Ανάλυση σεισμικών δεδομένων με τη χρήση αλγορίθμων μηχανικής μάθησης
| datacite.contributor.RelatedPerson | Ηλίας, Αριστείδης | |
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.Supervisor | Σώκος, Ευθύμιος | |
| dc.contributor.author | Φιλίνης, Ιωάννης | |
| dc.contributor.other | Filinis, Ioannis | |
| dc.date.accessioned | 2026-02-24T10:13:17Z | |
| dc.date.available | 2026-02-24T10:13:17Z | |
| dc.date.issued | 2026-02-19 | |
| dc.degree | graduateThesis | |
| dc.description.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. | |
| dc.description.translatedabstract | The monitoring of intense seismicity in the Greek region generates a vast volume of daily data, which traditional analysis methods are now becoming costly and timedraining. The primary objective of this thesis is to investigate whether modern Deep Learning techniques can reliably automate the earthquake detection process, effectively relieving analysts from the burden of manual processing. To this end, a comprehensive workflow was developed that utilizes and compares two different approaches: the EQTransformer model, which focuses on precise seismic phase picking via attention mechanisms, and the CRED model, a hybrid detector designed for early warning systems. The study was applied to real-world data from the Corinth Gulf network and the broader region of the Peloponnese, an area characterized by high microseismic activity. Research results highlighted the superiority of EQTransformer, which succeeded in detecting the vast majority of seismic events, surpassing conventional methods in sensitivity. Furthermore, the study demonstrated that even less sensitive models, such as CRED, can be transformed into robust detection tools, provided that appropriate signal processing is applied beforehand. In conclusion, this thesis confirms that Artificial Intelligence now constitutes a capable and necessary technology for the modernization of earthquake detection, offering both speed and completeness in the recording of seismic phenomena. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31368 | |
| dc.language.iso | el | |
| dc.rights | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Σεισμολογία | |
| dc.subject | Αυτοματοποιημένη ανίχνευση | |
| dc.subject | Πελοπόννησος | |
| dc.subject.alternative | EQTransformer | |
| dc.subject.alternative | CRED | |
| dc.title | Ανάλυση σεισμικών δεδομένων με τη χρήση αλγορίθμων μηχανικής μάθησης | |
| dc.title.alternative | Analysis of seismic events using machine learning algorithms |