Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático

Esta investigación se centra en desarrollar un modelo de localización hipocentral para eventos sísmicos someros en Colombia mediante métodos de aprendizaje automático, con el objetivo de mejorar la precisión en la localización sísmica. Con este fin, se estimaron los tiempos de arribo de las ondas P...

Full description

Autores:: Rodríguez Romero, Lina Jomara

Tipo de recurso:: https://purl.org/coar/resource_type/c_7a1f

Fecha de publicación:: 2024

Institución:: Universidad El Bosque

Repositorio:: Repositorio U. El Bosque

Idioma:: spa

id	UNBOSQUE2_459f36f0be6bfdf54a28fc8e0c826712
oai_identifier_str	oai:repositorio.unbosque.edu.co:20.500.12495/14875
network_acronym_str	UNBOSQUE2
network_name_str	Repositorio U. El Bosque
repository_id_str
dc.title.none.fl_str_mv	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
dc.title.translated.none.fl_str_mv	Shallow seismic hypocentral estimation in Colombia using PS time differences and machine learning
title	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
spellingShingle	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático Localización Hipocentros Sísmicos Sismos Someros Estimación de Tiempos PS Trazado de Rayos Método de la ruta más corta Aprendizaje Automático 510 Seismic Hypocenter Location Shallow Earthquakes PS Time Estimation Ray Tracing Shortest-Path Method Machine Learning
title_short	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
title_full	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
title_fullStr	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
title_full_unstemmed	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
title_sort	Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático
dc.creator.fl_str_mv	Rodríguez Romero, Lina Jomara
dc.contributor.advisor.none.fl_str_mv	Duitama Leal, Alejandro
dc.contributor.author.none.fl_str_mv	Rodríguez Romero, Lina Jomara
dc.subject.none.fl_str_mv	Localización Hipocentros Sísmicos Sismos Someros Estimación de Tiempos PS Trazado de Rayos Método de la ruta más corta Aprendizaje Automático
topic	Localización Hipocentros Sísmicos Sismos Someros Estimación de Tiempos PS Trazado de Rayos Método de la ruta más corta Aprendizaje Automático 510 Seismic Hypocenter Location Shallow Earthquakes PS Time Estimation Ray Tracing Shortest-Path Method Machine Learning
dc.subject.ddc.none.fl_str_mv	510
dc.subject.keywords.none.fl_str_mv	Seismic Hypocenter Location Shallow Earthquakes PS Time Estimation Ray Tracing Shortest-Path Method Machine Learning
description	Esta investigación se centra en desarrollar un modelo de localización hipocentral para eventos sísmicos someros en Colombia mediante métodos de aprendizaje automático, con el objetivo de mejorar la precisión en la localización sísmica. Con este fin, se estimaron los tiempos de arribo de las ondas P y S para sismos a profundidades de hasta 30 kilómetros, utilizando la teoría del trazado de rayos y el método de la ruta más corta (SPM). Estas estimaciones se emplearon para entrenar los algoritmos. Se exploraron diferentes arquitecturas de redes neuronales y modelos de regresión para analizar los tiempos de llegada y optimizar la precisión del modelo. Los resultados indican que la regresión polinómica de tercer grado logra una mayor precisión en la localización de hipocentros sísmicos en Colombia en comparación con el perceptrón multicapa y otras redes recurrentes, alcanzando un error absoluto medio de 0.346 kilómetros. Además, se obtuvo errores de 0.105, 0.134 y 0.604 kilómetros en la determinación de la latitud, longitud y profundidad, respectivamente, en relación con los lugares donde se generaron los sismos. Esta investigación ha contribuido significativamente al campo de la localización sísmica en Colombia, siendo pionera en la utilización de datos generados por trazado de rayos. La creación de estos datos se presenta como una herramienta útil para futuras investigaciones en el país, demostrando la viabilidad de su uso en el entrenamiento de herramientas de aprendizaje automático.
