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

Abstract

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%