Terremoto multi

Aug 06, 2023

Scientific Reports volumen 12, Número de artículo: 21200 (2022) Citar este artículo

1378 Accesos

2 citas

4 Altmetric

Detalles de métricas

El terremoto es uno de los desastres naturales que tienen un gran impacto en la sociedad. Actualmente, hay muchos estudios sobre la detección de terremotos. Sin embargo, las vibraciones que fueron detectadas por los sensores no fueron solo vibraciones causadas por el terremoto, sino también otras vibraciones. Por lo tanto, este estudio propuso una detección de clasificación múltiple de terremotos con algoritmos de aprendizaje automático que pueden distinguir vibraciones sísmicas y no sísmicas y vandalismo utilizando ondas sísmicas de aceleración. Además, la velocidad y el desplazamiento como productos de integración de la aceleración se han considerado características adicionales para mejorar el rendimiento de los algoritmos de aprendizaje automático. Se han utilizado varios algoritmos de aprendizaje automático, como Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) y Artificial Neural Network (ANN), para desarrollar el mejor algoritmo para la detección de multiclasificación de terremotos. Los resultados de este estudio indican que el algoritmo ANN es el mejor algoritmo para distinguir entre vibraciones sísmicas, no sísmicas y vandálicas. Además, también es más resistente a varias funciones de entrada. Además, se ha demostrado que el uso de la velocidad y el desplazamiento como características adicionales aumenta el rendimiento de cada modelo.

Indonesia se encuentra entre tres grandes confluencias de placas tectónicas, a saber, la placa euroasiática, la placa indoaustraliana y la placa del Pacífico1. Según los registros de la Agencia Meteorológica, Climatológica y Geofísica (BMKG), entre 2008 y 2018 hubo alrededor de 5000 a 6000 terremotos. Y en 2019 ha habido 15 terremotos destructivos2. Varios investigadores han realizado la detección de terremotos utilizando sensores de acelerómetro3,4,5,6, las vibraciones que detectará el sensor no son solo vibraciones causadas por el terremoto, sino también otras vibraciones, como vibraciones debidas a objetos pesados ​​que caen al suelo, vehículos pesados ​​pasando, explosiones, o cuando alguien está tratando de romper la caja. Debido a la similitud de las ondas sísmicas y los ruidos sísmicos, los sistemas de alerta temprana de terremotos a veces se activan accidentalmente y provocan una alerta falsa. Por lo tanto, es necesario clasificar el ruido sísmico y sísmico para evitar errores de detección7,8.

Varios investigadores también han realizado estudios sobre el uso del aprendizaje automático en el campo sísmico. Según Nishita Narvekar9, la señal sísmica registrada en las estaciones sísmicas a menudo se mezcla con ruido. Por lo tanto, es necesario eliminar el ruido antes de que los datos se envíen al algoritmo de aprendizaje automático mediante técnicas de filtrado. Además, la aplicación de la Transformada Rápida de Fourier (FFT) como uno de los métodos más utilizados en el mundo de la Sismología sobre la señal sísmica, puede utilizarse para reducir el tiempo de cálculo10,11. Se ha demostrado que combinarlo con algoritmos de aprendizaje automático da los mejores resultados. Además, el experimento de comparación de los algoritmos SVM, DT y RF para distinguir entre las vibraciones y los ruidos de los terremotos muestra que los algoritmos de RF ofrecen un mejor rendimiento según esta investigación.

Algunos investigadores12 propusieron un sistema de detección sísmica que se puede implementar en la estación sísmica utilizando ANN y SVM que pueden clasificar los terremotos locales y las otras posibilidades de vibración. Los datos fueron recolectados de la estación PVAQ en Portugal. Los datos se distribuyen en un 60 % de datos de entrenamiento, un 20 % de datos de prueba y un 20 % de datos de validación. Los rendimientos del modelo muestran que ANN pudo obtener un valor superior al 95% mientras que SVM es capaz de obtener una clasificación casi perfecta.

