Red neuronal convolucional para el cálculo rápido del azimut de un terremoto: Red Neuronal para calcular el azimut de un terremoto

• Cutié Mustelier, Manuel ^[1] ; Salgado Castillo, Antonio ^[2] ; Palau Clares, Raúl ^[1]
  1. [1] Centro Nacional de Investigaciones Sismológicas. Santiago de Cuba, Santiago de Cuba,Cuba
  2. [2] Centro Nacional de Investigaciones Sismologicas. Santiago de Cuba, antiago de Cuba, Cuba
• Localización: MIKARIMIN Revista Multidisciplinaria, ISSN-e 2528-7842, Vol. 10, Nº. 3, 2024 (Ejemplar dedicado a: Septiembre - Diciembre), págs. 137-160
• Idioma: español
• DOI: 10.61154/mrcm.v10i3.3303
• Títulos paralelos:
  • Convolutional Neural Network for fast calculation of earthquake azimuth: Neural Network to calculate the azimuth of an earthquake
• Enlaces
  • Texto completo
• Resumen
  • español

    El proceso de automatización del Servicio Sismológico Nacional de Cuba, se ha convertido en una tarea de primer orden para el país. Lo anterior se justifica, con el objetivo de lograr ganar en efectividad y eficiencia en la detección y localización de sismos en el territorio nacional, de ahí la importancia de esta investigación. El objetivo fue el diseño e implementación de una red neuronal artificial, para determinar de manera automática el azimut de un terremoto al realizar su localización con una estación sismológica de tres componentes. Se consideró para el desarrollo de la investigación un enfoque cuantitativo. Las señales se tomaron de la estación sismológica, Río Carpintero. La investigación se abordó como un problema de regresión múltiple y se propuso un modelo de Red Convolucional 1D. Se empleó Python como lenguaje de programación. Para la adquisición y pre procesamiento de las señales sísmicas se utilizó la herramienta de código abierto basado en Python: Obspy. El modelo de red neuronal se implementó utilizando los marcos de desarrollo para aprendizaje de máquinas Keras y Tensor flow. Se utilizaron en total 49233 señales de terremotos, de ellas 39386 para el entrenamiento y 9847 para la validación. La red diseñada e implementada fue capaz de determinar automáticamente el azimut de un terremoto con una efectividad del 90 %, evidenciado en los valores del coeficiente de determinación R2. Las pruebas y validaciones realizadas indicaron la posibilidad de extender la metodología y el uso de la herramienta computacional a otras estaciones sismológicas de Cuba

  • English

    The automation process of the National Seismological Service of Cuba has become a task of the first order for the country. This is justified by the objective of achieving greater effectiveness and efficiency in the detection and location of earthquakes in the national territory, hence the importance of this research. The objective was the design and implementation of an artificial neural network to automatically determine the azimuth of an earthquake by locating it with a three-component seismological station. A quantitative approach was considered for the development of the research. The signals were taken from the seismological station, Río Carpintero. The research was approached as a multiple regression problem and a 1D Convolutional Network model was proposed. Python was used as the programming language. For the acquisition and pre-processing of the seismic signals, the open source tool based on Python: Obspy was used. The neural network model was implemented using the development frameworks for machine learning Keras and Tensor flow. A total of 49,233 earthquake signals were used, of which 39,386 were used for training and 9,847 for validation. The designed and implemented network was able to automatically determine the azimuth of an earthquake with 90% effectiveness, as evidenced by the values ​​of the coefficient of determination R2. The tests and validations carried out indicated the possibility of extending the methodology and the use of the computational tool to other seismological stations in Cuba