publishDate	2024
dc.date.issued.none.fl_str_mv	2024-05
dc.date.accessioned.none.fl_str_mv	2025-07-07T16:37:59Z
dc.date.available.none.fl_str_mv	2025-07-07T16:37:59Z
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.coar.none.fl_str_mv	https://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coarversion.none.fl_str_mv	https://purl.org/coar/version/c_ab4af688f83e57aa
format	https://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12495/14875
dc.identifier.instname.spa.fl_str_mv	instname:Universidad El Bosque
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad El Bosque
dc.identifier.repourl.none.fl_str_mv	repourl:https://repositorio.unbosque.edu.co
url	https://hdl.handle.net/20.500.12495/14875
identifier_str_mv	instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co
dc.language.iso.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Alba, D., & Calle, J. (2020). Aplicación de técnicas de Machine Learning basado en información sísmica para profundizar la probabilidad de terremotos mediante el uso de regresión logística y redes neuronales [Tesis doctoral, Universidad de Guayaquil]. Asanza, W. R., & Olivo, B. M. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH, 1 (4), 5. Bobadilla, J. (2021). Machine learning y deep learning: usando Python, Scikit y Keras. Ediciones de la U. Cadavid, A. N., Ibarra, D. G., & Africano, M. V. (2012). Calibración basada en medidas para modelos de trazado de rayos en 3D para ambientes exteriores urbanos andinos. Sistemas & Telemática, 10 (21), 43-63. Caicedo, E. F., & López, J. A. (2009). Una aproximación práctica a las redes neuronales artificiales. Universidad del Valle. https://doi.org/10.25100/peu.64. Celis, J. (2021). Implementación de métodos basados en deep learning para localización de eventos sísmicos de origen volcánico [Tesis doctoral, Universidad de Chile]. Cleveland, K. M., & Ammon, C. J. (2013). Precise relative earthquake location using surface waves. Journal of Geophysical Research: Solid Earth, 118, 2893-2904. https://doi.org/10.1002/jgrb.50146. Comte, V., & Ruiz, Á. (s.f). Características Relevantes de los Sismos en el Contexto de la Ingeniería Sísmica. En Ingeniería Sísmica: Fundamentos y Aplicaciones en Ingeniería Estructural (p. 86). Doocy, S., Daniels, A., Packer, C., Dick, A., & Kirsch, T. D. (2013). The Human Impact of Earthquakes: a Historical Review of Events 1980-2009 and Systematic Literature Review. PLoS Currents. https://doi.org/10.1371/currents.dis.67bd14fe457f1db0b5433a8ee20fb833. Duque E., G. (2024). Riesgo sísmico: Los terremotos. https://repositorio.unal.edu.co/handle/unal/3234. Evaluación y Monitoreo de Actividad Sísmica. (s.f.). https://www2.sgc.gov.co/ProgramasDeInvestigacion/geoamenazas/Paginas/actividad-sismica.aspx. Foulger, G. R., Wilson, M. P., Gluyas, J. G., Julian, B. R., & Davies, R. J. (2018). Global review of human-induced earthquakes. Earth-Science Reviews, 178, 438-514. https://doi.org/10.1016/j.earscirev.2017.07.008. Giner-Robles, J., Rodriguez, M. P., Fernández, B. C., Díaz, C. D., Ruíz, A. G., García, M. R., & García, I. D. S. (s.f.). Epicentro e Hipocentro. Giroux, B. (2021a). ttcrpy: A Python package for traveltime computation and raytracing. SoftwareX,Giroux, B. (2021b). Giroux, B. (2021b). ttcrpy: Shortest-Path. https://doi.org/https://doi.org/10.1016/j.softx.2021.100834. Golondrino, G. E. C., Muñoz, W. Y. C., & Martinez, L. M. S. (2020). Aplicación de la regresión polinomial para la caracterización de la curva del COVID-19, mediante técnicas de machine learning. Investigación e Innovación en Ingenierías, 8, 87-105. https://doi.org/10.17081/invinno.8.2.4103. Gutierrez, L. H. O., Vasquez, L. F. N., & Jimenez, C. A. V. (2019). Support vector machines applied to fast determination of the geographical coordinates of earthquakes, The case of El Rosal seismological station, Bogotá Colombia. DYNA, 86, 230-237. https://doi.org/10.17081/invinno.8.2.4103. IDIGER. (2023, mayo). Escenario de riesgo sísmico en Colombia. https://doi.org/10.17081/invinno.8.2.4103. Keras. (2022, abril). KerasTuner. https://github.com/keras-team/keras-tuner. Kubo, H., Naoi, M., & Kano, M. