terremoto multi

Aug 06, 2023

Scientific Reports volume 12, Número do artigo: 21200 (2022) Citar este artigo

1378 acessos

2 Citações

4 Altmétrica

Detalhes das métricas

O terremoto é um dos desastres naturais que têm um grande impacto na sociedade. Atualmente, existem muitos estudos sobre a detecção de terremotos. No entanto, as vibrações detectadas pelos sensores não eram apenas vibrações causadas pelo terremoto, mas também outras vibrações. Portanto, este estudo propôs uma detecção multiclassificação de terremotos com algoritmos de aprendizado de máquina que podem distinguir terremotos e não terremotos e vibração de vandalismo usando ondas sísmicas de aceleração. Além disso, velocidade e deslocamento como produtos de integração da aceleração foram considerados recursos adicionais para melhorar o desempenho dos algoritmos de aprendizado de máquina. Vários algoritmos de aprendizado de máquina, como Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) e Artificial Neural Network (ANN), foram usados ​​para desenvolver o melhor algoritmo para detecção de classificação múltipla de terremotos. Os resultados deste estudo indicam que o algoritmo ANN é o melhor algoritmo para distinguir entre terremotos e não terremotos e vibrações de vandalismo. Além disso, também é mais resistente a vários recursos de entrada. Além disso, foi comprovado que o uso de velocidade e deslocamento como recursos adicionais aumenta o desempenho de todos os modelos.

A Indonésia está localizada entre três grandes confluências de placas tectônicas, ou seja, a placa da Eurásia, a placa indo-australiana e a placa do Pacífico1. Com base nos registros da Agência Meteorológica, Climatológica e Geofísica (BMKG), de 2008 a 2018, houve cerca de 5.000 a 6.000 terremotos. E em 2019 houve 15 terremotos destrutivos2. A detecção de terremoto usando sensores de acelerômetro foi feita por vários pesquisadores3,4,5,6, as vibrações que o sensor detectará não são apenas vibrações causadas pelo terremoto, mas também outras vibrações, como vibrações devido a objetos pesados ​​caídos no chão, veículos pesados ​​passando, explosões ou quando alguém está tentando quebrar a caixa. Devido à semelhança das ondas do terremoto e dos ruídos sísmicos, os sistemas de alerta precoce de terremotos às vezes são acionados acidentalmente e causam alertas falsos. Portanto, é necessário classificar terremotos e ruídos sísmicos para evitar erros de detecção7,8.

Vários pesquisadores também realizaram estudos sobre o uso de aprendizado de máquina no campo sísmico. De acordo com Nishita Narvekar9, o sinal sísmico registrado nas estações de terremotos é frequentemente misturado com ruído. Portanto, é necessário remover o ruído antes que os dados sejam alimentados no algoritmo de aprendizado de máquina usando técnicas de filtragem. Além disso, a aplicação da Transformada Rápida de Fourier (FFT) como um dos métodos amplamente utilizados no mundo da Sismologia sobre o sinal sísmico pode ser utilizada para reduzir o tempo de computação10,11. Combiná-lo com algoritmos de aprendizado de máquina provou fornecer os melhores resultados. Além disso, o experimento de comparação dos algoritmos SVM, DT e RF para distinguir entre vibrações e ruídos de terremotos mostra que os algoritmos de RF oferecem melhor desempenho com base nesta pesquisa.

Alguns pesquisadores12, propuseram um sistema de detecção sísmica que pode ser implementado na estação sísmica usando ANN e SVM que pode classificar terremotos locais e as outras possibilidades de vibração. Os dados foram recolhidos da estação PVAQ em Portugal. Os dados são distribuídos em 60% de dados de treinamento, 20% de dados de teste e 20% de dados de validação. Os desempenhos do modelo mostram que a ANN foi capaz de obter um valor superior a 95% enquanto o SVM é capaz de obter uma classificação quase perfeita.

Em outro estudo13, o TD é utilizado para resolver dois problemas de classificação envolvendo sinais. O objetivo é aprender a lógica temporal do sinal (STL) para encontrar um padrão nos dados que não esteja de acordo com o comportamento esperado (detecção de anomalias). O resultado mostra que o DT apresenta bons desempenhos e pode ser interpretado sobre domínios de aplicação específicos. Em outro caso14, o DT é aplicado para classificar as condições de uma pá de turbina eólica avaliando o sinal de vibração da turbina. Existem 600 amostras de dados das quais 100 amostras eram de lâminas em boas condições. O classificador DT usado para esse problema provou ser muito eficaz para diagnosticar esse problema. Com base nesses estudos, mostra que o algoritmo DT é bom para classificação de sinal e vibração.