Creación de bases de datos sintéticas de eventos sísmicos producidos en el volcán Llaima con Transfer Learning

Una erupción volcánica desencadena fenómenos destructivos, en donde altera el entorno natural y expone a comunidades cercanas a múltiples peligros, al afectar infraestructuras y poner en riesgo vidas humanas. En este sentido, los sistemas de monitorización y reconocimiento de microsismos en tiempo real son fundamentales para comprender los patrones pre-eruptivos. Sin embargo, el desarrollo de estos sistemas conlleva una gran demanda de información, para proveer un resultado de elevada precisión, tanto en la detección como la clasificación de microsismos. En este contexto, el proceso de data augmentation, permite la generación artificial de nuevos datos a partir de datos existentes, se presenta como una alternativa para la mejora en los procesos de entrenamiento de los modelos de Machine Learning. Es por esto que el presente trabajo tiene por objetivo crear bases de datos sintéticas de microsismos producidos en el volcán Llaima con Transfer Learning (TL). La idea se centra en adaptar Redes Neuronales Convolucionales (CNN del inglés Convolutional Neural Networks) pre-entrenadas como AlexNet y ResNet-18 en el codificador de un Autoencoder Variacional (VAE del inglés Variational Autoencoder) y de esta manera aplicar TL para la generación de nuevos microsismos. Este trabajo está conformado por varias etapas, empieza con el preprocesamiento de los microsismos y generación de espectrogramas mediante el uso de la transformada de Fourier de tiempo corto, seguido por la adaptación de las CNN AlexNet y ResNet-18 al encoder del VAE. En el posprocesamiento se presenta la reconstrucción de los eventos microsísmicos en tiempo con el uso de los espectrogramas sintéticos generados por el VAE y fases reales de los microsismos. Finalmente, se realiza la evaluación de los microsismos sintéticos generados, mediante el uso de diferentes métodos de clasificación que se han desarrollado de manera paralela a nuestro trabajo. La clasificación al emplear características en tiempo, frecuencia y escala presenta una exactitud de 94.7 % para el caso de AlexNet y 94.8% para ResNet-18.

• 1. autor: Ango Chumaña, Kleber Mauricio (author)
• Kolejni autorzy: Bonilla Hidrobo, Fernando Mauricio (author)
• Format: bachelorThesis
• Wydane: 2024
• Hasła przedmiotowe: TRANSFER LEARNING; ALEXNET; RESNET-18; AUTOENCODER VARIACIONAL.
• Dostęp online: https://repositorio.espe.edu.ec/handle/21000/40612