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76. https://doi.org/10.1186/s40623-024-01982-0. Longoni, M. G., Porcel, E., L ópez, M. V., & Dapozo, G. N. (2010). Modelos de Redes Neuronales Perceptrón Multicapa y de Base Radial para la predicción del rendimiento académico de alumnos universitarios. XVI Congreso Argentino de Ciencias de la Computación. Mahmoudi, J., Arjomand, M. A., Rezaei, M., & Mohammadi, M. H. (2016). Predicting the Earthquake Magnitude Using the Multilayer Perceptron Neural Network with Two Hidden Layers. Civil Engineering Journal, 2, 1-12. https://doi.org/10.28991/cej-2016-00000008. Mato, J. (2019). El geosistema terrestre, elementos constitutivos, litósfera hidrósfera, atmósfera y biósfera. Aplicación Didáctica. [Tesis doctoral, UNIVERSIDAD NACIONAL DE EDUCACIÓN]. Mousavi, S. M., & Beroza, G. C. (2022). Deep-learning seismology. Science, 377. https://doi.org/10.1126/science.abm4470. Ojeda, A., & Havskov, J. (2001). Crustal structure and local seismicity in Colombia. Journal of Seismology, 5 (4), https://doi.org/10.1023/A:1012053206408. Olabe, X. B. (1998). Redes neuronales artificiales y sus aplicaciones. Publicaciones de la Escuela de Ingenieros. Ortiz H., K. (2023, mayo). ¿Qué es más peligroso, un temblor superficial o uno profundo? Palacio, S. (2020). Machine-Learning Applied Methods. http://hdl.handle.net/10803/669286. Palmer, A., & Montaño, J. (1999). ¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adicciones. Adicciones, 11 (3), 243-255. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830. Quintana, B. (2021). Comparación entre regresión logística y perceptrón multicapa: Caso aplicado al conjunto de datos Pima Indian Database [Tesis doctoral, Universidad Autónoma del Estado de México]. http://hdl.handle.net/20.500.11799/111526. Ramos, C. (2021). Diseños de Investigación Experimental. CienciAmérica, 10 (1). Roy, R. (2006). Las réplicas del terremoto no son lo que parecían. LiveScience Managing Editor. http://hdl.handle.net/20.500.11799/111526. Salazar-Arbelaez, G. (2018). Terremotos y salud: lecciones y recomendaciones. Salud Pública de México, 60, 6. https://doi.org/10.21149/9445. Sampieri, R. H., Collado, C. F., & Lucio, P. B. (2014). Metodología de la Investigación (6a.). McGraw-Hill. Sears, F. W., Zemansky, M. W., Young, H. D., Vara, R. H., García, M. G., Gümes, E. R., Cook, P. M., & Benites, F. G. (1986). Física universitaria. Fondo Educativo Interamericano. Serrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. Escuela Técnica Superior de Ingeniería, Curso de Doctorado, 15-19. Suárez, L. (2020, marzo). Localización del epicentro de un sismo. Tanco, F. (2003). Introducción a las redes neuronales artificiales. Grupo de Inteligencia Artificial, 4-4. Turcotte, D., & Schubert, G. (2014). Plate Tectonics. John Wiley Sons. VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O’Reilly Media, Inc. Vargas, J. (2021). Análisis de instrumentación sísmica y propuesta de mejora preventiva comparado con los países del cinturón de fuego del pacífico, Tacna-2021 [Tesis doctoral, Universidad Privada de Tacna]. Vinard, N., Drijkoningen, G., & Verschuur, E. (2020). Real-data earthquake localization using convolutional neural networks trained with synthetic data. SEG Technical Program Expanded Abstracts 2020, 1576-1580. https://doi.org/10.1190/segam2020-3428107.1 Vinuela, P. I., & Leon, I. M. G. (2003). Redes Neuronales Artificiales. Un enfoque practico. Vivas, H. (2014). Optimización en entrenamiento del perceptrón multicapa. Universidad del Cauca, Popayán. Yildirim, I., Waheed, U., Izzatullah, M., & Alkhalifah, T. (2022). Pinnhypo: Hypocenter Localization Using Physics Informed Neural Networks. 83rd EAGE Annual Conference Exhibition, 1-5. https://doi.org/10.3997/2214-4609.202210773. Zhou, B., & Greenhalgh, S. A. (2005). ‘Shortest path’ ray tracing for most general 2D/3D anisotropic media. Journal of Geophysics and Engineering, 2 (1), 54-63. https://doi.org/10.1088/1742-2132/2/1/008.
