembra partire dalla zona di confine tra due colori, ad una scala piu’ spinta rivedremo comparire di nuovo i tre colori come mostrato nella figura sottostante. Quindi il pendolo non potra’ atterrare su nessuno dei tre magneti e sara’ destinato per l’eternita’ a seguire una traiettoria caotica nel senso che non ritornera' mai sui suoi passi.

Adesso che abbiamo chiarito il concetto di stato stabile, bacino di attrazione e sistema multi-stato possiamo finalmente parlare di resilienza.

La misura della stabilita’ di un sistema ad assorbire perturbazioni esterne senza essere spinto in un bacino di attrazione alternativo e’ molto importante. Per tale misura Holling nel 1973 suggeri’ il termine “resilienza”. Ma nella pratica come e’ possibile misurare la resilienza di un sistema? In genere lo spostamento verso un bacino di attrazione alternativo e’ invisibile nel senso che non ci sono effetti apparenti sullo stato del sistema quando questo si approssima ad un cosiddetto punto critico prima di precipitare nel nuovo stato a cui e’ sotteso un diverso bacino di attrazione. La perdita di resilienza avviene se il bacino di attrazione dello stato di equilibrio presente si riduce facendo aumentare la probabilita’ di portare il sistema in un nuovo bacino di attrazione in seguito a qualche evento stocastico. Quindi c’e’ la necessita’ di trovare degli indicatori indiretti che possano essere misurati direttamente. Al momento si sa che le due caratteristiche principali di sistemi che possono subire transizioni critiche sono: l’eterogeneita’ dei componenti e la loro connettivita’. Sistemi in cui le diverse componenti differiscono tra loro e non sono tutte inter-collegate tra loro (bassa connettivita’) tendono ad essere adattativi nel senso che si adattano al cambiamento in modo graduale. Al contrario i sistemi fortemente connessi e omogenei le “perdite” locali tendono ad essere riparate dai nodi vicini fino a che non si raggiunge un livello critico e il sistema collassa.

Questa situazione implica una continua lotta tra una resilienza locale e sistemica. Una forte connettivita’ promuove un'elevata resilienza locale ma a lungo andare il sistema puo’ raggiungere un punto critico dove la perturbazione locale puo’ generare un effetto domino che innesca una transizione sistemica. In tali sistemi (come barriere coralline e banche) il ripetuto recupero in seguito a piccole perturbazioni puo’ far pensare ad un sistema resiliente mascherando cosi l’avvicinamento ad un punto critico. Le barriere coralline, per esempio, prima del collasso subito nel 1980 a causa di una malattia dei ricci di mare erano ritenute sistemi altamente resilienti in quanto fino ad allora avevano sempre assorbito senza gravi danni le tempeste oceaniche e altre perturbazioni locali. In generale gli stessi prerequisiti che permettono il recupero da danneggiamenti locali possono portare un sistema ad un collasso su larga scala. Ma torniamo adesso ai possibili indicatori. Una linea di lavoro particolarmente attiva nell’ambito ecologico e' arrivata alla scoperta che in prossimita’ di un punto critico la velocita’ con cui il sistema recupera lo stato iniziale (in seguito ad una perturbazione) e’ determinante per stabilirne la sua resilienza. Piu’ la velocita’ di recupero diventa bassa (cioe’ il sistema ritorna al suo stato iniziale molto lentamente) e piu’ aumenta la probabilita’ che il sistema si trovi in prossimita' di una transizione critica (questo fenomeno in inglese e’ conosciuto come critical slowing down). Nell’immagine di seguito i bacini di attrazione vengono rappresentati come valli. Un sistema resiliente e’ uno che ha delle valli significativamente profonde da cui non e’ facile far uscire un'eventuale pallina (che nel nostro caso rappresenta lo stato del sistema) con una perturbazione stocastica. Il lento recupero del sistema in una situazione di bassa resilienza e’ dovuto alla bassa pendenza del bacino di attrazione (B) rispetto all’elevata pendenza del caso resiliente (A).

Un sistema nelle vicinanze di un punto critico diventa sensibile alle condizioni iniziali e una piccola spinta puo’ provocare un grande cambiamento. Si tratta del cosiddetto principio di Pareto 20/80. Una variazione del 20% nelle condizioni inziali comporta una variazione del 80% sull’uscita del sistema. La stessa legge e’ conosciuta anche come "effetto farfalla". In un sistema caotico, cioe’ un sistema con dipendenza sensibile dalle condizioni iniziali, un battito di ali a New York puo’ generare una tempesta a Rio. Il lento recupero dello stato iniziale si accompagna anche al cosiddetto effetto memoria e all'aumentata varianza come mostrato in G,H e D,F. La varianza e’ una misura dell’ampiezza della distribuzione mentre l’effetto memoria e’ legato alla cosiddetta autocorrelazione cioe’ alla correlazione tra lo stato del sistema al tempo t e al tempo t+1 (vedi G e H). I sistemi con bassa resilienza mostrano un recupero dalle perturbazioni molto lento, elevata varianza e un effetto memoria spinto.

