Detección automática de primeros arribos usando redes neuronales artificiales en trazas terrestres reales del catálogo sísmico colombiano.

Mantilla Parra, Juan José; Vargas Blanco, Miguel Rodrigo

Detección automática de primeros arribos usando redes neuronales artificiales en trazas terrestres reales del catálogo sísmico colombiano.

dc.contributor.advisor	Abreo Carrillo, Sergio Alberto
dc.contributor.advisor	Ramírez Silva, Ana Beatriz
dc.contributor.author	Mantilla Parra, Juan José
dc.contributor.author	Vargas Blanco, Miguel Rodrigo
dc.contributor.evaluator	Niño Niño, Carlos Andrés
dc.contributor.evaluator	Serrano Luna, Jheyston Omar
dc.date.accessioned	2023-03-03T12:57:36Z
dc.date.available	2023-03-03T12:57:36Z
dc.date.created	2023-03-02
dc.date.issued	2023-03-02
dc.description.abstract	Este trabajo se basa en la detección de primeros arribos en trazas sismológicas registradas en el Catálogo Sísmico Colombiano utilizando redes neuronales artificiales. Dada la gran cantidad de eventos sísmicos que se generan y registran diariamente; y el largo proceso que implica el análisis manual de los eventos para poder determinar el primer arribo, se han desarrollado algoritmos y herramientas que permiten la extracción de información de estos eventos de manera automática. En este proyecto, se consideran las diferentes condiciones en las que se obtienen los datos y lo que implica la presencia de ruido en la traza, que dificulta la correcta detección del primer arribo. Adicionalmente, se realiza una descarga, organización y clasificación de eventos sismológicos reportados por el Servicio Geológico Colombiano y publicados en el Catálogo Sísmico Colombiano, para el entrenamiento, validación y evaluación de la red neuronal. La red neuronal utilizada tiene como entrada los canales del evento sismológico, un filtro pasa bajas y una serie de transformadas que luego son ingresadas a una arquitectura que fusiona dos estrategias dando como resultado una secuencia de capa convolucional 1D, maxpooling 1D, capa flatten y dos capas densas, en donde se adicionan capas de dropout. En este trabajo se evalúan los resultados de la predicción de la red para diferentes escenarios de entrenamiento, en los cuales se varían: tamaño de la entrada y salida de la red, número de transformadas Wavelet, diferentes tipos de etiquetas para identificar el primer arribo en los datos de entrenamiento, además de evaluar diferentes conjuntos de datos de tanto para entrenamiento como para reentrenamiento, que incluyen tanto trazas del Catálogo Sísmico Colombiano como del STanford EArthquake Dataset (STEAD). Como resultado, se obtiene un error promedio mínimo en el número de muestras en la predicción para el conjunto de datos crudos reales del Servicio Geológico Colombiano de 227 muestras, incluido el error intrínseco de los datos que provee el Catálogo Sísmico Colombiano como resultado de la precisión de la estampa de tiempo empleada para identificar el primer arribo en los eventos registrados.
dc.description.abstractenglish	This work is based on detecting the first breaks in seismological traces recorded in the Colombian Seismic Catalogue (Catálogo Sísmico Colombiano CSC) using artificial neural networks. The large number of seismic events that are generated and recorded daily, coupled with the lengthy process involved in the manual analysis of the events to determine the first break, has led to the development of algorithms and tools that allow the extraction of information from these events automatically. This project considers the different conditions in which the data are obtained and the presence of noise in the trace, which makes the correct detection of the first break difficult. Additionally, a download, organization, and classification of seismological events reported by the Colombian Geological Service (Servicio Geológico Colombiano SGC) and published in the Catálogo Sísmico Colombiano is performed for the training, validation, and evaluation of the neural network. The neural network used has as input the channels of the seismological event, a low-pass filter, and a series of transforms that are later entered into an architecture that merges two strategies resulting in a sequence of 1D convolutional layer, 1D maxpooling, flatten layer and two dense layers, where dropout layers are added. This work evaluates the results of the network prediction for different training scenarios, in which we vary: the size of the input and the output of the network, the number of Wavelet transforms, and different types of labels to identify the first break in the training data, in addition to evaluating different data sets for both training and retraining, which include both traces of the CSC and the STanford EArthquake Dataset (STEAD). As a result, a minimum average error in the number of samples in the prediction is obtained for the actual raw data set of the SGC of 227 samples, including the intrinsic error of the data provided by the CSC as a result of the accuracy of the time stamp used to identify the first break in the recorded events.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/12362
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.subject	Redes Neuronales
dc.subject	Picado de primeros arribos
dc.subject	Geofísica
dc.subject	Trazas Sismológicas
dc.subject	TensorFlow
dc.subject	Keras
dc.subject.keyword	Neural Networks
dc.subject.keyword	First Arrival Picks
dc.subject.keyword	Geophysics
dc.subject.keyword	TensorFlow
dc.subject.keyword	Keras
dc.title	Detección automática de primeros arribos usando redes neuronales artificiales en trazas terrestres reales del catálogo sísmico colombiano.
dc.title.english	Automatic detection of first arrivals using artificial neural networks on real land traces from the Catálogo Sísmico Colombiano.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type