dc.rights.en.fl_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.local.spa.fl_str_mv	Acceso abierto
dc.rights.accessrights.none.fl_str_mv	https://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso abierto https://purl.org/coar/access_right/c_abf2 http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.program.spa.fl_str_mv	Matemáticas
dc.publisher.grantor.spa.fl_str_mv	Universidad El Bosque
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ciencias
institution	Universidad El Bosque
bitstream.url.fl_str_mv	https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/196587d8-5e82-4dbe-b7fd-592b387ca33c/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/6b94c642-2d40-404d-962c-49e7ba814f04/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/7e5cbaeb-71d7-46dc-944b-d082b7af1ac2/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/61b6c6ef-85a6-40c5-a718-28085a24d06a/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/14932b07-9476-4ccf-9866-2d575c641309/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/eaf7f1f6-b321-47e5-a2e0-8a14a2b31043/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/3feeb1cf-1df3-488b-a381-68c5fd174056/download
bitstream.checksum.fl_str_mv	6654025e5e004ca25c43dae9588cde6d 17cc15b951e7cc6b3728a574117320f9 463129755a88a2c467c408640f111e1b e21c9c1230840677ead0d55aaf373e75 5643bfd9bcf29d560eeec56d584edaa9 b3ca3da2527d4413879c046a203d7c5c 6badddd8abe8fb084132cc1274ac8ead
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad El Bosque
repository.mail.fl_str_mv	bibliotecas@biteca.com
_version_	1849967145557950464
spelling	Duitama Leal, AlejandroRodríguez Romero, Lina Jomara2025-07-07T16:37:59Z2025-07-07T16:37:59Z2024-05https://hdl.handle.net/20.500.12495/14875instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coEsta investigación se centra en desarrollar un modelo de localización hipocentral para eventos sísmicos someros en Colombia mediante métodos de aprendizaje automático, con el objetivo de mejorar la precisión en la localización sísmica. Con este fin, se estimaron los tiempos de arribo de las ondas P y S para sismos a profundidades de hasta 30 kilómetros, utilizando la teoría del trazado de rayos y el método de la ruta más corta (SPM). Estas estimaciones se emplearon para entrenar los algoritmos. Se exploraron diferentes arquitecturas de redes neuronales y modelos de regresión para analizar los tiempos de llegada y optimizar la precisión del modelo. Los resultados indican que la regresión polinómica de tercer grado logra una mayor precisión en la localización de hipocentros sísmicos en Colombia en comparación con el perceptrón multicapa y otras redes recurrentes, alcanzando un error absoluto medio de 0.346 kilómetros. Además, se obtuvo errores de 0.105, 0.134 y 0.604 kilómetros en la determinación de la latitud, longitud y profundidad, respectivamente, en relación con los lugares donde se generaron los sismos. Esta investigación ha contribuido significativamente al campo de la localización sísmica en Colombia, siendo pionera en la utilización de datos generados por trazado de rayos. La creación de estos datos se presenta como una herramienta útil para futuras investigaciones en el país, demostrando la viabilidad de su uso en el entrenamiento de herramientas de aprendizaje automático.Laboratorio de Inteligencia Artificial de la Universidad El BosqueMatemáticoPregradoThis research focuses on developing a hypocentral localization model for shallow seismic events in Colombia using machine learning methods, with the aim of improving accuracy in seismic localization. For this purpose, the arrival times of the P and S waves were estimated