Geofizika, Vol. 42 No. 1, 2025.
Original scientific paper
https://doi.org/10.15233/gfz.2025.42.2
Istraživanje primjene tehnologije dubokog učenja za klasificiranje potresa i eksplozija pomoću lagane konvolucijske neuronske mreže
Shaohui Zhou
; Shandong Earthquake Agency, Ji Nan, China
Jian Li
; Hainan Earthquake Agency, Haikou, China
*
Qijie Zhou
; Guangxi Earthquake Agency, Nanning, China
Yang Liu
; Hainan Earthquake Agency, Haikou, China
Huilin Wang
; Hainan Earthquake Agency, Haikou, China
Yu Wang
; Shandong Earthquake Agency, Ji Nan, China
Chong Wang
; Hainan Earthquake Agency, Haikou, China
Bing Lin
; Hainan Earthquake Agency, Haikou, China
Han Zhang
; Hainan Earthquake Agency, Haikou, China
Limei Peng
; Hainan Earthquake Agency, Haikou, China
Dongya Li
; Hainan Earthquake Agency, Haikou, China
* Corresponding author.
Abstract
U ovom radu se predlaže lagani model konvolucijske neuronske mreže za brzo i točno prepoznavanje vrsta potresa i eksplozija. Budući da događaj u pravilu bilježi više postaja, potrebno je podatke prethodno obraditi i klasificirati prema događaju. Time se osigurava da se različiti valni oblici istog događaja ne pojavljuju u bilo koja dva skupa za obuku, skupa za provjeru valjanosti i skupa za testiranje. S trokomponentnim valnim oblicima koje su stanice zabilježile nakon predprocesiranja kao ulazom, mrežni model i hiperparametri optimizirani su analizom prosjeka i varijance u vrijednostima točnosti i gubitaka verifikacijskog skupa u peterostrukoj unakrsnoj provjeri te krivulja točnosti i gubitaka u procesu obuke. Na kraju, rezultati klasifikacije svih postaja koje postižu određeni omjer signala i šuma za svaki događaj uzimaju se kao izlaz ove vrste događaja na temelju načela da većina prevladava nad manjinom. Ova studija koristi 2.190 prirodnih događaja i događaja eksplozija koje je zabilježila Hainan Seismic Network prije kolovoza 2022., što uključuje 53.067 valnih oblika, za obuku i testiranje učinkovitosti modela. Dvadeset posto tih događaja odabrano je nasumično kao testni skup. Rezultati su pokazali da je od 438 nasumično odabranih događaja 427 točno identificirano, što je rezultiralo stopom točnosti od 97,48%. Točnije, stopa točnosti za seizmičke događaje bila je 95,59%, sa stopom prisjećanja od 89,04%, dok je stopa točnosti za događaje miniranja bila 97,84%, uz stopu prisjećanja od 99,18%. U zaključku, model konvolucijske neuronske mreže predložen u ovom radu može brzo i točno identificirati prirodne i eksplozivne vrste u Hainanu.
Keywords
duboko učenje; klasifikacija; potres; miniranje; CNN-konvolucijska neuronska mreža
Hrčak ID:
334196
URI
Publication date:
31.7.2025.
Visits: 575 *