Detección de anomalías en diversas redes de sensores utilizando machine learning

• Autor: Miranda Arango, Yerson Elmer
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional San Luis Gonzaga de Ica
• Repositorio: UNICA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unica.edu.pe:20.500.13028/6971
• Enlace del recurso: https://hdl.handle.net/20.500.13028/6971
• Nivel de acceso: acceso abierto
• Materia: Precursor de un sismo; Detección; Machine learning; Earthquake precursor; https://purl.org/pe-repo/ocde/ford#2.02.00

Los sismos han logrando causar daños catastróficos en las infraestructuras urbanas y rurales resultando en pérdida de cientos de vidas humanas, deslizamientos, desprendimientos, y pérdida económica, hechos inevitables pese al avance tecnológico como la predicción y estimación del epicentro, de la magnitud y el tiempo del sismo; por ello, el proposito del presente estudio es desarrollar técnicas para la detección de anomalías en diversas redes de sensores utilizando machine learning. Para estudiar la detección de precursores de un sismo se aplicaron técnicas de detección de precursores de un sismos basada en modelos para la generación de señales de detección de precursores de un sismo, y de fiabilidad del contenido total de electrones. Los resultados obtenidos muestran una alta precisión en la detección de precursores de un sismo, con una tasa de detección superior al 70% para sismos de magnitud superior a 5.4 en la escala de Richter, mientras que se mantiene una baja tasa de falsas alarmas. Además, se logró una distancia promedio de detección de precursores de aproximadamente 2300 km, lo que sugiere que el método es capaz de detectar anomalías ionosféricas relacionadas con actividad sísmica en un área geográfica amplia.