for earthquakes at depths of up to 30 kilometers, using the theory of ray tracing and the Shortest-Path method (SPM). These estimates were used to train algorithms. Different neural network architectures and regression models were explored to analyze arrival times and optimize model accuracy. The results indicate that third-degree polynomial regression achieves greater accuracy in the location of seismic hypocenters in Colombia compared to the multilayer perceptron and other recurrent networks, reaching an Average Absolute Error of 0.346 kilometers. In addition, errors of 0.105, 0.134 and 0.604 kilometers were obtained in the determination of latitude, longitude and depth, respectively, in relation to the places where the earthquakes were generated. This research has contributed significantly to the field of seismic localization in Colombia, being a pioneer in the use of data generated by ray tracing. The creation of this data is presented as a useful tool for future research in the country, demonstrating the feasibility of its use in the training of machine learning tools.application/pdfAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertohttps://purl.org/coar/access_right/c_abf2http://purl.org/coar/access_right/c_abf2Localización Hipocentros SísmicosSismos SomerosEstimación de Tiempos PSTrazado de RayosMétodo de la ruta más cortaAprendizaje Automático510Seismic Hypocenter LocationShallow EarthquakesPS Time EstimationRay TracingShortest-Path MethodMachine LearningEstimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automáticoShallow seismic hypocentral estimation in Colombia using PS time differences and machine learningMatemáticasUniversidad El BosqueFacultad de CienciasTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_ab4af688f83e57aaAlba, D., & Calle, J. (2020). Aplicación de técnicas de Machine Learning basado en información sísmica para profundizar la probabilidad de terremotos mediante el uso de regresión logística y redes neuronales [Tesis doctoral, Universidad de Guayaquil].Asanza, W. R., & Olivo, B. M. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH, 1 (4), 5.Bobadilla, J. (2021). Machine learning y deep learning: usando Python, Scikit y Keras. Ediciones de la U.Cadavid, A. N., Ibarra, D. G., & Africano, M. V. (2012). Calibración basada en medidas para modelos de trazado de rayos en 3D para ambientes exteriores urbanos andinos. Sistemas & Telemática, 10 (21), 43-63.Caicedo, E. F., & López, J. A. (2009). Una aproximación práctica a las redes neuronales artificiales. Universidad del Valle. https://doi.org/10.25100/peu.64.Celis, J. (2021). Implementación de métodos basados en deep learning para localización de eventos sísmicos de origen volcánico [Tesis doctoral, Universidad de Chile].Cleveland, K. M., & Ammon, C. J. (2013). Precise relative earthquake location using surface waves. Journal of Geophysical Research: Solid Earth, 118, 2893-2904. https://doi.org/10.1002/jgrb.50146.Comte, V., & Ruiz, Á. (s.f). Características Relevantes de los Sismos en el Contexto de la Ingeniería Sísmica. En Ingeniería Sísmica: Fundamentos y Aplicaciones en Ingeniería Estructural (p. 86).Doocy, S., Daniels, A., Packer, C., Dick, A., & Kirsch, T. D. (2013). The Human Impact of Earthquakes: a Historical Review of Events 1980-2009 and Systematic Literature Review. PLoS Currents. https://doi.org/10.1371/currents.dis.67bd14fe457f1db0b5433a8ee20fb833.Duque E., G. (2024). Riesgo sísmico: Los terremotos. https://repositorio.unal.edu.co/handle/unal/3234.Evaluación y Monitoreo de Actividad