Speaker
Description
В сейсмологии одним из ключевых этапов обработки данных является определение времен вступлений P и S волн. К настоящему времени наибольшую популярность приобретают подходы, основанные на использовании сверточных нейронных сетей. Существует большое количество работ, посвященных разработке архитектур нейронных сетей для решения задачи определения времен вступлений. Важным этапом при разработке нейросетевого алгоритма является этап подготовки обучающей выборки. Сбор и подготовка сейсмических данных для создания обучающей выборки являются времязатратными процессами, поэтому актуальным остается вопрос о достаточном объеме выборки. В работе представлено исследование по определению оптимального количества сейсмических событий, необходимых для качественного обучения нейронной сети.
Была проведена серия тестов с размерами обучающей выборки от 10 до 100 событий. Обученная нейронная сеть тестировалась на новом наборе данных, не участвовавшем в создании обучающей выборки. Проведенное исследование показало, что после 25-30 событий по мере увеличения объема выборки количество данных, для которых моменты вступлений волн определены в пределах допустимой погрешности (50 мс, что соответствует 5 отсчетам), повышается незначительно. Обучающая выборка, независимо от объема, включала в себя трассы с высоким соотношением сигнал/шум и с четким вступлением при визуализации, а также трассы с низким соотношением сигнал/шум и более сложной волновой картиной, то есть выборка была сбалансирована относительно «качества» сейсмических данных.
По итогам работы было выявлено, что на рассмотренных наборах данных для обучения нейронной сети, при решении задачи определения времен вступлений P и S волн от локальных землетрясений, было достаточно 25 сейсмических событий. С помощью нейронной сети, обученной на 25 событиях, в пределах допустимой погрешности удалось обработать 93% данных при определении P волны и 95% при определении S волны.
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
