Terremoto multiplo

Aug 06, 2023

Rapporti scientifici volume 12, numero articolo: 21200 (2022) Citare questo articolo

1378 accessi

2 citazioni

4 Altmetrico

Dettagli sulle metriche

Il terremoto è uno dei disastri naturali che hanno un grande impatto sulla società. Attualmente ci sono molti studi sulla rilevazione dei terremoti. Tuttavia, le vibrazioni rilevate dai sensori non erano solo vibrazioni causate dal terremoto, ma anche altre vibrazioni. Pertanto, questo studio ha proposto un rilevamento multiclassificazione dei terremoti con algoritmi di apprendimento automatico in grado di distinguere terremoti e non terremoti e vibrazioni di vandalismo utilizzando onde sismiche di accelerazione. Inoltre, velocità e spostamento come prodotti di integrazione dell'accelerazione sono stati considerati funzionalità aggiuntive per migliorare le prestazioni degli algoritmi di apprendimento automatico. Diversi algoritmi di apprendimento automatico come Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) e Artificial Neural Network (ANN) sono stati utilizzati per sviluppare il miglior algoritmo per il rilevamento multi-classificazione dei terremoti. I risultati di questo studio indicano che l’algoritmo ANN è il migliore algoritmo per distinguere tra vibrazioni sismiche e non sismiche e da atti vandalici. Inoltre, è anche più resistente alle varie funzionalità di input. Inoltre, è stato dimostrato che l'utilizzo di velocità e spostamento come caratteristiche aggiuntive aumenta le prestazioni di ogni modello.

L'Indonesia si trova tra tre principali confluenze di placche tettoniche, vale a dire la placca eurasiatica, la placca indo-australiana e la placca pacifica1. Secondo i dati dell’Agenzia meteorologica, climatologica e geofisica (BMKG), nel periodo 2008-2018 si sono verificati circa 5.000-6.000 terremoti. E nel 2019 ci sono stati 15 terremoti distruttivi2. Il rilevamento dei terremoti utilizzando i sensori dell'accelerometro è stato effettuato da diversi ricercatori3,4,5,6, le vibrazioni che il sensore rileverà non sono solo vibrazioni causate dal terremoto, ma anche altre vibrazioni come vibrazioni dovute a oggetti pesanti caduti sul pavimento, passaggio di veicoli pesanti, esplosioni o quando qualcuno tenta di rompere la scatola. A causa della somiglianza delle onde sismiche e dei rumori sismici, i sistemi di allerta precoce dei terremoti a volte vengono attivati ​​accidentalmente e causano falsi allarmi. Pertanto è necessario classificare il terremoto e il rumore sismico per evitare errori di rilevazione7,8.

Diversi ricercatori hanno condotto studi anche sull’utilizzo del machine learning in ambito sismico. Secondo Nishita Narvekar9, il segnale sismico registrato nelle stazioni sismiche è spesso misto a rumore. Pertanto, è necessario rimuovere il rumore prima che i dati vengano forniti all’algoritmo di apprendimento automatico utilizzando tecniche di filtraggio. Inoltre, applicando la Trasformata Veloce di Fourier (FFT), uno dei metodi ampiamente utilizzati nel mondo della sismologia sul segnale sismico, è possibile ridurre i tempi di calcolo10,11. È stato dimostrato che combinandolo con algoritmi di apprendimento automatico si ottengono i migliori risultati. Inoltre, l'esperimento di confronto tra algoritmi SVM, DT e RF per distinguere tra vibrazioni e rumori sismici mostra che gli algoritmi RF forniscono prestazioni migliori sulla base di questa ricerca.

Alcuni ricercatori12 hanno proposto un sistema di rilevamento sismico che può essere implementato presso la stazione sismica utilizzando ANN e SVM in grado di classificare i terremoti locali e le altre possibilità di vibrazione. I dati sono stati raccolti dalla stazione PVAQ in Portogallo. I dati sono distribuiti nel 60% dei dati di training, nel 20% dei dati di test e nel 20% dei dati di convalida. Le prestazioni del modello mostrano che ANN è riuscita ad ottenere un valore superiore al 95% mentre SVM è in grado di ottenere una classificazione quasi perfetta.

In un altro studio13, DT viene utilizzato per risolvere due problemi di classificazione che coinvolgono segnali. Lo scopo è apprendere la logica temporale del segnale (STL) per trovare uno schema nei dati che non è conforme al comportamento previsto (rilevamento delle anomalie). Il risultato mostra che DT fornisce buone prestazioni e può essere interpretato su domini applicativi specifici. In un altro caso14, la DT viene applicata per classificare le condizioni della pala di una turbina eolica valutando il segnale di vibrazione della turbina. Sono presenti 600 campioni di dati, 100 dei quali provenivano da lame in buone condizioni. Il classificatore DT utilizzato per questo problema si è dimostrato molto efficace per diagnosticare questo problema. Sulla base di questi studi, si dimostra che l’algoritmo DT è utile per la classificazione del segnale e delle vibrazioni.