En otro estudio13, DT se usa para resolver dos problemas de clasificación que involucran señales. El propósito es aprender la lógica temporal de señales (STL) para encontrar un patrón en los datos que no se ajusten al comportamiento esperado (detección de anomalías). El resultado muestra que DT proporciona buenos rendimientos y puede interpretarse en dominios de aplicación específicos. En otro caso14, se aplica DT para clasificar las condiciones de una pala de aerogenerador mediante la evaluación de la señal de vibración de la turbina. Hay 600 muestras de datos de las cuales 100 muestras fueron de cuchillas en buen estado. El clasificador DT que se usa para este problema ha demostrado ser muy efectivo para diagnosticar este problema. Según esos estudios, muestra que el algoritmo DT es bueno para la clasificación de señales y vibraciones.

Según Saman Yaghmaei-Sabegh15, las características del movimiento sísmico del suelo son algo incierto. Su estudio propuso clasificar el movimiento del suelo de los terremotos utilizando el agrupamiento de K-means y la red de mapas autoorganizados (SOM) como dos poderosas técnicas de agrupamiento no supervisado mediante la utilización de 6 indicadores de contenido de frecuencia escalar diferentes. Hay dos conjuntos de datos sintetizados y reales utilizados en este estudio. El resultado muestra que el parámetro T0 (el período predominante espectral suavizado) mostró los mejores rendimientos entre todos los indicadores escalares. Además, el agrupamiento de K-means obtuvo un mejor rendimiento que SOM en el procedimiento de clasificación y reconocimiento de patrones.

Entre varios tipos de algoritmos de aprendizaje automático que han sido utilizados por varios investigadores, recientemente varios estudios en una amplia gama de campos de ingeniería implementaron diferentes modelos de aprendizaje automático. Según sus hallazgos, los modelos más confiables son Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) y Artificial Neural Network (ANN). Por lo tanto, este estudio investigará la confiabilidad de estos modelos para la detección de terremotos. Estos modelos se utilizarán como comparación para encontrar el mejor algoritmo para la detección de clasificación múltiple de terremotos. El conjunto de datos de aceleración utilizado se basa en eventos sísmicos en la región de Indonesia, especialmente en la isla de Java, registrados en 3 estaciones diferentes obtenidas de la base de datos ESM (Engineering Strong Motion)16. El acelerómetro por sí solo no puede detectar el patrón de sacudidas del suelo7. Por lo tanto, para superar este problema, este estudio propuso integrar un conjunto de datos de aceleración para obtener la velocidad y el desplazamiento como características adicionales para mejorar el rendimiento de cada algoritmo. Por lo tanto, la detección de terremotos se puede hacer con mayor precisión. Los métodos analíticos utilizados para analizar el rendimiento del aprendizaje automático en este estudio serán exactitud, precisión, recuperación y F1.

El área de este estudio es Indonesia, centrado en la isla de Java. La isla de Java es considerada la cuarta isla más grande de Indonesia con la mayor densidad de población. Forma parte de la compleja zona de convergencia entre la placa euroasiática y la placa indoaustraliana. Debido a eso, la región de Java fue testigo de muchas actividades sísmicas y volcánicas. Entre 2006 y 2020, los terremotos y otros peligros geológicos en la isla de Java, salpicada de volcanes, causaron alrededor de 7000 muertes, y otros 1,8 millones de personas resultaron heridas, desplazadas o quedaron sin hogar17,18.

Los datos de aceleración de ondas sísmicas se recopilaron de la base de datos ESM en 3 estaciones diferentes, a saber, CISI, SMRI y UGM, que se encuentran en la isla de Java, como se puede ver en la Fig. 1.

© 2021 TerraMetrics, Datos de mapas© 2022 Google].

Mapa de la isla de Java con la ubicación de las estaciones. (a). CISI, (b). SMRI, (c). UGM [Imágenes

Estas estaciones registran eventos sísmicos que ocurrieron alrededor de la isla de Java en el pasado 2006-2009. Hay 33 registros de CISI, 8 registros de SMRI y 17 registros de UGM que hacen un total de 58 eventos sísmicos que ocurrieron y fueron registrados alrededor de la isla de Java por esas estaciones. Estos registros contienen 3 canales diferentes que son HLE, HLN y HLZ con información de ondas sísmicas de aceleración para cada canal, como se muestra en la Fig. 2. La onda sísmica de aceleración se integrará para obtener ondas sísmicas de velocidad y desplazamiento que se pueden usar como características para mejorar el rendimiento de los modelos. La relación de aceleración, velocidad y desplazamiento se puede describir utilizando la ecuación matemática19:

Aceleración:

Velocidad:

Desplazamiento:

donde, \({v}_{0}\) es el valor inicial de la velocidad y \({r}_{0}\) es la posición inicial cuando \(t=t-{t}_{0} \). El resultado de la integración de la onda sísmica de aceleración se puede ver en la Fig. 3.

