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 s...
- 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/
| id |
UNIANDES2_0270681cc5a150b4f1904f2ef04e4a7f |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/48810 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.es_CO.fl_str_mv |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| title |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| spellingShingle |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas Ondas sísmicas Redes neuronales convolucionales Aprendizaje automático (Inteligencia artificial) Geociencias |
| title_short |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| title_full |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| title_fullStr |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| title_full_unstemmed |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| title_sort |
Implementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicas |
| dc.creator.fl_str_mv |
Sierra Pulido, Alexander |
| dc.contributor.advisor.none.fl_str_mv |
Tary, Jean Baptiste |
| dc.contributor.author.none.fl_str_mv |
Sierra Pulido, Alexander |
| dc.subject.armarc.es_CO.fl_str_mv |
Ondas sísmicas Redes neuronales convolucionales Aprendizaje automático (Inteligencia artificial) |
| topic |
Ondas sísmicas Redes neuronales convolucionales Aprendizaje automático (Inteligencia artificial) Geociencias |
| dc.subject.themes.none.fl_str_mv |
Geociencias |
| description |
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% |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2021-02-18T12:34:10Z |
| dc.date.available.none.fl_str_mv |
2021-02-18T12:34:10Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/48810 |
| dc.identifier.pdf.none.fl_str_mv |
u833426.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/48810 |
| identifier_str_mv |
u833426.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
31 hojas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Uniandes |
| dc.publisher.program.es_CO.fl_str_mv |
Geociencias |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Geociencias |
| dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
| instname_str |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| reponame_str |
Repositorio Institucional Séneca |
| collection |
Repositorio Institucional Séneca |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/83a6e716-7162-4736-b38e-8f59e8ade479/download https://repositorio.uniandes.edu.co/bitstreams/a56e60ee-74aa-45a5-8bd4-282b461d11a4/download https://repositorio.uniandes.edu.co/bitstreams/77052dc5-b286-4bed-920a-49bb905ed069/download |
| bitstream.checksum.fl_str_mv |
2f64cb7bae0590fc2fa290da71d1cb69 d8dfee16cc6ef8f18ebcae3d721b0eaa 611d30754fc4c4deb16fccfeaefa0451 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812134064736436224 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Tary, Jean Baptistef25ba46f-1d5d-4676-905f-32877bb2b0aa400Sierra Pulido, Alexander48a60c5a-a4cb-4941-bf52-23effecabfe95002021-02-18T12:34:10Z2021-02-18T12:34:10Z2020http://hdl.handle.net/1992/48810u833426.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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%As the network of seismographs around the world grows denser and more complete, the availability of data in seismology grows at a rapid rate, and the need to develop computational tools that can process large volumes of data is born. Currently, the detection of seismic waves is at the core in seismology, being a starting point for various studies on the internal structure of the earth. Machine learning algorithms have been shown to be efficient in classifying and regression problems in various fields of computer science. This is why this project aims to explore the application of machine learning algorithms to estimate the arrival of seismic waves in seismograms with great accuracy and precision. Training precision of 86% and 88% was achieved in detecting P and S waves respectively. On the other hand, when evaluating the overfitting of the networks, an important difference was found compared to the use of regulatory functions and the variation of the hyperparameters of layers and filters in the networks, reaching accuracies close to 50%GeocientíficoPregrado31 hojasapplication/pdfspaUniandesGeocienciasFacultad de CienciasDepartamento de Geocienciasinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaImplementación de un algoritmo de redes neuronales de convolución para la detección de ondas sísmicasTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPOndas sísmicasRedes neuronales convolucionalesAprendizaje automático (Inteligencia artificial)GeocienciasPublicationORIGINALu833426.pdfapplication/pdf1284778https://repositorio.uniandes.edu.co/bitstreams/83a6e716-7162-4736-b38e-8f59e8ade479/download2f64cb7bae0590fc2fa290da71d1cb69MD51THUMBNAILu833426.pdf.jpgu833426.pdf.jpgIM Thumbnailimage/jpeg8020https://repositorio.uniandes.edu.co/bitstreams/a56e60ee-74aa-45a5-8bd4-282b461d11a4/downloadd8dfee16cc6ef8f18ebcae3d721b0eaaMD55TEXTu833426.pdf.txtu833426.pdf.txtExtracted texttext/plain55586https://repositorio.uniandes.edu.co/bitstreams/77052dc5-b286-4bed-920a-49bb905ed069/download611d30754fc4c4deb16fccfeaefa0451MD541992/48810oai:repositorio.uniandes.edu.co:1992/488102023-10-10 19:39:44.977http://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |