Классификация сейсмических регионов на основе машинного обучения

Machine Learning Based Seismic Region Classification
Samuel da Silva Oliveira, Anne M. P. Canuto, Bruno Motta de Carvalho, Márcio Kreutz
2020-07-01

сети LSTMансамблевые методымашинное обучениеклассификация сейсмических регионовсейсмические сигналы
Необходимость обработки огромных объемов сейсмических сигналов становится все более распространенной в академической и промышленной среде. Исследователи ищут способы повышения эффективности и оптимизации обработки этих больших массивов данных для удовлетворения повседневных потребностей геофизиков. Одной из таких задач является классификация различных сейсмических регионов, зарегистрированных одним и тем же сейсмографом; ручная обработка данных для этого может занимать до нескольких месяцев. В настоящей работе предлагается использовать методы машинного обучения для классификации сейсмических регионов с целью получения точных результатов при повышенных производительности и скорости. В качестве базовых классификаторов для тестирования использовались алгоритмы k-ближайших соседей (K-NN), многослойного перцептрона (MLP), наивного байесовского классификатора и дерева решений; кроме того, они объединялись в ансамблевые методы. Также применялись методы глубокого обучения, а именно обычная рекуррентная нейронная сеть (RNN) и ее разновидность — сеть с долгой краткосрочной памятью (LSTM). Наилучшие результаты были получены при использовании гетерогенных классификаторов: точность достигала 98,52%. Результаты показывают, что эффективную систему классификации сейсмических регионов можно построить даже при наличии небольшого объема уже классифицированных данных для конкретной конфигурации сейсмографа.
1
Наилучшие результаты показали ансамбли гетерогенных классификаторов, достигнув точности до 98,52%.
2
По отдельности и в ансамблях оценивались классификаторы K-NN, MLP, наивный Байес и дерево решений, а также глубокие модели RNN и LSTM.
3
Машинное обучение применялось для классификации различных сейсмических регионов, зарегистрированных одним сейсмографом, что позволяет заменить обработку, занимающую месяцы вручную.
4
Результаты показывают, что эффективная классификация сейсмических регионов возможна даже при наличии небольшого объёма размеченных данных для конкретной настройки сейсмографа.

Сейсмические сигналы и регионы, зарегистрированные одним и тем же сейсмографом

Точная, эффективная и быстрая классификация различных сейсмических регионов с использованием классификаторов машинного и глубокого обучения, в том числе при ограниченном объёме размеченных данных

Publication Details
Publication Date
2020-07-01
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Samuel da Silva Oliveira
Anne M. P. Canuto
Bruno Motta de Carvalho
Márcio Kreutz
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%