Conjunto de datos sin procesar para cada canal para 1 evento.

resultado de la integración.

Los datos de la base de datos ESM tienen la forma de un archivo ASCII que contiene información detallada del evento, así como los datos de ondas sísmicas de aceleración para el evento. Todos los datos pasan por el proceso FFT para obtener el dominio de frecuencia de la onda sísmica y luego la frecuencia se usa para el proceso de filtrado utilizando un filtro de paso de banda Butterworth con el orden de filtro = 2, frecuencia mínima = 0,1 Hz y frecuencia máxima = 30 Hz para reducir los ruidos. La figura 4 muestra el resultado del proceso de filtrado de datos de la figura 2.

Conjunto de datos procesados ​​para cada canal para 1 evento.

Después del proceso de filtrado, se realizará el proceso de muestreo de datos. En el muestreo de datos, los datos de ondas sísmicas de aceleración se dividirán en datos sísmicos y no sísmicos. Los datos sísmicos y los datos no sísmicos contienen 200 datos para 1 evento sísmico cada uno (equivalente a 1 s porque la frecuencia de muestreo = 0.005 s) donde las muestras de datos sísmicos se toman comenzando desde el comienzo de la onda P, y los datos no sísmicos Las muestras de datos se toman desde el comienzo de la onda hasta la llegada de la onda P. Hay un total de 58 eventos sísmicos, por lo que cada conjunto de datos sísmicos y no sísmicos tendrá 3 columnas (HLE, HLZ y HLZ) con 11 600 filas de datos para cada columna [11600, 3]. A continuación, las 3 columnas se fusionarán en 1 [11600, 1] mediante el uso de fórmulas resultantes, por lo que solo se utilizará la aceleración de amplitud como característica. El resultado de amplitud resultante de los eventos sísmicos totales se puede ver en la Fig. 5 para terremotos y no terremotos. Después de eso, la información de la etiqueta se agregará a los conjuntos de datos, 0 representa datos que no son de terremotos y 1 representa datos de terremotos.

Resultado resultante.

Para la vibración de vandalismo, un sensor de acelerómetro registró 2 conjuntos de datos de vandalismo. Ambos conjuntos de datos de vandalismo se tratarán de la misma manera que los conjuntos de datos de terremotos y no de terremotos. Los primeros conjuntos de datos de vandalismo contienen 11 600 datos y están etiquetados como 2, que se toman sacudiendo la mesa mientras el sensor está encima (terremoto inventado). Los otros conjuntos de datos contienen 750 datos etiquetados como 3 que son tomados por el sensor cuando pasa un vehículo pesado. Hay 4 conjuntos de datos con una cantidad total de 35,550 datos. El análisis estadístico para cada conjunto de datos se presenta en la Tabla 1. Por último, las fórmulas de integración se aplicarán a todos los conjuntos de datos de aceleración de amplitud para obtener la amplitud de la velocidad y el desplazamiento que se pueden usar como características adicionales.

Varios algoritmos de aprendizaje automático supervisado que se utilizan en este estudio son Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) y Artificial Neural Network (ANN). SVM es un algoritmo de aprendizaje supervisado que se puede utilizar para encontrar patrones a partir de un conjunto de datos complejo. SVM es un modelo de aprendizaje automático muy potente y diverso, capaz de realizar detección lineal, no lineal, de regresión, de clasificación y de valores atípicos. Cuando Vapnik y Cortés introdujeron la teoría SVM en 1995, la SVM se diseñó para la clasificación de dos grupos (clasificación binaria). La idea detrás de SVM se implementó previamente para el caso restringido en el que los datos de entrenamiento se pueden separar sin errores. En la práctica, el SVM se ha aplicado para el reconocimiento de patrones y dígitos. Este experimento muestra que SVM puede competir con otros métodos de clasificación, como árboles de decisión y redes neuronales20. Sin embargo, el enfoque SVM binario puede extenderse para escenarios multiclase. Esto se logrará descomponiendo el problema multiclase en una serie de análisis binarios. Esto se puede abordar con una SVM binaria siguiendo las estrategias uno contra uno o uno contra todos21.