In vicinanza di un punto critico (spesso anche chiamato un punto di biforcazione catastrofico) e' possibile osservare un altro effetto: quello dello “sfarfallamento” o flickering come si dice in inglese. Questo accade se la perturbazione e’ forte abbastanza da muovere il sistema avanti e indietro tra due bacini di attrazione alternativi una volta che il sistema entra nella regione bi-stabile (vedi B e D nell'immagine sottostante). Ad un certo punto il sistema puo’ spostarsi definitivamente in uno dei due stati e stabilizzarsi in esso (vedi C ed E). Questo tipo di segnale e’ stato rilevato per esempio nei cambi climatici improvvisi e prima di attacchi epilettici. Chiaramente in presenza di flickering la distribuzione degli stati del sistema subisce un aumento della varianza, code pronunciate e bi-modalita’ (che riflette i due regimi alternativi – vedi B e C).

.

Nell’immagine di seguito e’ ancora piu’ chiaro quello che avviene in prossimita di un punto di biforcazione (transizione critica). Quando il sistema e’ lontano dal punto di biforcazione (critical point) la buca associata al bacino di attrazione e’ profonda e qualsiasi perturbazione stocastica e’ velocemente recuperata (la pallina ricade velocemente verso il punto minimo della buca). Man mano che il sistema si avvicina al punto critico, la profondita’ della buca associata al bacino di attrazione diventa sempre meno profonda e questo comporta un recupero piu’ lento (pareti meno ripide). Nel momento in cui il sistema arriva nel punto di transizione la buca scompare del tutto e qualsiasi perturbazione portera’ il sistema in un nuovo stato cioe’ in un nuovo bacino di attrazione.

Sebbene la ricerca sugli indicatori empirici di robustezza e resilienza sia solo agli inizi esiste gia’ un elevato numero di modelli e di pubblicazioni specifiche. La maggiore sfida rimane lo sviluppo di procedure robuste per stabilire in anticipo le transizioni critiche. Uno dei problemi principali e’ che i metodi richiedono un’alta risoluzione temporale. Quindi bisogna studiare anche altri indicatori non legati necessariamente alle serie temporali. In molti sistemi per esempio, governati da perturbazioni locali, in prossimita’ di una transizione critica svaniscono le leggi di potenza presenti in un ampio range del parametro di controllo. Piu’ volte su questo blog abbiamo parlato di legge di potenza e della sua ubiquita’ in natura. Non potevano quindi mancare anche nell’ambito della resilienza. Alcuni ecologisti infatti, hanno stabilito che la distribuzione della dimensione delle macchie di vegetazione per un ecosistema in regioni aride del mediterraneo devia da una legge di potenza prima di una transizione critica (desertificazione).

Qui di seguito un esempio di legge di potenza  per questi ecosistemi. Sull’asse y viene riportato il numero di macchie di vegetazione di dimensione S e sull’asse x la dimensione S stessa. Il grafico e’ bi-logaritmico e quindi la legge di potenza appare come una retta.

Questa distribuzione ci dice che in questi ecosistemi esistono moltissime macchie di vegetazione di piccole dimensioni e ogni tanto qua e la si trovano delle macchie di dimensioni molto grandi. Cosa succede se cambia il clima e il sistema diventa sempre piu’ arido? La distribuzione delle macchie di vegetazione comincera’ a seguire una distribuzione che in scala bi-logaritmica si allontanera’ sempre piu’ da una retta come mostrato sotto.

Questo significa che se riportiamo su un grafico la percentuale di suolo coperto dalla vegetazione e sull’asse x un parametro che indichiamo con b inversamente proporzionale all’aridita’ avremo un andamento ad iperbole. Una volta che il valore di b si avvicina a 0.3 la quantita’ di vegetazione precipitera' velocemente verso lo zero e non ci sara' piu’ modo di tornare indietro. Il deserto avra’ conquistato altri metri.

Altri studiosi hanno trovato che i sistemi complessi con strutture regolari autorganizzate in prossimita’ di una transizione critica seguono una sequenza prevedibile di pattern spaziali. Qui di seguito un grafico che riporta la risposta in termini di quantita’ media di vegetazione per un modello di ambiente semi-arido all’aumentare della siccita’. La linea continua rappresenta la densita’ di vegetazione all’equilibrio. Le tre immagini piccole al di sopra della curva rappresentano le mappe spaziali della vegetazione con quest’ultima rappresentata dal colore nero e il suolo libero dal colore chiaro. Come il sistema si avvicina alla transizione critica (il punto di biforcazione) la natura del pattern cambia da una forma labirintica ad una punteggiata.

