Землетрясение мульти

Aug 06, 2023

Научные отчеты, том 12, Номер статьи: 21200 (2022) Цитировать эту статью

1378 Доступов

2 цитаты

4 Альтметрика

Подробности о метриках

Землетрясение является одним из стихийных бедствий, оказывающих большое влияние на общество. В настоящее время проводится множество исследований по обнаружению землетрясений. Однако вибрации, которые были обнаружены датчиками, были не только вибрациями, вызванными землетрясением, но и другими вибрациями. Таким образом, в этом исследовании предложено обнаружение множественной классификации землетрясений с помощью алгоритмов машинного обучения, которые могут различать землетрясения и неземлетрясения, а также вибрацию вандализма с использованием ускорения сейсмических волн. Кроме того, скорость и смещение как продукты интеграции ускорения считаются дополнительными функциями, позволяющими улучшить производительность алгоритмов машинного обучения. Несколько алгоритмов машинного обучения, таких как машина опорных векторов (SVM), случайный лес (RF), дерево решений (DT) и искусственная нейронная сеть (ANN), были использованы для разработки лучшего алгоритма обнаружения мультиклассификации землетрясений. Результаты этого исследования показывают, что алгоритм ИНС является лучшим алгоритмом для различения землетрясений, неземлетрясений и вандализма. Более того, он более устойчив к различным функциям ввода. Более того, было доказано, что использование скорости и смещения в качестве дополнительных функций повышает производительность каждой модели.

Индонезия расположена между тремя основными местами слияния тектонических плит, а именно Евразийской плитой, Индо-Австралийской плитой и Тихоокеанской плитой1. По данным Метеорологического, климатологического и геофизического агентства (БМКГ), за 2008–2018 годы произошло около 5000–6000 землетрясений. А в 2019 году произошло 15 разрушительных землетрясений2. Обнаружение землетрясения с помощью датчиков акселерометра было выполнено несколькими исследователями3,4,5,6. Датчик обнаруживает не только вибрации, вызванные землетрясением, но и другие вибрации, такие как вибрации, вызванные падением на пол тяжелых предметов, проезжающие мимо тяжелые машины, взрывы или когда кто-то пытается сломать коробку. Из-за сходства волн землетрясения и этих сейсмических шумов системы раннего предупреждения о землетрясениях иногда случайно срабатывают и вызывают ложное оповещение. Поэтому необходимо классифицировать землетрясения и сейсмический шум, чтобы избежать ошибок обнаружения7,8.

Несколько исследователей также провели исследования по использованию машинного обучения в сейсмической области. По словам Нишиты Нарвекара9, сейсмический сигнал, регистрируемый на сейсмических станциях, часто смешивается с шумом. Поэтому необходимо удалить шум перед подачей данных в алгоритм машинного обучения с использованием методов фильтрации. Кроме того, применение быстрого преобразования Фурье (БПФ) как одного из методов, широко используемых в мире сейсмологии к сейсмическому сигналу, может использоваться для сокращения времени вычислений10,11. Доказано, что сочетание его с алгоритмами машинного обучения дает наилучшие результаты. Кроме того, эксперимент по сравнению алгоритмов SVM, DT и RF для различения вибраций и шумов землетрясения показывает, что на основе этого исследования RF-алгоритмы дают лучшую производительность.

Некоторые исследователи12 предложили систему сейсмического обнаружения, которую можно реализовать на сейсмической станции с использованием ИНС и СВМ, которые могут классифицировать локальные землетрясения и другие возможности вибрации. Данные были собраны со станции PVAQ в Португалии. Данные распределяются на 60 % данных обучения, 20 % данных тестирования и 20 % данных проверки. Характеристики модели показывают, что ANN смогла получить значение более 95%, тогда как SVM способна получить почти идеальную классификацию.

В другом исследовании13 DT используется для решения двух задач классификации сигналов. Цель состоит в том, чтобы изучить временную логику сигналов (STL) для поиска закономерностей в данных, которые не соответствуют ожидаемому поведению (обнаружение аномалий). Результат показывает, что DT обеспечивает хорошую производительность и может интерпретироваться в конкретных областях приложений. В другом случае14 DT применяется для классификации состояния лопасти ветряной турбины путем оценки сигнала вибрации турбины. Имеется 600 образцов данных, 100 из которых взяты из лезвий в хорошем состоянии. Классификатор DT, используемый для решения этой проблемы, оказался очень эффективным для диагностики этой проблемы. На основе этих исследований показано, что алгоритм DT хорош для классификации сигналов и вибрации.