en SVM,

entrada: \({x}_{i}\in {\mathbb{R}}^{D}\), con D = dimensión característica,

salida: \(w\) (pesos), uno para cada característica, cuya combinación lineal produce y (la salida final del modelo SVM es una decisión de los datos de entrada).

con b es sesgo.

Para maximizar el margen, se debe minimizar la distancia desde los puntos de datos hasta el hiperplano. Cuando el hiperplano no puede separar perfectamente las dos clases, es necesario agregar una variable de holgura (\({\xi }_{i}\)) y el hiperparámetro C. La función del hiperparámetro es regular el uso de las variables de holgura, si C es demasiado pequeño, el modelo puede estar infraajustado, y si C es demasiado grande, el modelo puede estar sobreajustado.

Cuando los datos de entrada no pueden separarse linealmente, entonces los datos deben asignarse a un espacio de mayor dimensión. Si la nueva dimensión es muy grande, tomará mucho tiempo mapearla. Kernel Tricks puede resolver esto, funciona ostensiblemente agregando funciones. En esta investigación se utilizará el Kernel Gaussian RBF (Funciones de base radial).

donde: x = vector de características.

l = punto de referencia

El algoritmo DT se puede utilizar para clasificación y regresión. Este algoritmo también se puede utilizar para datos con múltiples salidas. Realiza la clasificación de datos formando un árbol. Desde el nodo raíz hasta el nodo hoja. En cada nodo, hay información sobre las características que se utilizan como condiciones para determinar la dirección del flujo de datos, la impureza de gini, la cantidad de muestras que llegan al nodo, el valor de predicción de clase y la clase de datos en ese nodo .

Para determinar la rama en el DT, se necesita información sobre la impureza gini de los datos. La impureza de Gini evalúa una puntuación en el rango entre 0 y 1, donde 0 es cuando todas las observaciones pertenecen a una clase y 1 es una distribución aleatoria de los elementos dentro de las clases. La característica con la impureza más baja será seleccionada para ser la siguiente rama22. En este caso, cuanto menor sea la impureza de gini, mejor será la división y menor será la probabilidad de clasificación errónea. La ecuación 7 es la ecuación de impurezas de gini con \({p}_{i}\) es la probabilidad de la clase k en el nodo i, y n es el número de clases.

RF es una técnica de aprendizaje por conjuntos que consiste en la agregación de un gran número T de árboles de decisión. Esta técnica utiliza el método de votación para determinar los resultados de la clasificación. La clasificación de cada DT se utilizará para determinar la clasificación final. RF utiliza el muestreo de filas y columnas de los datos de cada árbol. De esa manera, cada árbol se entrena con datos diferentes. Este algoritmo puede reducir la varianza sin aumentar el sesgo. Además, la precisión de este modelo se puede mejorar aumentando el conjunto del modelo CART (ntree)23.

Una red neuronal artificial (ANN) es un sistema de procesamiento de información que tiene características de rendimiento definidas en común con las redes neuronales biológicas. Las ANN se utilizan como modelos estadísticos para predecir sistemas complejos en ingeniería. Su estructura enormemente paralela con una gran cantidad de unidades de procesamiento simplemente conectadas que se denominan neuronas, permite que la ANN se utilice para mapeos de entrada-salida complejos, lineales y no lineales24,25,26.

El método de entrenamiento ANN más común es el algoritmo de retropropagación. Para reducir los errores, esto modifica los pesos entre las neuronas. Este modelo es bastante efectivo para identificar patrones. El sistema puede mostrar una convergencia lenta y correr el peligro de un óptimo local, pero puede adaptarse rápidamente a nuevos valores de datos. Un desafío importante es averiguar cuántas capas hay, cuántas neuronas hay en la capa oculta y cómo están conectadas esas neuronas. El rendimiento de la red neuronal artificial depende en gran medida de estos factores y cuestiones. Cualquiera de estos elementos podría alterar significativamente los resultados. Para diferentes problemas, varias arquitecturas ANN producirán varias soluciones27.