Ritorniamo di nuovo al concetto di “robusto ma fragile”. Un sistema con scarsa resistenza (poco robusto) e alta resilienza (non fragile) in seguito ad una perturbazione si allontana dallo stato di equilibrio per poi ritornarci velocemente. Quello con bassa resilienza invece non si allontana molto dallo stato di equilibrio (robusto) e impiega molto piu’ tempo per ritornare al punto di partenza sempre che non entri in un regime catastrofico da cui non potra’ piu’ uscire cambiando cosi completamente stato.

Sistema poco robusto ma resiliente

Sistema robusto ma poco resiliente

 

Data l’importanza delle transizioni critiche (effetto soglia) e la difficolta’ di prevederle in anticipo come puo’ un sistema mantenere la sua resilienza? Una ricetta universale purtroppo non esiste. Dagli studi effettuati in campi diversi (dalla fisica al management, dalla chimica alla psicologia) sono emerse comunque alcune regole generali:

· Mantenere un elevato grado di diversita’ soprattutto nella risposta

· Cercare di mantenere una stuttura modulare evitando sovra-connessioni

· Rispondere rapidamente ai cambiamenti

· Garantire l’apertura del sistema nel senso di permettere lo scambio continuo con l’ambiente     circostante

· Incentivare continuamente l’innovazione e la creativita’

· Elevato capitale sociale (reti di relazioni)

· Leadership generativa

Seguendo il concetto di “robusto ma fragile” bisogna ovviamente fare attenzione a non confondere la resilienza con la resistenza al cambiamento. Al contrario come visto un sistema nel tentativo di evitare cambiamenti e turbative riduce la sua resilienza che va intesa come capacita' di trasformazione e adattabilita’. Se un cambiamento peggiorativo e’ inevitabile l’unica possibilita’ per sopravvivere e’ la trasformazione del sistema o di sue parti in alcune piu’ adatte alla nuova condizione. La resilienza in breve consiste nell’imparare a cambiare per non subire il cambiamento. I sistemi resilienti sono quelli capaci di mettersi al sicuro nel momento in cui stanno per fallire e non quelli che cercano di stare al sicuro dai fallimenti. I cigni neri di Taleb non si possono evitare ed e’ difficile prevederli. Ma questo non significa che non dobbiamo prenderne atto ed essere preparati alla catastrofe. Un mondo di tipo Gaussiano purtroppo non esiste. La natura gioca con le code delle distribuzioni, le leggi di potenza e la geometria frattale. E di questo dobbiamo esserne consapevoli.

venerdì 2 maggio 2014

Terremoti nel cervello. Legge di potenza per l’epilessia.

 

Verso la fine degli anni ottanta, il neurologo Ivan Osorio

dopo anni di ricerca, si rese conto che non si poteva  capire a fondo cosa determinasse nel cervello l’aumento improvviso dell’attività elettrica conosciuta come attacco epilettico.

Cominciò così a guardarsi intorno, al di fuori del campo medico per cercare di trovare delle similitudini con altri fenomeni. Fu cosi che scoprì per caso la forte somiglianza tra gli attacchi epilettici e i terremoti e subito iniziò a studiare le leggi che regolano quest’ultimi per cercare di gettare nuova luce su cosa avviene nel cervello durante gli attacchi di epilessia. Questo collegamento fu trovato indirettamente, leggendo un articolo pubblicato da uno psicologo su Nature nel 1967, Graham Goddard, che aveva descritto un particolare fenomeno chiamato “kindling”.

Questo scienziato aveva scoperto che stimolando continuamente il cervello di alcuni ratti con impulsi di basso voltaggio, una volta che si innescava un attacco epilettico, c’era bisogno di una stimolazione elettrica minore rispetto alla precedente, per indurre un secondo attacco epilettico. Goddard chiamò questo fenomeno “kindling” in quanto gli ricordava quello che succede, quando si vuole accendere un gran fuoco e si parte con l’usare gradualmente sempre più ramoscelli. All’inizio c’è bisogno di tanti ramoscelli, ma poi quando il fuoco è andato, basta l’aggiunta di pochi ramoscelli per tenerlo acceso.

Si tratta di un fenomeno dove lentamente c’è un accumulo di energia che poi viene rilasciata istantaneamente. I vari impulsi elettrici creano piccoli attacchi epilettici, che accumulandosi pian piano portano poi ad una violenta scarica. Ricorrendo ad un’altra analogia, e’ come avere un mucchietto di sabbia dove  l’aggiunta di un unico granello, genera delle micro-valanghe (piccoli attacchi epilettici) e porta gradualmente il sistema in uno stato critico. A quel punto l’arrivo di un nuovo granello di sabbia può generare una valanga di grandi dimensioni (scarica epilettica violenta).

Nell’ambito dei sistemi complessi, questo rilascio improvviso di energia si chiama ‘rilassamento’. I tempi che intercorrono tra due eventi di rilassamento, in genere, sono molto lunghi, e la quantità di energia rilasciata è cosi grande che può avere delle conseguenze catastrofiche. In base a queste considerazioni è possibile considerare gli attacchi epilettici come degli eventi di rilassamento del cervello?

