1. No category

Workshop Impacto de la
Inteligencia Computacional
en Chile
Organiza:
IEEE Sociedad de Inteligencia Computacional
Capítulo Chileno
Viernes, 6 de Noviembre de 2015, 09:00 hs - 13:00 hrs
Auditorium, Departamento de Ingeniería Eléctrica
Av. Ecuador 3659, Universidad de Santiago de Chile
Inscripciones:
http://bit.ly/WorkshopInteligenciaComputacional
Reconocimiento de Patrones
Sísmicos de los Volcanes.
Dra. Millaray Curilem
Dr. Fernando Huenupan
Dr. Cesar San Martin
Gustavo Fuentealba
Luis Franco
Carlos Cardona
Daniel Basualto
FACULTAD DE INGENIERÍA
Y CIENCIAS.
OBSERVATORIO
VULCANOLÓGICO DE
LOS ANDES SUR
UNIVERSIDAD DE LA
FRONTERA
Dr. Néstor Becerra
Dr. Max Chacón
Dr. Gonzalo Acuña
DPTO. INGENIERÍA
ELÉCTRICA.
DPTO. DE INGENIERÍA
INFORMÁTICA.
UNIVERSIDAD DE
CHILE
UNIVERSIDAD DE
SANTIAGO
Contenidos
1.
2.
3.
4.
5.
Problema
Propuesta
Metodología
Resultados
Conclusiones
Volcán Llaima
2009
Volcán
Llaima
Fuente: www.sernageomin.cl
2009
Fuente: www.sernageomin.cl
Problema
Volcán Villarrica
2015
Fuente: www.adnradio.cl
Problema
Problema
Problema : las señales
LP
Paso brusco de fluido
por los ductos
TR
VT
Paso de fluido por
Quiebre de roca dentro
los ductos
de la estructura
TC: Tectónicos locales o remotos
HY: Híbridos
OT: Cualquier otra lectura
Problema
Problema
Propuesta
Volcán Puyehue - Cordón Caulle
2011
Fuente: www.sernageomin.cl
Propuesta
Generar una plataforma de gestión asistida
por computador que automatice la
identificación de eventos sísmicos para
apoyar la vigilancia del volcán Llaima.
PLATAFORMA
Módulo de
Identificación
Automática
de eventos
Módulo de
Gestión
de Señales
Módulo de
Procesamiento de
Señales
I
N
T
E
R
F
A
C
E
Interface amigable
Analista de
OVDAS
Propuesta
Propuesta
Objetivo :
Generar un criterio uniforme
que automatice la identificación
de eventos sísmicos y organice
las señales sísmicas, mediante el
desarrollo de una plataforma de
gestión asistida por computador
para apoyar la vigilancia del
volcán Llaima.
Señales sísmicas del volcán
Identificación de los eventos
Propuesta
Señales sísmicas del volcán
Las principales ventajas podrían ser:
- Ahorra tiempo
- Mejora la confiabilidad
- Aúna criterios de clasificación
- Apoya el procesamiento avanzado
Identificación de los eventos
Metodología
Volcán Calbuco
2015
http://www.t13.cl
Metodología
Plataforma de Gestión y Procesamiento de Señales
Sísmicas de los volcanes
PLATAFORMA
Módulo de
Identificación
Automática
de eventos
Módulo de
Gestión
de Señales
Módulo de
Procesamiento de
Señales
I
N
T
E
R
F
A
C
E
Metodología
1.- Implementación de un Catálogo de señales del Volcán.
2.- Definición de un Catálogo de las características de las
señales del Volcán.
3.- Implementación de un Sistema de Identificación de eventos.
4.-Caracterización del ruido.
5.-Validación del Sistema de Identificación.
6.- Desarrollo de la Plataforma de Gestión de señales sísmicas.
7.-Validación de la Plataforma.
Metodología
1.- Implementación de un Catálogo de señales del Volcán.
Metodología
2.- Definición de un Catálogo de las características de las
señales del Volcán.
Feature
Name
Nº
Feature
Name
1
2
3
4
5
6
7
8
Moment 1
M1
M2
M3
var
y1
y2
Ea4
Ed4
12
13
14
15
16
17
18
19
Energy 0-50 Hz
Es
Ex
AMAX
MEAN
MDN
Propf
LTA/STA
Lvar
9
10
11
Energy 3,125-6,25 Hz
Ed3
Ed2
Ed1
20
21
22
Skewness
Nº
Moment 2
Moment 3
Variance
Asymmetry
Elevation
Energy 0.1-1,56 Hz
Energy 1,56-3,125 Hz
Energy 6,25-15,5 Hz
Energy 12,5-25 Hz
5 bands energy sum
Maximum amplitude
Mean
Median
5 freq. peaks mean
LTA/STA
Log of the variance
Kurtosis
Pitch
SKW
KURT
PITCH
Metodología
3.- Implementación de un Sistema de Identificación de eventos.
Señales
sísmicas
Detección
Sismo
recortado
ruido
Clasificación
Clase de sismo:
-VT
-LP
-TR
-otros
Clasificación
Volcán Tupungatito
www.sernageomin.cl
Clasificación
• Mapear un conjunto de variables de entrada (x1, x2, … xd)
en un conjunto de variables de salida (y1, y2, …yc) que
representan la etiqueta de una clase.
• Se desea aproximar la probabilidad de pertenencia a
una clase.
• El modelamiento matemático se realiza mediante la
fórmula:
yk =f(x;w)
donde
w denota el vector de coeficientes.
f es la función que debe ser aproximada.
Máquinas de Vectores Soporte (SVM)
(Como Clasificador)
Plano de separación con margen máximo
Encontrar la ecuación del plano que maximice el margen.
Clase 1
Clase 2
Margen
wT x  b  0
Plano de separación con margen blando
3
1
Margen
2
Plano no lineal de separación
El “Truco” del Kernel
¿Cómo aplicar el método
anterior a este caso?
Los datos se proyectan hacia
un espacio de mayor
dimensión mediante ciertas
funciones Kernel
Clasificación
Planteamiento del problema primal
y dual para el caso no lineal.
.
Problema primal:
N
1 T