Todos los modelos se utilizarán para clasificar las vibraciones sísmicas, no sísmicas y vandálicas mediante datos de entrenamiento y prueba con una proporción de 70:30. A continuación, se determinarán las actuaciones de los modelos analizando la matriz de confusión como uno de los métodos comunes utilizados para la clasificación. La Tabla 2 muestra la estructura de la matriz de confusión. De la matriz de confusión se puede recuperar alguna información como28,29:

Exactitud:

Precisión:

Recordar:

Q1:

Esas actuaciones se utilizarán como una comparación para saber si hay algún efecto de agregar la velocidad y el desplazamiento como características adicionales.

Una matriz de correlación es una matriz cuadrada y simétrica (K x K) que muestra el coeficiente de correlación entre las columnas i y j del conjunto de datos30. La figura 6 muestra la matriz de correlación entre aceleración, velocidad, desplazamiento y etiquetas. El resultado observable basado en la Fig. 6 muestra que la aceleración, la velocidad y el desplazamiento tienen una correlación bastante estrecha, especialmente entre la velocidad y el desplazamiento, que tiene un valor de 0,94 (1 es una relación lineal perfecta), mientras que las etiquetas tienen la menor correlación con la aceleración, la velocidad y desplazamiento.

Matriz de correlación.

La distribución de datos es una función que especifica todos los valores posibles para una variable y también cuantifica la frecuencia relativa (probabilidad de la frecuencia con la que ocurren). Las distribuciones de datos son ampliamente utilizadas en estadística. La Figura 7 muestra la distribución de datos para el conjunto de datos. Los datos de distribución para cada característica se ven bien, solo hay una pequeña porción de datos que se incluyen en datos aislados que hacen que el conjunto de datos esté listo para alimentar los algoritmos de aprendizaje automático.

Distribución de datos. (a). Aceleración versus velocidad, (b) Aceleración versus desplazamiento, (c) Velocidad versus desplazamiento.

El análisis del rendimiento del modelo se lleva a cabo comparando los valores de exactitud, precisión, recuperación y F1 en cada algoritmo. Según los datos experimentales de la Tabla 3, la precisión está en el rango de 0,673230 a 0,965400, la precisión está en el rango de 0,656123 a 0,974964, la recuperación está en el rango de 0,673230 a 0,974589 y F1 está en el rango de 0,65009 a 0,97458 . Los dos valores más altos de los modelos en todas las posibilidades de las características de entrada están dominados por ANN seguido de RF, pero ANN muestra una mejor resistencia a varias características de entrada que RF. El experimento muestra que con la aceleración como característica, el rendimiento de todos los modelos se ve bien, pero cuando la velocidad y el desplazamiento son características independientes, todos los modelos tienen un rendimiento bajo. Sin embargo, cuando la velocidad y el desplazamiento se usan juntos como característica, el rendimiento de todos los modelos aumenta significativamente. Además, en este experimento se utilizaron todas las posibilidades de las características de entrada. Se ha demostrado que la combinación de aceleración con velocidad y aceleración con desplazamiento mejora el rendimiento de los modelos según los datos experimentales de la Tabla 3, como se puede ver en la Fig. 8. Además, el rendimiento de 3 de cada 4 modelos muestra una mejora cuando se utilizan 3 de ellos. como característica, solo SVM muestra una disminución en el rendimiento. Se puede ver en la Fig. 8 que el mejor rendimiento de SVM para el uso de una sola función se obtuvo cuando se utilizó la aceleración. Seguido por el desplazamiento y la velocidad. Esto se debe al hecho de que, en caso de agregar más datos de características que sean menos sensibles a la salida deseada, podría producirse una redundancia en los datos de entrada. Como resultado, el modelo podría traducir la información adicional como información falsa que dificulta la detección del patrón real de los datos y, por lo tanto, logra una baja precisión. Por lo tanto, se puede concluir que solo la característica altamente correlacionada e importante es la aceleración. Y eso se puede confirmar cuando se utilizó la aceleración como una de dos o tres funciones. Por lo tanto, se puede concluir que agregar velocidad y desplazamiento como características adicionales puede mejorar el desempeño de los modelos. Por lo tanto, para lograr un alto nivel de precisión, la aceleración debe incluirse como una característica de cada modelo para una mejor detección de terremotos.