I sistemi complessi (come i terremoti, internet, i mercati finanziari ...) sembrano mostrare tutti la stessa legge di rilassamento. Ogni volta che all’interno di un sistema complesso, c’è un turbamento, una scossa, un evento estremo che sposta il sistema dal suo stato tipico, esso si rilassa seguendo una legge ben precisa: la legge di Omori.

Omori trovò la sua legge analizzando gli eventi sismici. Da allora in poi i ricercatori hanno verificato che tutti i sistemi complessi sembrano mostrare la stessa legge indipendentemente dal contesto. La legge è una legge di potenza con un andamento del tipo t, dove t è il tempo trascorso rispetto all’evento catastrofico ed alfa una costante. Nel caso dei terremoti, per esempio, la legge di Omori stabilisce che il numero di eventi sismici dopo la scossa principale per unità di tempo, decresce nel tempo con legge di potenza. Questo significa che subito dopo la scossa principale ci sarà un numero elevato di scosse di minore intensità e che questo numero poi rapidamente decadrà andando a zero ma molto, molto lentamente. Ecco perchè anche dopo mesi da una prima scossa si hanno ancora eventi sismici significativi. Il sistema per ritornare al suo stato iniziale, cioè a quello esistente prima della scossa, impiega un tempo lunghissimo. Nella figura 1, viene mostrato il numero di scosse nel tempo per il terremoto che ha colpito l’Aquila il 6 Aprile del 2009. Si può vedere chiaramente l’andamento previsto da Omori (curva color fucsia) con un esponente pari a circa 0.4.

 

Figura 1 Legge di Omori per il terremoto dell’Aquila dell’Aprile 2009.

 

 

 

Figura 2 Legge analoga a quella di Omori per l’andamento della magnitudine massima giornaliera del terremoto dell’Aquila dell’Aprile 2009.

 

Nella figura 2, è riportata invece l’andamento giornaliero della massima magnitudo registrata. Anche in questo caso si può notare un andamento simile alla legge di Omori con un esponente pari a 0.185.

Ma ritorniamo adesso all’epilessia.

Osorio e il matematico dell’Università del Kansas, Mark Frei, avevano presentato la loro idea a diversi congressi, fino a, quando incontrarono il neurologo John Milton, che gli suggerì di confrontare gli attacchi epilettici ai sistemi complessi incluso i terremoti. L’idea era semplice: usare le leggi di un fenomeno per risolvere i misteri di un altro.

Lo stesso Milton favorì l’incontro di Frei e Osori con il geofisico Didier Sorniette, esperto di teoria delle catastrofi e dei sistemi complessi, per cercare di applicare i concetti fisici sviluppati in ambiti diversi, alle previsioni degli attacchi epilettici. Questo team di ricercatori ha eseguito un’analisi quantitativa, confrontando 16.032 casi di attacchi epilettici e 81.977 eventi sismici con magnitudo maggiore di 2.3. Gli attacchi epilettici sono stati definiti come il rapporto adimensionale dell’attività elettrica del cervello in una particolare banda di frequenze con un valore superiore a 22 ed una durata di almeno 0.84 secondi. Da questi dati, sono poi stati estratti due parametri caratteristici: l’energia E (intesa come il prodotto del picco dell’attacco epilettico per la sua durata) e l’intervallo di tempo tra due attacchi consecutivi. Per i terremoti, invece, è stato considerato il momento sismico definito come:

S~101.5M

dove M è la magnitudo del sisma. Nella figura 3 è riportato il confronto tra un segnale epilettico e quello di un sisma. Notare la forte somiglianza tra i due. Stessa cosa per la figura 4, dove viene riportata la distribuzione di probabilità (PDF) per l’energia nel caso degli attacchi epilettici e il momento sismico S dei terremoti. Per entrambi i sistemi, la probabilità che un evento abbia un’energia o un momento sismico maggiore di x è proporzionale a  x-β  dove β~2/3.

Questa distribuzione si differenzia da quella Gaussiana per la presenza di una lunga coda a destra, che si riflette nella presenza di eventi estremi che accadono con una probabilità non trascurabile. Questi eventi estremi si trovano a diverse deviazioni standard dal valore medio predetto dalla distribuzione di Gauss. Queste proprietà sono anche riflesse nel fatto che distribuzioni di potenza illimitate con beta uguale a 2/3 hanno una media ed una varianza infinita.

Un risultato analogo è stato ottenuto per l’intervallo temporale tra due eventi successivi.

 

Figura 3 Confronto tra il segnale elettrico di un attacco epilettico (A) e quello di un terremoto (B). Notare la forte somiglianza.

 

Figura 4 Densità di probabilità del momento sismico e degli attacchi epilettici. Entrambe le statistiche sono compatibili con la stessa legge di potenza con esponente ̴ 2/3.

 

La figura 5, mostra come entrambe le densità di probabilità approssimativamente seguono una legge di potenza sebbene con una pendenza diversa.

