Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas

A medida que la red de sismógrafos alrededor del mundo se hace más densa y completa, la disponibilidad de datos en sismología crece a gran velocidad y se nace la necesidad de desarrollar herramientas computacionales que puedan procesar grandes volúmenes de datos. Actualmente, la detección de ondas sísmicas se encuentra en el núcleo en la sismología, siendo un punto de partida de diversos estudios sobre la estructura interna de la tierra. Los algoritmos de aprendizaje automatizado o machine learning han demostrado ser eficientes en problemas de clasificación y regresión en diversos campos de la ciencia computacional. Es por esto este proyecto pretende explorar la aplicación de algoritmos de machine learning para estimar la llegada de ondas sísmicas en sismogramas con una gran exactitud y precisión. Se logró una precisión en el entrenamiento de 86% y 88% a la hora de detectar ondas P y S respectivamente. Por su parte, a la hora de evaluar el sobreajuste de las redes, se halló una diferencia importante frente al usó de funciones reguladoras y a la variación de los hiperparámetros de capas y filtros en las redes, alcanzando precisiones cercanas al 50%

• Autores: Sierra Pulido, Alexander
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/48810
• Acceso en línea: http://hdl.handle.net/1992/48810
• Palabra clave: Ondas sísmicas; Redes neuronales convolucionales; Aprendizaje automático (Inteligencia artificial); Geociencias
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/