Gráfico de precisión de los modelos.

Esta investigación se ha centrado en abordar la clasificación múltiple de las vibraciones sísmicas y no sísmicas mediante la aplicación de aprendizaje automático. Se desarrollaron tres algoritmos diferentes ampliamente adoptados, a saber: Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) y Artificial Neural Network (ANN). Estos modelos se han utilizado en la detección de clasificación múltiple de vibraciones, a saber, terremotos, no terremotos, terremotos inventados y vehículos pesados ​​​​que pasan. Los resultados de los modelos se evaluaron según cuatro criterios de rendimiento diferentes: exactitud, precisión, recuperación y puntuación F1. Al comparar esos criterios de rendimiento de SVM, RF, DT y ANN, este estudio concluye que ANN supera a otros algoritmos de aprendizaje automático en 6 de las 7 posibilidades de las características de entrada. Además, ANN muestra una mejor resistencia a varias funciones de entrada. Por lo tanto, ANN se ha propuesto como el mejor algoritmo que se puede utilizar para la detección de terremotos de clasificación múltiple en función de este experimento. Además, la aceleración, la velocidad y el desplazamiento muestran una buena correlación con el resultado de que se ha demostrado que la combinación de aceleración, velocidad y desplazamiento se puede utilizar para mejorar el rendimiento del modelo. En resumen, la combinación de esas funciones mejora la precisión de los modelos RF y ANN, respectivamente, a 0,974589 y 0,965400. para futuras investigaciones, se deben realizar estudios futuros sobre la detección de terremotos de clasificación múltiple utilizando ANN específicamente e implementarla en hardware, para demostrar aún más su capacidad en la detección de terremotos de clasificación múltiple en tiempo real. A pesar de tener un valor de precisión aceptable para clasificar la detección de terremotos, persisten fallas y limitaciones. Existe la necesidad de reestructurar el modelo para lograr el mejor modelo de arquitectura posible y óptimo para que el modelo pueda distinguir la vibración con mayor precisión. Y la confiabilidad de los modelos propuestos en el futuro podría validarse utilizando más datos disponibles.

Los conjuntos de datos generados durante el estudio actual no están disponibles públicamente, lo que se considera un derecho de autor entre la agencia financiada y la universidad, pero están disponibles del autor correspondiente a pedido razonable.

InaTEWS, Indonesia Sistema de alerta temprana de tsunamis. http://inatews2.bmkg.go.id/new/tentang_eq.php..

CNN Indonesia, Los terremotos en Indonesia han aumentado en los últimos 5 años, 01-dic-2019. https://www.cnnindonesia.com/teknologi/20191201065329-199-453026/gempa-di-indonesia-meningkat-dalam-5-tahun-terakhir.

Priyana, Y., Laumal, F., Husni, E. Desarrollo de un sistema de alerta temprana de terremotos utilizando el acelerómetro ADXL335. 27-mar-2018. https://osf.io/preprints/inarxiv/sq9xr/.

Groover, V., Sharma, A. (2015) Predicción de terremotos utilizando un sensor de acelerómetro de 3 ejes (ADXL335) y ARDUINO UNO. En t. J. Ciencia. Investigación (IJSR) ISSN. https://www.ijsr.net/archive/v6i9/ART20176803.pdf

Sinha, PK, Saraiyan, S., Ghosh, M. & Nath, V. Diseño de un sistema indicador de terremotos usando ATmega328p y ADXL335 para la gestión de desastres. En Lecture Notes in Electrical Engineering (eds Nath, V. & KumarMandal, J.) (Springer, Singapur, 2019). https://doi.org/10.1007/978-981-13-0776-8_53.

Capítulo Google Académico

Wu, Y.-M. & Lin, T.-L. Una prueba del sistema de alerta temprana de terremotos utilizando un acelerómetro de bajo costo en Hualien, Taiwán (Springer, Berlín, 2014). https://doi.org/10.1007/978-3-642-12233-0_13.