Com’è possibile che questi sistemi operanti su scale spaziali e temporali completamente diverse, con processi alla base decisamente diversi, esibiscano tante somiglianze da un punto di vista statistico?

 

Figura 5 Densità di probabilità degli intervalli temporali tra due attacchi epilettici successivi (curva rossa) e tra due terremoti (curva blu).

 

Una possibile speculazione per tale somiglianza potrebbe venire dal fatto che entrambi questi sistemi sono formati da tanti elementi interagenti in competizione tra loro, e che la maggior parte di tali sistemi esibiscono un comportamento auto-organizzato con una statistica che segue una legge di potenza. In parole semplici, gli attacchi epilettici come i terremoti accadono quando l’attività del cervello o della crosta terrestre, visitano la parte destra della distribuzione dell’energia/magnitudo o allo stesso modo la parte sinistra della distribuzione degli intervalli temporali tra due attacchi epilettici o tra due scosse successive. Sia il cervello che la crosta terrestre possono essere simulati con un sistema di oscillatori non-lineari con dinamica instabile e un numero elevatissimo di interconnessioni con proprietà frattali o auto-somiglianti, che si ripetono attraverso una vasta gerarchia di scale spaziali. L’analisi dinamica di tali sistemi ha mostrato che essi si trovano al confine tra lo stato ordinato e quello caotico, come tanti altri sistemi complessi. Una caratteristica fondamentale dei sistemi complessi è proprio la capacità di visitare sia zone ordinate che quelle caotiche (pensate ad un’autostrada dove all’improvviso si forma un ingorgo senza alcun motivo apparente e senza nessun motivo scompare all’improvviso) facendo tesoro dell’esperienza accumulata (effetto memoria o feed-back). Per questi sistemi la somma è maggiore delle parti nel senso che il sistema come un tutt’uno riesce a mostrare comportamenti decisamente complessi che nessuna delle singole parti riuscirebbe a mostrare. È solo l’azione di gruppo, l’interazione tra la maggior parte degli elementi del sistema a far emergere un tale comportamento. La scienza della complessità contrariamente alla fisica riduzionista non cerca di dividere un sistema in parti più semplici da studiare ma cerca di analizzare il sistema come un unico “corpo” che vive ed interagisce con il mondo che lo circonda (sistema aperto da un punto di vista termodinamico). È molto probabile che tutti i sistemi complessi siano retti da leggi universali la cui comprensione potrebbe definitivamente gettare una nuova luce sul comportamento della natura e dell’Universo. Ancora una volta la matematica sembra essere l’unica chiave per aprire la serratura della Natura, e riuscire, così, a carpire il segreto ultimo delle cose.

 

Per approfondire:

http://arxiv.org/ftp/arxiv/papers/0712/0712.3929.pdf

http://chaos1.la.asu.edu/~yclai/papers/PRE_010_OFSML.pdf

venerdì 26 luglio 2013

Quanto sono frequenti i terremoti? C’e’ la possibilita’ di prevederli?


La domanda piu’ frequente rivolta ai sismologi dalla gente comune e’ la seguente: e’ possibile prevedere i terremoti? E se no perche’?
A parte i giudici dell’Aquila, nessuno al mondo puo’ affermare che i terremoti siano prevedibili. Nel corso di questo articolo cercheremo di capire il perche’. Quello che i geofisici hanno capito in anni di studio e’ che la dinamica della Terra puo’ essere modellizzata con la tettonica delle placche e che i terremoti non sono l’effetto di eventi casuali ma piuttosto il prodotto finale di una lunga serie di movimenti e stress che avvengono all’interno della terra in punti specifici.
Quindi detto cosi, i terremoti dovrebbero essere prevedibili. Ma nonostante tutti gli sforzi dei ricercatori  non esiste ancora un metodo che riesca a predire con assoluta certezza, il giorno, l’ora e la magnitudo di un terremoto. La Terra  e’ un sistema troppo complesso (non complicato) per riuscire a modellare il suo comportamento a livello microscopico. Molti scienziati, pensano che questo problema sia praticamente irrisolvibile. Prima di un terremoto, gli stress di una faglia (frattura tra due blocchi di roccia) possono rimanere in equilibrio critico per un tempo anche molto lungo. Riuscire a sapere quando una faglia subira’ il movimento relativo delle parti ad essa adiacenti (cioe’ quando avviene un terremoto) dipende da cosi tanti fattori aggiuntivi (alcuni microscopici altri macroscopici) oltre agli stress che la previsione diventa impossibile.
Lungo una faglia ci possono essere essenzialmente tre movimenti relativi che vanno sotto il nome di faglia normale, faglia inversa e faglia trascorrente rispettivamente.
 
