Detekcija potresa u sjeverozapadnim Dinaridima uz upotrebu neuronskih mreža

diplomski rad

• Naslov (engleski): Neural network based earthquake detection in the northwest Dinarides
• Autor: Dorian Wild
• Mentor: Josip Stipčević (mentor)
• Član povjerenstva: Josip Stipčević (predsjednik povjerenstva)
• Član povjerenstva: Iva Dasović (član povjerenstva)
• Član povjerenstva: Zoran Pasarić (član povjerenstva)
• Član povjerenstva: Ivana Herceg Bulić (član povjerenstva)
• Član povjerenstva: Igor Mandić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Geofizički odsjek); Zagreb
• Datum i država obrane: 2024-02-27, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Geofizika; Seizmologija i fizika unutrašnjosti Zemlje

Sažetak

Dolaskom doba nazvanim Big Data, dogodilo se eksponencijalno povećanje količine seizmičkih podataka zbog povećanja broja seizmičkih postaja i napretka tehnologije, zbog čega tradicionalne metode analize i ručne detekcije faza postaju neodržive. Ususret tom vremenu, testira se novi pristup koji koristi neuronske mreže za automatizaciju detekcije i karakterizaciju seizmičkih događaja, s ciljem povećanja točnosti i učinkovitosti u odnosu na postojeće automatizirane sustave. U ovom radu analiziran je sveobuhvatni skup podataka kojeg čini testni katalog potresa u razdoblju 2009. - 2018. godine u sjeverozapadnim Dinaridima primjenom modela PhaseNet za detekciju seizmičkih faza i GaMMA Associatora za izradu sintetičkih kataloga te procedura koje značajno poboljšavaju detekciju potresa. Korišteno je pet varijanti modela PhaseNet treniranih na pet različitih baza podataka: INSTANCE, STEAD, ETHZ, SCEDC i GEOFON sa svrhom detekcije P- i S-faza, te algoritam na temelju strojnog učenja zvan GaMMA Associator sa svrhom asocijacije i izrade sintektičkog kataloga. Najprije se varijante modela PhaseNet primjenjuju na uzorak iz stvarnog kataloga u svrhu određivanja najefikasnije varijante modela PhaseNet, te se potom ta varijanta primjenjuje na cijeli skup podataka. Kombinacija modela PhaseNet s tehnikom učenja prijenosom i GaMMA Associatora omogućava stvaranje kataloga potresa koji sadrži preko 92 % identičnih događaja iz usporednog stvarnog kataloga, te također 10 puta više novih događaja. Rezultati naglašavaju potencijal strojnog učenja za revoluciju u praćenju potresa pružanjem bržih, većih i pravovremenijih sposobnosti detekcije. Ovo istraživanje ne samo da doprinosi napretku metoda detekcije potresa, već otvara i puteve za buduća istraživanja u seizmologiji i povezanim područjima.

Sažetak (engleski)

With the arrival of the era called Big Data, there has been an exponential increase in the volume of seismic data due to the expansion of seismic stations and the advancement of technology, due to which traditional methods of analysis and manual phase detection are becoming unsustainable. Therefore, a new approach that uses neural networks to automate the detection and characterization of seismic events is being tested, with the goal of increasing accuracy and efficiency compared to existing automated systems. In this thesis, the PhaseNet models and GaMMA Associator were applied in the analysis of a comprehensive data set of the test earthquake catalogue for the period of 2009 – 2018 in the northwest Dinarides to significantly improve earthquake detection and create a synthetic earthquake catalogue. Five variants of the PhaseNet model trained on five different databases were used: INSTANCE, STEAD, ETHZ, SCEDC and GEOFON to detect P and S phases, and GaMMA Associator, an algorithm based on machine learning for association and creation of a synthetic catalog. The models were first applied to a sample from the real catalog to determine the most efficient variant of PhaseNet, and then that variant is applied to the entire data set. The combination of PhaseNet and GaMMA Associator generates an earthquake catalog that contains over 92% identical events from the comparative real catalog, and 10 times more new events. The findings underscore the potential of machine learning to revolutionize earthquake monitoring by providing more reliable and timely detection capabilities. This research not only contributes to the advancement of seismic detection methods but also opens avenues for future investigations in seismology and related fields.

• Ključne riječi: Detekcija potresa; Sjeverozapadni Dinaridi; Neuronske mreže
• Ključne riječi (engleski): Earthquake detection; Neural networks; Northwest Dinarides
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:618108
• Studijski program: Naziv: Fizika - geofizika; smjerovi: Seizmologija i fizika čvrste Zemlje, Meteorologija i fizička oceanografija; Smjer: Seizmologija i fizika čvrste Zemlje; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: sveučilišni magistar fizike – geofizike (univ. mag. phys. – geophys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-03-19 10:32:34