Look-up in Google Scholar
Title: Estimación de parámetros hipocentrales con base en redes neuronales gráficas
Advisor(s): Calderón Cahuana, Diana Lucia
OCDE field: http://purl.org/pe-repo/ocde/ford#2.01.01
Issue Date: 2023
Institution: Universidad Nacional de Ingeniería
Abstract: El presente trabajo de investigación expone una metodología alternativa para la estimación de los parámetros hipocentrales (latitud, longitud, profundidad y magnitud) de una fuente sísmica, utilizando las formas de onda registradas en las estaciones de una red sísmica. Este novedoso método basado en Inteligencia Artificial permite obtener los parámetros de la fuente de manera automática y precisa, tomando la información bruta de los sismogramas y sin la intervención de un especialista. En este trabajo se utilizó el novedoso marco de las Redes Neuronales Gráficas que, a diferencia de otros algoritmos de Aprendizaje Profundo, puede trabajar sobre datos no estructurados o grafos. Por lo tanto, se calibró un modelo basado en Redes Neuronales Gráficas que aprovecha explícitamente la estructura compleja de una red sísmica para la tarea de estimación de parámetros hipocentrales de un terremoto. En otras palabras, el modelo recibe los sismogramas registrados en ca¬da estación de un terremoto organizados en un grafo como dato de entrada, donde finalmente el modelo devuelve los parámetros hipocentrales del terremoto. El modelo se entrenó con eventos recuperados de la Red Sísmica del Sur de California, debido a la disponibilidad y accesibilidad de la información. Una ventaja importante de representar la información en un grafo es que es posible almacenar los sismogramas en las 3 direcciones y la información geográfica de las estaciones en los nodos, asegurando información que puede ser determinante para el aprendizaje del modelo. Los experimentos muestran que usando una arquitectura simple basada en Redes Neuronales Gráficas, podemos obtener algunas mejoras con respecto a los resultados de estudios recientes basados en Aprendizaje Profundo. Para aplicaciones reales, los resultados pueden ser suficientemente precisos y rápidos para reportes sísmicos preliminares.

This research work exposes an alternative methodology for estimating the hypo- central parameters (latitude, longitude, depth and magnitude) of a seismic source, using the waveforms recorded in the stations of a seismic network. This novel method based on Artificial Intelligence allows obtaining the parameters of the source automatically and precisely, taking the raw information from the seismograms and without the intervention of a specialist. In this work, the novel framework of Graph Neural Networks was used, which, unlike other Deep Learning algorithms, can work on unstructured data or graphs. Therefo- re, a Graph Neural Network model was calibrated that explicitly leverages the com- plex structure of a seismic network for the task of estimating hypocentral parameters of an earthquake. In other words, the model receives the seismograms recorded at each station of an earthquake organized in a graph as input data, where finally the model returns the hypocentral parameters of the earthquake. The model was trained with events retrieved from the Southern California Seismic Network, due to the availability and accessibility of the information. An important advantage of representing the information in a graph is that it is possible to store the seismograms in the 3 directions and the geographical information of the stations in the nodes, ensuring information that can be decisive for learning the model. The experiments show that using a simple architecture based on Graph Neural Networks, we can obtain some improvements with respect to the results of recent studies based on Deep Learning. For real applications, the results can be accurate and fast enough for preliminary seismic reports.
Discipline: Ingeniería Civil
Grade or title grantor: Universidad Nacional de Ingeniería. Facultad de Ingeniería Civil
Grade or title: Ingeniero Civil
Juror: Lázares La Rosa, Luis Fernándo; Aguilar Bardales, Zenón
Register date: 10-Jan-2024



This item is licensed under a Creative Commons License Creative Commons