Show simple item record

dc.contributorOtero Calviño, Beatriz
dc.contributorRojas Ulacio, Otilio José
dc.contributor.authorMus León, Sergi
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament d'Arquitectura de Computadors
dc.date.accessioned2021-11-22T16:10:02Z
dc.date.available2021-11-22T16:10:02Z
dc.date.issued2021-07-08
dc.identifier.urihttp://hdl.handle.net/2117/356900
dc.description.abstractThe creation of accurate ground motion models can only be achieved with the help ofvast amounts of labelled data. The manual cataloging makes the processing of this data.The project proposes the automation of the labeling through real data and DL.Previous study show that CNN are the best architecture for this type of problems. Theproject also implements FFNN, a simpler architecture, with the intent of achieving com-petitive results. To make this objective possible the project proposes a novel preprocessing.The results show that CNN reach an accuracy of 98.2%, while FFNN achieves 91.2%.Moreover, the project includes an encoder based algorithm to approximate arrival timesto the station. Finally, the project make use of meta-learning to detect seismic eventsproviding from a single station.
dc.description.abstractModels realistes per la detecció automàtica de sismes només es poden aconseguir analitzant un gran volum de dades. Aquestes dades són difícils de processar amb un catalogat manual. Aquest projecte proposa la automatització d'aquest procés mitjançant l'ús de dades reals i tècniques de DL. Estudis anteriors demostren que els millors resultats per resoldre problemes d'aquest tipus s'obtenen utilitzant CNN. A part d'aquestes xarxes, el projecte implementa unes xarxes més simples, com les FFNN, esperant obtenir resultats competitius en comparació als obtinguts per les CNN. Per obtenir aquest objectiu, el projecte proposa una tècnica de preprocessament de traces sísmiques innovadora. Els resultats mostren que les CNN arriben a detectar el 98,2% dels events, mentre que les FFNN ho fan en un 91,2%. Per un altra part, el projecte inclou un algoritme basat en codificadors per aproximar el temps de arribada del event a la estació. Finalment, el projecte utilitza la metodologia de meta-learning per realitzar la detecció de sismes per les dades que provenen exclusivament d'una única estació.
dc.description.abstractModelos realistas para la detección automática de sismos solo se pueden conseguir anal-izando grandes cantidades de datos. Estos datos son difíciles de procesar por catalogado manual. Este proyecto plantea la automatización de este proceso usando datos reales y técnicas de DL. Estudios anteriores demuestran que los mejores resultados, para resolver este tipo de problemas, se alcanzan usando CNN. A parte de estas redes, el proyecto implementa redes más simples, como las FFNN, esperando obtener resultados competitivos respecto a los obtenidos por las CNN. Para alcanzar este objetivo, el proyecto propone una técnica de preprocesamiento novedosa de trazas sísmicas. Los resultados muestran que CNN llega a detectar el 98,2% de los eventos, mientras que FFNN lo realiza en un 91,2%. Por otra parte, el proyecto incluye un algoritmo basado en codificadores para aproximar el tiempo de arrivo del evento a la estación. Finalmente, el proyecto utiliza la metodología de meta-learning para realizar detección de sismos para los datos que provienen de una única estación.
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.subjectÀrees temàtiques de la UPC::Enginyeria de la telecomunicació::Telemàtica i xarxes d'ordinadors
dc.subjectÀrees temàtiques de la UPC::Enginyeria civil::Geotècnia::Sismologia
dc.subject.lcshComputer programming
dc.subject.lcshDeep learning
dc.subject.lcshNeural networks (Computer science)
dc.subject.lcshSeismology
dc.subject.otherDeep Learning
dc.subject.otherSeismology
dc.subject.otherFeed Forward Neural Network
dc.subject.otherConvolutional Neural Network
dc.titleDeep Learning for earthquake detection
dc.typeBachelor thesis
dc.subject.lemacProgramació (Ordinadors)
dc.subject.lemacAprenentatge profund
dc.subject.lemacXarxes neuronals (Informàtica)
dc.subject.lemacSismologia
dc.identifier.slugETSETB-230.161179
dc.rights.accessOpen Access
dc.date.updated2021-07-14T05:50:37Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
dc.contributor.covenanteeBarcelona Supercomputing Center


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record