Integración de redes neuronales de grafos y análisis de redes complejas para el pronóstico de eventos sísmicos en Colombia

Los terremotos se consideran una catástrofe, no dan tiempo suficiente para reaccionar y tomar precauciones, por lo que generan víctimas y daños en la infraestructura. En los últimos años ha habido un creciente interés investigativo en el pronóstico de terremotos aplicando aprendizaje automático y redes neuronales que han obtenido resultados asombrosos. Este trabajo aborda el problema de pronóstico de terremotos con una aplicación de Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM por sus siglas en inglés) y Redes Neuronales de Grafos (GNN por sus siglas en inglés) a eventos sísmicos históricos de Colombia, obtenidos mediante el Servicio Geológico de los Estados Unidos (USGS por sus siglas en inglés), integrando propiedades de redes complejas tales como centralidad del grado (degree centrality), centralidad de vector propio (eigenvector centrality) y PageRank. Se analizó el catálogo de eventos sísmicos y se construyeron redes complejas seleccionando una ventana de eventos, teniendo como objetivo encontrar la característica siguiente en el tiempo. Además entrenamos múltiples redes neuronales LSTM y GNN con ajuste de hiper parámetros mediante la librería Ray Tune encontrando una diferencia bastante marcada en los resultados, obteniendo mejores métricas de clasificación con el modelo GNN.

• Autores: Giraldo Alegría, Santiago
• Fecha de publicación: 2023
• Institución: Universidad del Valle
• Repositorio: Repositorio Digital Univalle
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.univalle.edu.co:10893/38880
• Acceso en línea: https://hdl.handle.net/10893/38880
• Palabra clave: Sismografía; Movimientos sísmicos; Redes neuronales (computadores); Red neuronal de grafos (GNN); Análisis de redes complejas; Medidas preventivas
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-nd/4.0/