Creación de bases de datos sintéticas de eventos sísmicos producidos en el volcán Llaima con Deep Learning

Abstract

La prevención de catástrofes se ha vuelto trascendental en los últimos años debido al crecimiento demográfico, expansión territorial, falta de programas de control y evaluación de riesgos. En este sentido, establecer sistemas de alerta temprana para eventos naturales como erupciones volcánicas, terremotos y tsunamis son cruciales para proteger vidas humanas. Por esta razón, la aplicación de sistemas de reconocimiento automático de microsismos puede ser efectivos para los sistemas de alerta temprana en posibles erupciones. Sin embargo, la creación de estos sistemas se ve obstaculizada por la falta de información disponible. Por lo tanto, existe la necesidad de generar bases de datos sintéticas mediante el empleo de técnicas de Machine Learning y Deep Learning. De esta manera, se puede aumentar el tamaño de las bases de datos disponibles. El presente trabajo se enfoca en el uso del modelo de red neuronal adversario generativo condicional (CGAN, del inglés Conditional Generative Adversarial Network) que se fundamenta en la combinación de redes generativo y discriminatorio el cual se utiliza para generar señales que se puedan presentar en un volcán activo. Este trabajo se constituye de varias etapas y comienza con el preprocesamiento en donde, las señales de los distintos eventos deben ser acondicionadas para posteriormente proseguir con la etapa de diseño de la CGAN. Para este diseño se busca encontrar los parámetros que mejoren el entrenamiento y la generación de señales sintéticas. En el posprocesamiento se busca reconstruir los eventos en el dominio del tiempo con el uso de magnitudes frecuenciales sintéticas y fases reales. Finalmente se tiene como resultado las señales sintéticas de microsismos. Además, las señales sintéticas se han evaluado con diferentes métodos de clasificación que no se encuentran dentro del alcance del proyecto actual, pero que se desarrollan en proyectos paralelos. La exactitud de la clasificación es aceptable al usar características en frecuencia y tiempo donde se obtiene, en el mejor de los casos, 81%.