Un’analogia puo’ essere quella della previsione dei movimenti della sabbia all’interno di una clessidra. Possiamo predire con grande accuratezza quanto tempo sara’ necessario alla sabbia per svuotare la parte superiore della clessidra. Possiamo anche predire la forma che la sabbia prendera’ una volta caduta nella camera inferiore ma non possiamo predire dove andra’ a finire ogni granello quando esso cade attraverso il foro della clessidra.
Il primo ad analizzare la dinamica di un mucchietto di sabbia e’ stato il fisico danese Per Bak che grazie ai suoi studi ha scoperto come molti sistemi dinamici naturali, fuori dall’equilibrio, possono auto-organizzarsi in uno stato critico governato da una legge di potenza.
L’apparato sperimentale ideato da Bak molto simile ad una clessidra è costituito da un piatto sul quale vengono fatti cadere uno alla volta dei granelli di sabbia. Gradualmente i granelli caduti formano un mucchietto i cui pendii lentamente diventano sempre più ripidi. Quando la pendenza supera un certo valore si formano delle valanghe. Man mano che si aggiunge altra sabbia la dimensione media di queste valanghe aumenta e alcuni granelli finiscono oltre il bordo del piatto. Il mucchietto cessa di crescere quando la quantità di sabbia aggiunta è in media uguale a quella che cade al di fuori del piatto ed è a questo punto che il sistema ha raggiunto lo stato critico.
A questo punto aggiungendo al mucchietto anche un solo granello di sabbia si possono innescare valanghe di qualunque dimensione.
Tracciando un grafico in scala logaritmica in cui si pone sull’asse y il numero di valanghe e sull’asse x la loro dimensione (il numero di granelli coinvolti) si ottiene una retta: questo vuol dire che il fenomeno e governato da una legge di potenza.
Se la forma del mucchietto è tale per cui la pendenza è inferiore a quella critica le valanghe sono più piccole di quelle che si verificano nello stato critico permettendo così alla sabbia di raggiungere lo stato critico. Se la pendenza è superiore a quella critica le valanghe sono più imponenti di quelle allo stato critico facendo crollare il mucchietto di sabbia fino allo stato critico.
I mucchietti supercritici proprio come quelli subcritici sono attratti verso lo stato critico. Quindi il sistema si auto-organizza in uno stato critico dove anche una piccola perturbazione puo’ generare una catastrofe. Questo modello sembra governare terremoti, valanghe, tsunami, economia e altri fenomeni. L’auto-organizzazione implica la validita’ di una legge di potenza, il che significa che non esiste nessuna scala particolare, cioe’ i terremoti di bassa intensita’ sono molto piu’ frequenti di quelli catastrofici. Il meccanismo alla base dei terremoti e’ lo stesso sia per quelli catastrofici che per quelli di bassa intensita’.
Sebbene la previsione dei terremoti al momento e’ troppo difficile (e forse lo sara’ per sempre come io credo) e’ possibile calcolare la probabilita’ che avvenga un terremoto in una particolare regione della Terra. Questo fa si che i progettisti degli edifici in regioni a rischio seguano delle regole piu’ stringenti rispetto a quelle utilizzate in zone a basso rischio sismico.
Qualsiasi mappa della sismicita’ mondiale come quella mostrata qui sotto, mostra che i terremoti per la maggior parte tendono a formare dei clusters con il 90% di essi disposti lungo le frontiere delle placche terrestri.

 


Occasionalmente comunque, ci sono sequenze di terremoti che capitano in posti dove non era stata osservata nessuna sismicita’ fino ad allora. Con molta probabilita' questo e’ dovuto al fatto che gli strumenti per registrare i terremoti sono nati circa 100 anni fa e quindi in zone di bassa sismicita’ non c’e’ stato tempo a sufficienza per raccogliere una quantita’ di dati statisticamente significativi. Ad ogni modo la sfida maggiore per i geofisici non e’ tanto l’identificazione delle regioni a rischio quanto riuscire a stimare la frequenza e l’energia degli eventi sismici di una particolare regione.
L’intensita’ di un terremoto e’ espressa in magnitudo M che e’ legata all’energia E rilasciata dall’evento sismico ( log10E = 11.8 + 1.5M ). Un aumento della magnitudo di un’unita’ implica un aumento dell’energia di un fattore 32. Fortunatamente per gli esseri umani i terremoti catastrofici sono molto meno frequenti di quelli piccoli. Nella tavola seguente sono riportate le intensita’ espresse in magnitudo dei terremoti e la loro media annuale. Per esempio mediamente in un anno avremo sulla terra un terremoto catastrofico con una magnitudo superiore a 8.

 

 
Il numero di vittime generato da un terremoto non dipende necessariamente dalla loro magnitudo. Terremoti moderati possono generare piu’ vittime di un terremoto forte se questi avvengono in aree dove le costruzioni sono fatiscenti o non costruite con criteri antisismici. Una frattura generata nel suolo da un terremoto aumenta approssimativamente con la sua magnitudo secondo la relazione:

log10(Area) = (1.05M)-2.95.