• Referencias bibliográficas
  • Abdalzaher, M.S., Soliman, M.S., Krichen, M., Alamro, M.A., & Fouda, M.M. (2024). Employing Machine Learning for Seismic Intensity Estimation...
  • Asim, K.M., Idris, A., Iqbal, T., & Martínez, F. (2018). Seismic indicators-based earthquake predictor system using Genetic Programming...
  • Barros, V., & Barros, L. (2016). Support vector machine model for automatic detection and classification of seismic events. In EGU General...
  • Böse, M., Clinton, J.F., Ceylan, S., Euchner, F., van Driel, M., Khan, A., Giardini, D., Lognonné, P., &, Banerdt, W.B. (2017). A probabilistic...
  • Cuéllar, A., Suárez, G., & Espinosa, J. M. (2018). A fast earthquake early warning algorithm based on the first 3 s of the P‐wave coda....
  • Cutié, M., Salgado, A., & Palau, R. (2023). Determinación automática del azimut de un terremoto usando redes neuronales artificiales....
  • Dickey, J., Borghetti, B., & Junek, W. (2021). BazNet: A deep neural network for confident three-component backazimuth prediction. Pure...
  • Diez, E.D., Priolo, E., Sandron, D., Poveda, V., Cattaneo, M., Marzorati, S., & Palau R. (2022). Evaluation of the Event Detection Level...
  • Eisermann, A.S., Ziv, A., & Wust, G.H. (2015). Real‐time back azimuth for earthquake early warning. Bulletin of the Seismological Society...
  • Havskov, J., & Ottemoller, L. (2023). Routine data processing in earthquake seismology: With sample data, exercises and software. Update....
  • Iturralde, M., & Arango, E.D. (2020). Ciudades de Cuba en alerta sísmica. Minería y Geología, 36(4), 366–376. https://revista.ismm.edu.cu/index.php/revistamg/article/view/art1_No4_2020/1534
  • Lomax, A., Michelini, A., & Jozinović, D. (2019). An investigation of rapid earthquake characterization using single‐station waveforms...
  • Mousavi, S.M., &, Beroza, G.C. (2020). Bayesian-deep-learning estimation of earthquake location from single-station observations. IEEE...
  • Noda, S., Yamamoto, S., Sato, S., Iwata, N., Korenaga, M., & Ashiya, K. (2012). Improvement of back-azimuth estimation in real-time by...
  • Ochoa, L. H., Vargas, C. A., & Niño, L. F. (2019). Fast estimation of earthquake arrival azimuth using a single seismological station...
  • Palau, R., González O.F., Salgado, A., Arango, E.D., Diez, E.R., Cutié, M., Montenegro, C., & Poveda, V. (2023). Estudio de los movimientos...
  • Perol, T., Gharbi, M., & Denolle, M. (2018). Convolutional neural network for earthquake detection and location. Science Advances, 4 (2),...
  • Rosabal, S. Y., Salgado, A., Palau, R., & Leyva, M. (2024). Morfotectónica del sector Retiro-Sitio Campo de la región suroriental de Cuba....
  • Ross, Z. E., Meier, M.A., Hauksson, E., & Heaton, T. H. (2018). Generalized seismic phase detection with deep learning. Bulletin of the...
  • Salgado A., & Palau, R. (2023). New macroseismic catalog of perceptible earthquakes in Cuba 2017 – 2020. Revista Internacional Mapping,...
  • Salgado, A., Palau, R., Leyva, M., & Cutié, M. (2023). Learning machines evaluation for seismic signals classification. In Digital Scientific...
  • Salgado, A., Vicic, B., Palau, R., & Leyva, M. (2021). Red Neuronal artificial para la clasificación de señales sísmicas según su zona...
  • Seula Jung, Jung‐Ho Park, Yun Jeong Seong, & Dong‐Hoon Sheen (2023). Automatic Determination of Back Azimuth Based on a Single Mini Array...
  • Siervo, D. D. (2019). Uso de técnicas de aprendizaje automático en la detección de sismos. Universidad Internacional de La Rioja (UNIR) Escuela...
  • Weijia Sun, Hrvoje Tkalčić, & Qingya Tang (2024). Single‐Station Back‐Azimuth Determination with the Receiver Function Rotation Technique...
  • Zhang, H., Jin, X., Wei, Y., Li, J., Kang, L., Wang, S., Huang, L., &, Yu, P. (2016). An earthquake early warning system in Fujian, China....