REDES NEURONALES APLICADAS A DETECCIÓN DE MOVIMIENTOS SÍSMICOS MEDIDOS CON SENSORES ÓPTICOS DISTRIBUIDOS

Abstract

La detección de señales sísmicas es un problema fundamental en sismología, ya que permite estudiar la dinámica de los procesos terrestres y diseñar sistemas de alerta que disminuyen el riesgo para las personas en una situación de emergencia. En este trabajo de tesis se propone un método para implementar modelos de Deep Learning capaces de clasificar señales sísmicas medidas con sensores acústicos distribuidos (DAS) de fibra óptica, por medio del entrenamiento con datos sismográficos tradicionales. Las arquitecturas de redes neuronales propuestas cubren los tres paradigmas fundamentales de Deep Learning: redes neuronales artificiales (ANN), redes convolucionales (CNN) y redes recurrentes (RNN). Los resultados demuestran que los modelos propuestos son capaces de aprender las propiedades estadísticas de los sismogramas convencionales, permitiendo una detección confiable de ondas sísmicas en mediciones DAS. Las diferencias intrínsecas entre las señales medidas con DAS y las formas de onda de los sismogramas, junto a posibles errores en el etiquetado de los datos DAS, redujeron levemente el desempeño de los modelos al ser evaluados con las mediciones distribuidas. Aún así, el modelo CNN propuesto alcanza un valor de exactitud de clasificación de 96.94%, mientras que el modelo CNN+LSTM alcanza una exactitud del 93.86 %. El método y los resultados reportados en este trabajo de tesis pueden representar una importante contribución al desarrollo de sistemas de alerta temprana basados en tecnología DAS.