Un terremoto di magnitudo 5 generera’ una frattura con un raggio di circa 8 Km, un terremoto di magnitudo 6 invece una frattura con un raggio di circa 30 Km e un terremoto di magnitudo 8 una frattura con un raggio di circa 300 Km.
La distribuzione del numero di terremoti in funzione della magnitudo e’ stata trovata seguire una legge di potenza: quando graficata su una scala semilogaritmica la distribuzione e’ lineare. I primi ad accorgersi di questo comportamento furono Gutenberg e Richter nel 1944 che introdussero la famosa equazione che oggi porta il loro nome:

log10 N = a – bM

Qui N e’ il numero cumulativo di terremoti con magnitudo superiore o uguale ad M. a e b sono due costanti. Il grafico sottostante e’ un esempio di legge G-R per I terremoti registrati in Italia dal 1900 al 2006. Il grafico mostra la distribuzione Frequenza-Magnitudo (FMD in inglese) in accordo al database dell’INGV.
La costante b indica la pendenza della FMD e descrive la relativa intensita’ dei terremoti. Un valore alto di b indica una larga proporzione di terremoti deboli e viceversa. Il valore a (intercetta della retta con l’asse x) indica l’attivita’ sismica. Osservare che per piccole magnitudo la retta non segue la legge di potenza G-R in quanto e’ difficile riuscire a captare i terremoti di piccola intensita’. Nel nostro caso il valore di b e’ circa 1.1 e quello di a circa 8.65 considerando solo I terremoti con M>=5.

 

 

FMD degli eventi registrati in Italia dal 1900 al 2006 ( dati estratti dal database del INGV)

Correlazione tra il logN e magnitudo per I sismi avvenuti in  Italia dal 1900 al 2006. 


La pendenza del fit lineare rappresenta il coefficiente b (1.132) della relazione G-R e l’intercetta il valore a (8.656). Le equazioni fin qui descritte ci dicono anche un’altra cosa molto importante: i terremoti di bassa intensita’ non possono essere considerati come una valvola di sfogo per evitare i terremoti catastrofici. In una regione, il fatto di avere tanti terremoti di piccola intensita’ non esclude la possibilita’ che ci possa essere un terremoto catastrofico. Questo perche’ come abbiamo visto passando da un terremoto di magnitudo M ad uno di magnitudo M+1 comporta un’energia piu’ grande di un fattore 32 rispetto al terremoto di magnitudo M. Allo stesso modo pero’ la legge G-R prevede che passando da una magnitudo M ad M-1 il numero di terremoti aumenti di un fattore 10. Quindi ci possiamo aspettare solo 10 terremoti con magnuitudo M-1 rispetto ai 32 necessari per smaltire l’energia di un terremoto di magnitudo M. Ovviamente se il parametro b della legge G-R fosse molto vicino 1.5 allora sarebbe possibile scaricare l’energia accumulata dalla crosta terrestre tramite tanti piccoli terremoti.

Il parametro b dell’equazione di G-R e’ molto prossimo ad 1 anche se non per tutte le zone del mondo. Basta per esempio considerare i terremoti avuti dal 2009 al 2013 nella regione Abruzzo per vedere che il parametro b e’ pari a 0.975 con una variazione del 14% rispetto al valore ottenuto considerando l’Italia intera. Questo significa che l’Abruzzo e’ una regione dove e’ piu’ alta la probabilita’ di terremoti rispetto alla media italiana essendo il valore del parametro b piu’ piccolo. Osservare come il fattore moltiplicativo dipenda da 10-b e quindi piccole variazioni in b comportano grandi variazioni nel numero di terremoti.
 

FMD degli eventi sismici registrati in Abruzzo dal 2009 al 2013

Correlazione logN e magnitudo per I terremoti dell’Abruzzo tra il 2009 e il 2013. La pendenza del fit lineare rappresenta il coefficiente b (0.975) della relazione G-R e l’intercetta il valore a (5.853)

 
L’importanza della distribuzione FMD sta nel fatto che essa puo’ essere utilizzata per fare previsioni probabilistiche del pericolo di un sisma.  Riscrivendo la legge  di  G-R possiamo calcolare la probabilita’ che si verifichi un terremoto di magnitudo M maggiore di un certo valore di soglia Mt:

P(M>Mt) = 10(a-bM)/ dT

dove dT e’ il periodo temporale di osservazione (1900-2006 = 106 anni nel nostro caso). Usando a=8.656 e b=1.132 per il caso dei terremoti italiani dal 1900 al 2006 troviamo che un terremoto con magnitudo 6 o maggiore ha una probabilita’ annuale di circa 18%. In altre parole in Italia ci possiamo aspettare un terremoto con magnitudo di 6 o piu’ circa ogni 6 anni. Questo valore e’ confermato dall’analisi statistica dei terremoti Italiani con magnitudo maggiore o uguali a 6 nel periodo in considerazione. Come si vede dal grafico l’intervallo di tempo medio e’ di 6.57 anni, molto prossimo ai ~6 anni trovati con la legge di G-R. Dal grafico della probabilita’ cumulata si osserva anche che c’e’ una probabilita’ del 90% di avere un terremoto di intensita’ uguale o superiore a 6 nell’arco di 10 anni.
 