Libro Google Académico

Duggal, R. et al. Análisis estructural de edificios basado en la detección de terremotos asistida por la red de Internet de las Cosas. Internet Things 19, 100561. https://doi.org/10.1016/j.iot.2022.100561 (2022).

Artículo Google Académico

Li, Z., Meier, M.-A., Hauksson, E., Zhan, Z. & Andrews, J. Discriminación de ondas sísmicas de aprendizaje automático: aplicación a la alerta temprana de terremotos. Geofísico. Res. Letón. 45(10), 4773–4779. https://doi.org/10.1029/2018GL077870 (2018).

Artículo ANUNCIOS Google Académico

Narvekar, N. Distinting Earthquakes and Noise Using Random Forest Algorithm (Universidad Estatal de San José, Washington, 2018).

Libro Google Académico

Cooley, JW, Lewis, PAW & Welch, PD La transformada rápida de Fourier y sus aplicaciones. Trans. IEEE. Educ. 12(1), 27–34. https://doi.org/10.1109/TE.1969.4320436 (1969).

Artículo Google Académico

Cochran, WT et al. ¿Qué es la transformada rápida de Fourier?. proc. IEEE 55(10), 1664–1674. https://doi.org/10.1109/PROC.1967.5957 (1967).

Artículo Google Académico

Madureira, G. y Ruano, A. (2009) Un detector sísmico de red neuronal. Proceso de la IFAC. vol. (IFAC-PapersOnline), 2 https://doi.org/10.3182/20090921-3-TR-3005.00054.

Bombara, G., Vasile, CI, Penedo, F., Yasuoka, H., Belta, C. (2016) Un enfoque de árbol de decisiones para la clasificación de datos utilizando la lógica temporal de señales. https://doi.org/10.1145/2883817.2883843

Joshuva, A. & Sugumaran, V. Diagnóstico de fallas en palas de turbinas eólicas utilizando señales de vibración a través del algoritmo del árbol de decisión. Indio J. Sci. Tecnología 9(48), 107936. https://doi.org/10.17485/ijst/2016/v9i48/107936 (2016).

Artículo Google Académico

Yaghmaei-Sabegh, S. Un enfoque novedoso para la clasificación de registros de movimiento del suelo de terremotos. J. Seismol. 21(4), 885–907. https://doi.org/10.1007/s10950-017-9642-8 (2017).

Artículo ANUNCIOS Google Académico

Apulia, R. et al. Servicio de procesamiento de movimiento fuerte: una herramienta para acceder y analizar formas de onda de movimiento fuerte de terremotos. Toro. Tierraq. Ing. 16(7), 2641–2651. https://doi.org/10.1007/s10518-017-0299-zS (2018).

Artículo Google Académico

Pasari, S., Simanjuntak, AVH, Mehta, A., Neha, N. y Sharma, Y. El estado actual del potencial sísmico en la isla de Java, Indonesia. aplicación pura Geofísico. 178(8), 2789–2806. https://doi.org/10.1007/s00024-021-02781-4 (2021).

Artículo ANUNCIOS Google Académico

Marfai, MA et al. Peligros naturales en la provincia central de Java, Indonesia: una descripción general. Reinar. Geol. 56(2), 335–351. https://doi.org/10.1007/s00254-007-1169-9 (2008).

Artículo ANUNCIOS Google Académico

Nave, R. (2000) Movimiento hiperfísico-aceleración constante. 2000. [En línea]. Disponible: http://hyperphysics.phy-astr.gsu.edu/hbase/acons.html.

Cortes, C. & Vapnik, V. Redes de vectores soporte. Mach. Aprender. 20(3), 273–297. https://doi.org/10.1023/A:1022627411411 (1995).

Artículo MATEMÁTICAS Google Académico

Mathur, A. & Foody, GM Clasificación SVM binaria y multiclase: Implicaciones para la capacitación y clasificación de usuarios. IEEE Geosci. Sensor remoto Lett. 5(2), 241–245. https://doi.org/10.1109/LGRS.2008.915597 (2008).

