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...

Full description

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