min  w w  c  k 
w,b , 2
k 1


s.a.
yk wT  ( xk )  b  1   k ,


 k  0,
k  1,..., N
Función Objetivo
Problema dual:
 


N
N
N
1 T
T
L( w, b,  ,  ,  )  w w  c  k    k yk w  ( xk )  b  1   k    k  k
2
k 1
k 1
k 1
 k  0;  k  0
k  1...N
Clasificación
Resolución del problema dual
para el caso no lineal.
.
Problema dual:
 


N
N
N
1 T
T
L( w, b,  ,  ,  )  w w  c  k    k yk w  ( xk )  b  1   k    k  k
2
k 1
k 1
k 1
 k  0;  k  0
k  1...N
L

Problema de Optimización: (KKT Conditions)
N
 L
 w  0  w    k yk ( xk )
k 1

N
 L
 0    k yk  0

k 1
 b
 L  0 
c  k  k  0
 
 k
 


 k yk wT  ( xk )  b  1   k  0

 k k  0


k  0


k  0
k  1,..., N
k  1,..., N
k  1,..., N
k  1,..., N
w
Clasificación
1 T

min  w w  c  k 
w,b , 2
k 1


s.a.
yk wT  ( xk )  b  1   k ,
Se utiliza el kernel RBF
N


 k  0,
k  1,..., N
exp(− 𝑥𝑖− 𝑥𝑗
𝜑(𝑥𝑖 ) ∙ 𝜑(𝑥𝑗 ) =
2𝜎 2
2
)
Ajuste de hiperparámetros: “grid search method”.
• 𝑐 = 2 𝐴 𝑑𝑜𝑛𝑑𝑒 𝐴𝜖 [−5: 1: 15]
• 𝜎 = 2𝑆 𝑑𝑜𝑛𝑑𝑒 𝑆 𝜖 [−15: 1: 10]
fˆ ( x )  sgn( w *   ( x )  b)
Clasificación
• Support Vector Machine (SVM)
Estructura de clasificación: “one versus all”
30
Clasificación
Indices de rendimiento:
𝑆𝑒 =
𝑇𝑃
;
𝑇𝑃+𝐹𝑁
Sensibilidad (Se),
Exactitud (Ex)
𝑆𝑝 =
𝑇𝑁
;
𝑇𝑁+𝐹𝑃
𝐸𝑥 =
Especificidad (Sp),
Error (Er)
𝑇𝑃+𝑇𝑁
;
𝑛
𝐸𝑟 =
𝐹𝑃+𝐹𝑁
𝑛
donde
• TP (true positives): number of events correctly classified as positive
•
•
•
•
TN (true negatives): number of events correctly classified as negative
FP (false positives): number of events classified erroneously as positive
FN (false negatives): number of events classified erroneously as negative
n: total number of events.
31
Metodología
5.- Validación del Sistema de Identificación de eventos.
Metodología
4.-Caracterización del ruido y trabajo en línea.
Resultados
Volcán Calbuco
2015
http://www.sernageomin.cl
Resultados
Resultados
Resultados
Interface de búsqueda manual de señales
Resultados
Interface de Revisión
Resultados
Tabla Histórica
Resultados
Interface de Evaluación
Resultados
41
Resultados
42
Resultados
43
Resultados
44
Conclusiones
Volcán Osorno
http://www.sernageomin.cl
Conclusiones
-
Transferencia Tecnológica
Aporte de tipo “Interés Público”
Resultados muy promisorios
Relevancia del trabajo con los expertos
Relevancia de trabajo en equipos (Proyecto Anillo y
Colaboración con otras universidades)
- Proyecto estimulante: el equipo cuenta con 10 estudiantes
- Trabajos futuros…
Reconocimiento de Patrones
Sísmicos de los Volcanes.
Dra. Millaray Curilem
Universidad de La Frontera
[email protected]