Estimación de parámetros hipocentrales con base en redes neuronales gráficas

• Autor: Matos Chuquiuri, Ángel Oliver
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/26875
• Enlace del recurso: http://hdl.handle.net/20.500.14076/26875
• Nivel de acceso: acceso abierto
• Materia: Ubicación del evento sísmico; Programas de computadora; Redes neuronales (Informática); https://purl.org/pe-repo/ocde/ford#2.01.01

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.