Artículo ANUNCIOS Google Académico

Arabshahi, H. & Fazlollahtabar, H. Clasificación de actividades innovadoras utilizando el árbol de decisiones y el índice de Gini. En t. J.Innov. Tecnología Administrar 15(3), 1850025. https://doi.org/10.1142/S0219877018500256 (2018).

Artículo Google Académico

Marhain, S., Ahmed, AN, Murti, MA, Kumar, P. & El-Shafie, A. Investigación de la aplicación de inteligencia artificial para la predicción de terremotos en Terengganu. Nat. Haz. 108(1), 977–999. https://doi.org/10.1007/s11069-021-04716-7 (2021).

Artículo Google Académico

Böse, M. (2006) Alerta temprana de terremotos en Estambul utilizando redes neuronales artificiales. Desarrollo de un sistema de alerta temprana de terremotos para Estambul utilizando redes neuronales artificiales https://doi.org/10.5445/IR/1000005845

Yaghmaei-Sabegh, S. Un nuevo método para clasificar y ponderar los modelos de predicción del movimiento del suelo sísmico. Suelo Din. Tierraq. Ing. 39, 78–87. https://doi.org/10.1016/j.soildyn.2012.03.006 (2012).

Artículo Google Académico

Essam, Y., Kumar, P., Ahmed, AN, Murti, MA y El-Shafie, A. Explorando la confiabilidad de diferentes técnicas de inteligencia artificial para predecir terremotos en Malasia. Suelo Din. Tierraq. Eng 147, 106826. https://doi.org/10.1016/j.soildyn.2021.106826 (2021).

Artículo Google Académico

Saritas, MM & Yasar, A. Análisis de rendimiento del algoritmo de clasificación Ann y Naive Bayes para la clasificación de datos. En t. J. Intel. sist. aplicación Ing. 7(2), 88–91 (2019).

Artículo Google Académico

Grandini, M., Bagli, E., Visani, G. (2020) Métricas para la clasificación multiclase: una descripción general. arXiv https://doi.org/10.48550/arXiv.2008.05756.

Ting, KM Matriz de confusión. En Encyclopedia of Machine Learning (eds Sammut, C. & Webb, GI) 209 (Springer, EE. UU., Boston MA, 2010).

Google Académico

Ferré, J. Diagnóstico de regresión. En Comprehensive Chemometrics vol. 3 (eds Brown, SD et al.) (Elsevier, Ámsterdam, 2009).

Google Académico

Descargar referencias

Este estudio cuenta con el apoyo financiero de la subvención DRTPM PTUPT No. 019/SP2H/RT-JAMAK/LL4/2022 recibida del Ministerio de Educación, Cultura, Investigación y Tecnología de Indonesia.

Universidad Telkom, Bandung, 40257, Indonesia

Muhammad Ary Murti y Río Junior

Instituto de Infraestructura Energética (IEI) y Departamento de Ingeniería Civil, Facultad de Ingeniería, Universidad Nacional de Energía (UNITEN), 43000, Kajang, Selangor, Malasia

Alí Najah Ahmed

Departamento de Ingeniería Civil, Universidad de Malaya (UM), 50603, Kuala Lumpur, Malasia

Ahmed Elshafie

Centro Nacional de Agua y Energía, Universidad de los Emiratos Árabes Unidos, 15551, Al Ain, Emiratos Árabes Unidos

Ahmed Elshafie

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

MAM: Conceptualización, Validación, Curación de datos, redacción—revisión y edición, supervisión y financiación; RJ: Visualización, análisis formal, Redacción—Preparación del borrador original; ANA: Visualización, análisis formal, Redacción—Revisión y edición y AE: Redacción—preparación del borrador original y redacción—revisión y edición.

Correspondencia a Ali Najah Ahmed.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Murti, MA, Junior, R., Ahmed, AN et al. Filtrado de datos de desplazamiento y velocidad basado en la detección de clasificación múltiple de terremotos utilizando algoritmos de aprendizaje automático. Informe científico 12, 21200 (2022). https://doi.org/10.1038/s41598-022-25098-1

Descargar cita

Recibido: 14 Septiembre 2022

Aceptado: 24 de noviembre de 2022

Publicado: 08 diciembre 2022

DOI: https://doi.org/10.1038/s41598-022-25098-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.