Workshop Impacto de la Inteligencia Computacional en Chile

Transcripción

1 Worshop 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:

2 Reconocimiento de Patrones Sísmicos de los Volcanes. Dra. Millaray Curilem Dr. Fernando Huenupan Dr. Cesar San Martin Gustavo Fuentealba FACULTAD DE INGENIERÍA Y CIENCIAS. UNIVERSIDAD DE LA FRONTERA Luis Franco Carlos Cardona Daniel Basualto OBSERVATORIO VULCANOLÓGICO DE LOS ANDES SUR Dr. Néstor Becerra DPTO. INGENIERÍA ELÉCTRICA. UNIVERSIDAD DE CHILE Dr. Max Chacón Dr. Gonzalo Acuña DPTO. DE INGENIERÍA INFORMÁTICA. UNIVERSIDAD DE SANTIAGO

3 Contenidos 1. Problema 2. Propuesta 3. Metodología 4. Resultados 5. Conclusiones Volcán Llaima Volcán 2009 Llaima Fuente: Fuente:

4 Problema Volcán Villarrica 2015 Fuente:

5 Problema

6 Problema

7 Problema : las señales TR Paso de fluido por los ductos LP Paso brusco de fluido por los ductos VT Quiebre de roca dentro de la estructura TC: Tectónicos locales o remotos HY: Híbridos OT: Cualquier otra lectura

8 Problema

9 Problema

10 Propuesta Volcán Puyehue - Cordón Caulle 2011 Fuente:

11 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

12 Propuesta

13 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

14 Propuesta Las principales ventajas podrían ser: - Ahorra tiempo - Mejora la confiabilidad - Aúna criterios de clasificación - Apoya el procesamiento avanzado Señales sísmicas del volcán Identificación de los eventos

15 Metodología Volcán Calbuco

16 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

17 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.

18 Metodología 1.- Implementación de un Catálogo de señales del Volcán.

19 Metodología 2.- Definición de un Catálogo de las características de las señales del Volcán. Nº Feature Name Nº Feature Name 1 Moment 1 M1 12 Energy 0-50 Hz Es 2 Moment 2 M bands energy sum Ex 3 Moment 3 M3 14 Maximum amplitude AMAX 4 Variance var 15 Mean MEAN 5 Asymmetry y1 16 Median MDN 6 Elevation y freq. peas mean Propf 7 Energy 0.1-1,56 Hz Ea4 18 LTA/STA LTA/STA 8 Energy 1,56-3,125 Hz Ed4 19 Log of the variance Lvar 9 Energy 3,125-6,25 Hz Ed3 20 Sewness SKW 10 Energy 6,25-15,5 Hz Ed2 21 Kurtosis KURT 11 Energy 12,5-25 Hz Ed1 22 Pitch PITCH

20 Metodología 3.- Implementación de un Sistema de Identificación de eventos. Señales sísmicas Sismo recortado Detección ruido Clasificación Clase de sismo: -VT -LP -TR -otros

21 Clasificación Volcán Tupungatito

22 Clasificación Mapear un conjunto de variables de entrada (x 1, x 2, x d ) en un conjunto de variables de salida (y 1, y 2, y c ) 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: y =f(x;w) donde w denota el vector de coeficientes. f es la función que debe ser aproximada.

23 Máquinas de Vectores Soporte (SVM) (Como Clasificador)

24 Plano de separación con margen máximo Encontrar la ecuación del plano que maximice el margen. w T x b 0 Clase 1 Clase 2 Margen

25 Plano de separación con margen blando Margen

26 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

27 N b x w y a s c w w T N T w b 1,..., 0,, 1 ) ( min 1,, N b x w y c w w w b L N N T N T ; 1 ) ( 2 1 ),,,, ( Problema primal: Problema dual: Planteamiento del problema primal y dual para el caso no lineal.. Clasificación Función Objetivo

28 N b x w y c w w w b L N N T N T ; 1 ) ( 2 1 ),,,, ( Problema dual: Resolución del problema dual para el caso no lineal.. Clasificación ) ( N N c L y b L x y w w L N N N N b x w y T 1,..., 0 1,..., 0 1,..., 0 1,..., 0 1 ) ( Problema de Optimización: (KKT Conditions) L w

29 Ajuste de hiperparámetros: grid search method. c = 2 A donde Aε [ 5: 1: 15] σ = 2 S donde S ε [ 15: 1: 10] φ(x i ) φ(x j ) = exp( x i x j 2 ) 2σ 2 Se utiliza el ernel RBF N b x w y a s c w w T N T w b 1,..., 0,, 1 ) ( min 1,, Clasificación ) ) ( sgn( ) ( ˆ * b x w x f

30 Clasificación Support Vector Machine (SVM) Estructura de clasificación: one versus all 30

31 Clasificación Indices de rendimiento: Sensibilidad (Se), Especificidad (Sp), Se = TP TP+FN ; Sp = Exactitud (Ex) TN TN+FP Error (Er) TP+TN ; Ex = ; Er = FP+FN n 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

32 Metodología 5.- Validación del Sistema de Identificación de eventos.

33 Metodología 4.-Caracterización del ruido y trabajo en línea.

34 Resultados Volcán Calbuco

35 Resultados

36 Resultados

37 Resultados Interface de búsqueda manual de señales

38 Resultados Interface de Revisión

39 Resultados Tabla Histórica

40 Resultados Interface de Evaluación

41 Resultados 41

42 Resultados 42

43 Resultados 43

44 Resultados 44

45 Conclusiones Volcán Osorno

46 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

47 Reconocimiento de Patrones Sísmicos de los Volcanes. Dra. Millaray Curilem Universidad de La Frontera