Ανάλυση σεισμικών δεδομένων με τη χρήση αλγορίθμων μηχανικής μάθησης
Loading...
Date
2026-02-19
Authors
Φιλίνης, Ιωάννης
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρακολούθηση της έντονης σεισμικότητας στον Ελλαδικό χώρο παράγει καθημερινά έναν τεράστιο όγκο δεδομένων,λόγο αυτού οι παραδοσιακές μέθοδοι ανάλυσης αρχίζουν να γίνονται κοστοβόρες οικονομικά και χρονικά. Κύριος στόχος της παρούσας διπλωματικής εργασίας είναι η διερεύνηση του κατά πόσον οι σύγχρονες τεχνικές Βαθιάς Μάθησης (Deep Learning) μπορούν να αυτοματοποιήσουν αξιόπιστα τη διαδικασία ανίχνευσης και εντοπισμού σεισμών, απαλλάσσοντας τους αναλυτές από τον φόρτο της χειροκίνητης επεξεργασίας και επιταχύνοντας την ανάλυση δεδομένων, με άμεση συνέπεια την καλύτερη παρακολούθηση σεισμικών ακολουθιών σε εξέλιξη.
Για τον σκοπό αυτό, αναπτύχθηκε μια ολοκληρωμένη ροή εργασίας που αξιοποιεί και συγκρίνει δύο διαφορετικές προσεγγίσεις: το μοντέλο EQTransformer, το οποίο εστιάζει στην ακριβή επιλογή σεισμικών φάσεων μέσω μηχανισμών προσοχής, και το μοντέλο CRED, έναν υβριδικό ανιχνευτή σχεδιασμένο για συστήματα έγκαιρης προειδοποίησης. Η μελέτη εφαρμόστηκε σε πραγματικά δεδομένα από το δίκτυο του Κορινθιακού Κόλπου και την ευρύτερη περιοχή της Πελοποννήσου, μιας περιοχής με υψηλή μικροσεισμική δραστηριότητα.
Τα αποτελέσματα της έρευνας ανέδειξαν την υπεροχή του EQTransformer, το οποίο κατάφερε να εντοπίσει τη συντριπτική πλειονότητα των σεισμικών γεγονότων, ξεπερνώντας σε ευαισθησία τις συμβατικές μεθόδους. Παράλληλα, η εργασία κατέδειξε ότι ακόμη και λιγότερο ευαίσθητα μοντέλα, όπως το CRED, μπορούν να μετατραπούν σε ισχυρά εργαλεία ανίχνευσης, εφόσον προηγηθεί κατάλληλη επεξεργασία του σήματος.
Συμπερασματικά, η εργασία επιβεβαιώνει ότι η Τεχνητή Νοημοσύνη αποτελεί πλέον μια ικανή και απαραίτητη τεχνολογία για τον εκσυγχρονισμό της ανίχνευσης σεισμών, προσφέροντας ταχύτητα και πληρότητα στην καταγραφή των σεισμικών φαινομένων.
Description
Keywords
Μηχανική μάθηση, Σεισμολογία, Αυτοματοποιημένη ανίχνευση, Πελοπόννησος