Sísmica. (s.f.). https://www2.sgc.gov.co/ProgramasDeInvestigacion/geoamenazas/Paginas/actividad-sismica.aspx.Foulger, G. R., Wilson, M. P., Gluyas, J. G., Julian, B. R., & Davies, R. J. (2018). Global review of human-induced earthquakes. Earth-Science Reviews, 178, 438-514. https://doi.org/10.1016/j.earscirev.2017.07.008.Giner-Robles, J., Rodriguez, M. P., Fernández, B. C., Díaz, C. D., Ruíz, A. G., García, M. R., & García, I. D. S. (s.f.). Epicentro e Hipocentro.Giroux, B. (2021a). ttcrpy: A Python package for traveltime computation and raytracing. SoftwareX,Giroux, B. (2021b).Giroux, B. (2021b). ttcrpy: Shortest-Path. https://doi.org/https://doi.org/10.1016/j.softx.2021.100834.Golondrino, G. E. C., Muñoz, W. Y. C., & Martinez, L. M. S. (2020). Aplicación de la regresión polinomial para la caracterización de la curva del COVID-19, mediante técnicas de machine learning. Investigación e Innovación en Ingenierías, 8, 87-105. https://doi.org/10.17081/invinno.8.2.4103.Gutierrez, L. H. O., Vasquez, L. F. N., & Jimenez, C. A. V. (2019). Support vector machines applied to fast determination of the geographical coordinates of earthquakes, The case of El Rosal seismological station, Bogotá Colombia. DYNA, 86, 230-237. https://doi.org/10.17081/invinno.8.2.4103.IDIGER. (2023, mayo). Escenario de riesgo sísmico en Colombia. https://doi.org/10.17081/invinno.8.2.4103.Keras. (2022, abril). KerasTuner. https://github.com/keras-team/keras-tuner.Kubo, H., Naoi, M., & Kano, M. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76. https://doi.org/10.1186/s40623-024-01982-0.Longoni, M. G., Porcel, E., L ópez, M. V., & Dapozo, G. N. (2010). Modelos de Redes Neuronales Perceptrón Multicapa y de Base Radial para la predicción del rendimiento académico de alumnos universitarios. XVI Congreso Argentino de Ciencias de la Computación.Mahmoudi, J., Arjomand, M. A., Rezaei, M., & Mohammadi, M. H. (2016). Predicting the Earthquake Magnitude Using the Multilayer Perceptron Neural Network with Two Hidden Layers. Civil Engineering Journal, 2, 1-12. https://doi.org/10.28991/cej-2016-00000008.Mato, J. (2019). El geosistema terrestre, elementos constitutivos, litósfera hidrósfera, atmósfera y biósfera. Aplicación Didáctica. [Tesis doctoral, UNIVERSIDAD NACIONAL DE EDUCACIÓN].Mousavi, S. M., & Beroza, G. C. (2022). Deep-learning seismology. Science, 377. https://doi.org/10.1126/science.abm4470.Ojeda, A., & Havskov, J. (2001). Crustal structure and local seismicity in Colombia. Journal of Seismology, 5 (4), https://doi.org/10.1023/A:1012053206408.Olabe, X. B. (1998). Redes neuronales artificiales y sus aplicaciones. Publicaciones de la Escuela de Ingenieros.Ortiz H., K. (2023, mayo). ¿Qué es más peligroso, un temblor superficial o uno profundo?Palacio, S. (2020). Machine-Learning Applied Methods. http://hdl.handle.net/10803/669286.Palmer, A., & Montaño, J. (1999). ¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adicciones. Adicciones, 11 (3), 243-255.Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.Quintana, B. (2021). Comparación entre regresión logística y perceptrón multicapa: Caso aplicado al conjunto de datos Pima Indian Database [Tesis doctoral, Universidad Autónoma del Estado de México]. http://hdl.handle.net/20.500.11799/111526.Ramos, C. (2021). Diseños de Investigación Experimental. CienciAmérica, 10 (1).Roy, R. (2006). Las réplicas del terremoto no son lo que parecían. LiveScience Managing Editor. http://hdl.handle.net/20.500.11799/111526.Salazar-Arbelaez, G. (2018). Terremotos y salud: lecciones y recomendaciones. Salud Pública de México, 60, 6. https://doi.org/10.21149/9445.Sampieri, R. H., Collado, C. F., & Lucio, P. B. (2014). Metodología de la Investigación (6a.). McGraw-Hill.Sears, F. W., Zemansky, M. W., Young, H. D., Vara, R. H., García, M. G., Gümes, E. R., Cook, P. M., & Benites, F. G. (1986). Física universitaria. Fondo Educativo Interamericano.Serrano, A., Soria, E., & Martín, J. (2009). Redes neuronales artificiales. Escuela Técnica Superior de Ingeniería, Curso de Doctorado, 15-19.Suárez, L. (2020, marzo). Localización del epicentro de un sismo.Tanco, F. (2003). Introducción a las redes neuronales artificiales. Grupo de Inteligencia Artificial, 4-4. Turcotte, D., & Schubert, G. (2014). Plate Tectonics. John Wiley Sons.VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O’Reilly Media, Inc.Vargas, J. (2021). Análisis de instrumentación sísmica y propuesta de mejora preventiva comparado con los países del cinturón de fuego del pacífico, Tacna-2021 [Tesis doctoral, Universidad Privada de Tacna].Vinard, N., Drijkoningen, G., & Verschuur, E. (2020). Real-data earthquake localization using convolutional neural networks trained with synthetic data. SEG Technical Program Expanded Abstracts 2020, 1576-1580. https://doi.org/10.1190/segam2020-3428107.1Vinuela, P. I., & Leon, I. M. G. (2003). Redes Neuronales Artificiales. Un enfoque practico.Vivas, H. (2014). Optimización en entrenamiento del perceptrón multicapa. Universidad del Cauca, Popayán.Yildirim, I., Waheed, U., Izzatullah, M., & Alkhalifah, T. (2022). Pinnhypo: Hypocenter Localization Using Physics Informed Neural Networks. 83rd EAGE Annual Conference Exhibition, 1-5. https://doi.org/10.3997/2214-4609.202210773.Zhou, B., & Greenhalgh, S. A. (2005). ‘Shortest path’ ray tracing for most general 2D/3D anisotropic media. Journal of Geophysics and Engineering, 2 (1), 54-63. https://doi.org/10.1088/1742-2132/2/1/008.spaORIGINALTrabajo de grado.pdfapplication/pdf3055737https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/196587d8-5e82-4dbe-b7fd-592b387ca33c/download6654025e5e004ca25c43dae9588cde6dMD55trueAnonymousREAD2027-07-06LICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/6b94c642-2d40-404d-962c-49e7ba814f04/download17cc15b951e7cc6b3728a574117320f9MD53falseAnonymousREADCarta de autorizacion.pdfapplication/pdf167770https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/7e5cbaeb-71d7-46dc-944b-d082b7af1ac2/download463129755a88a2c467c408640f111e1bMD56falseBiblioteca - (Publicadores)READAnexo 1 Acta de aprobacion.pdfapplication/pdf164172https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/61b6c6ef-85a6-40c5-a718-28085a24d06a/downloade21c9c1230840677ead0d55aaf373e75MD57falseBiblioteca - (Publicadores)READCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/14932b07-9476-4ccf-9866-2d575c641309/download5643bfd9bcf29d560eeec56d584edaa9MD54falseAnonymousREADTEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain102598https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/eaf7f1f6-b321-47e5-a2e0-8a14a2b31043/downloadb3ca3da2527d4413879c046a203d7c5cMD58falseAnonymousREAD2027-07-06THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg3575https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/3feeb1cf-1df3-488b-a381-68c5fd174056/download6badddd8abe8fb084132cc1274ac8eadMD59falseAnonymousREAD2027-07-0620.500.12495/14875oai:pruebas-update-repositorio-unbosque.cloudbiteca.com:20.500.12495/148752025-07-08T10:01:46.643Zhttp://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalembargo2027-07-06https://pruebas-update-repositorio-unbosque.cloudbiteca.comRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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

Estimación hipocentral sísmica somera en Colombia mediante diferencias de tiempo PS y aprendizaje automático

Publicaciones similares