 

Come  gia' detto e’ molto importante il valore di a e b nella  legge  di   G-R. Qui sotto l’andamento della probabilita’ annuale di avere un terremoto di magnitudo maggiore o uguale a 6 in funzione del valore di b avendo assunto a=8.656. Un valore di b molto piccolo fa si che aumenti significativamente la probabilita’ annuale di un terremoto. Osserviamo anche che con un valore di b superiore a ~1.4 la probabilita’ di avere terremoti di intensita’ uguale o superiore a 6 e’ praticamente nulla. Da tutto cio’ si capisce che e’ molto importante stabilire con buona precisione il valore di a e b di una data regione per avere previsioni affidabili. Ma questo non e’ un impresa facile; questi valori sembrano cambiare non solo spazialmente ma anche temporalmente. Sono stati individuati infatti fino a 4 tipi di comportamento nel tempo. Nel primo il valore di b diminuisce prima dei grandi sismi. Nel secondo il valore di b prima aumenta e poi improvvisamente diminuisce prima di un evento catastrofico. Nel terzo modello il valore di b varia durante tutta la fase di assestamento mentre nel quarto modello il valore di b varia significativamente tra una regione e l’altra e durante lunghi periodi di tempo indipendentemente dall’intensita’ del sisma.
 

Andamento della probabilita’ annuale di un terremoto di magnitudo maggiore o uguale a 6, 7, 8 e 9 in Italia in funzione del valore di b avendo fissato a=8.656


Un esempio per tutti. In una piccola cittadina della California, Parkfield, sono stati documentati 6 terremoti di magnitudo 6 tra il 1857 e il 1966. In base a quanto detto ci si aspettava un terremoto di intensita’ pari a 6 intorno al 1988. Ma questo terremoto non c’e’ mai stato almeno fino ad oggi.

 



In prima approssimazione i terremoti non mostrano nessuna regolarita’ temporale e quindi e’ giusto assumere come distribuzione dei tempi di attesa una distribuzione di Poisson. Se mediamo i terremoti su una regione abbastanza vasta questa assunzione e’ pienamente verificata. Per esempio, il tasso globale di terremoti di magnitudo maggiore di 5 e’ quasi costante come richiesto da una distribuzione di Poisson.
 

Numero annuale di terremoti con magnitudo maggiore di 5 come ricavato dal database sella NEIC.

 
Questa distribuzione fu scoperta dal francese Simeon Denis Poisson nel 1837; essa permette il calcolo della probabilita’ del verificarsi o no di un certo numero di eventi in un intervallo temporale definito purche’ tali eventi si manifestino con un un tasso medio costante e siano indipendenti nel tempo.
Secondo quanto trovato da Poisson, la probabilita’ P di avere n terremoti in un intervallo temporale t e’ data da:

P(n, t,dt) = (t /dt )n e-t/ dt/ n!

dove dt e’ il tempo medio tra un terremoto e l’altro (il suo inverso e’ il tasso). Quindi la probabilita’ che non si verifichi nemmeno un terremoto in un intervallo temporale t e’ data da:

P(0, t, dt) = e-t/d t

oppure la probabilita’ che se ne verifichi almeno 1 e’ data da:

P(n>=1, t,dt) =1- P(0, t, dt) = 1- e-t/ dt

Usando per esempio la distribuzione di Poisson per eventi con magnitudo maggiore di 7 e un tasso di 0.05 terremoti al giorno possiamo stabilire che la probabilita’ che ci sia un evento in 14 giorni e’ del 50% e del 90% in 46 giorni.
Comunque le scosse di assestamento che si presentano dopo ogni evento principale e gli sciami sismici sono chiari eventi che violano l’assunzione di una distribuzione poissoniana. Dopo una scossa principale ci saranno sempre delle scosse di assestamento che si verificano nelle vicinanza della frattura principale
Un esempio e’ il terremoto dell’Aquila dove dopo la scossa principale avvenuta il 6 Aprile 2009 con magnitudo 6.3 l’attivita’ sismica e’ continuata per anni decadendo secondo la cosiddetta legge di Omori

N=At-a

dove A ed a sono due costanti, N e’ il numero di scosse e t il tempo trascorso rispetto alla scossa principale.



Dopo questa breve analisi cosa possiamo dire sulla previsione dei terremoti? E’ solo questione di tempo? Oggi non siamo capaci di prevedere i terremoti e chiunque afferma il contrario verra’ smentito dal prossimo catastrofico sisma non predetto. Ma un giorno ci riusciremo? Forse si ma non domani. Forse tra 10, 20 anni o forse mai. La natura per poter essere “creativa” deve stare all’edge del caos. Questo e’ vero per tutti i sistemi complessi che mostrano una grande resilienza e adattabilita’ a spesa dell’imprevedibilita’. Non si puo’ volere tutto dal nostro universo…………


http://www.wikio.it