Вестник КРАУНЦ. Физ.-мат. науки. 2024.Т. 47. №2. C. 75 — 94. ISSN 2079-6641

ИНФОРМАЦИОННЫЕ И ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ
https://doi.org/10.26117/2079-6641-2024-47-2-75-94
Научная статья
Полный текст на русском языке
УДК 550.8; 004.8; 004.93

Содержание выпуска

Read English Version

Обработка и подготовка данных наблюдений в интересах выделения особенностей динамики характеристик геоакустической эмиссии

Ю.И. Сенкевич^\ast

Институт космофизических исследований и распространения радиоволн ДВО РАН, 684034, Камчатский край, Елизовский район, с. Паратунка, ул. Мира, 7, Россия

Аннотация. Деформация литосферного слоя под действием сейсмических процессов изменяет характеристики геоакустической эмиссии. Изучение особенностей динамики геоакустической эмиссии направлено на поиск признаков предсейсмических событий. Существует проблема качественной обработки сигналов геоакустической эмиссии и классификации получаемых результатов. Исследование направлено на поиск лучшей комбинации средств предобработки и кластеризации импульсного потока геоакустической эмиссии для выделения особенностей изменчивости характеристик такого сигнала. Обрабатываемые сигналы получены в ходе многолетних измерений в поверхностных слоях литосферы сейсмоактивного района Камчатского полуострова. Для выявления особенностей изменчивости характеристик сигналов геоакустической эмиссии осуществляется их структурно-лингвистическое преобразование в трехмерные отображения. Отображения обрабатываются, сравниваются и кластеризуются с применением сверточных нейроных сетей различной архитектуры. Лучший результат оценивается по трем подобранным критериям качества. Разработана методика поиска лучшего результата предобработки и кластеризации отображений. Представлен анализ результатов экспериментов.

Ключевые слова: обработка сигналов, распознавание образов, кластерный анализ, геоакустическая эмиссия, динамика характеристик сигнала, нейронные сети

Получение: 05.07.2024; Исправление: 06.08.2024; Принятие: 22.08.2024; Публикация онлайн: 25.08.2024

Для цитирования. Сенкевич Ю.И. Обработка и подготовка данных наблюдений в интересах выделения особенностей динамики характеристик геоакустической эмиссии // Вестник КРАУНЦ. Физ.-мат. науки. 2024. Т. 47. № 2. C. 75-94. EDN: ETBXVH. https://doi.org/10.26117/2079-6641-2024-47-2-75-94.

Финансирование. Работа выполнена за счет Государственного задания институте космофизических исследований и распространения радиоволн Дальневосточного отделения РАН (рег. № темы 124012300245-2).

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответственность. Автор участвовал в написании статьи и полностью несет ответственность за предоставление окончательной версии статьи в печать.

^\astКорреспонденция: E-mail: senkevich@ikir.ru

Контент публикуется на условиях Creative Commons Attribution 4.0 International License

© Сенкевич Ю.И., 2024

© ИКИР ДВО РАН, 2024 (оригинал-макет, дизайн, составление)

Список литературы

  1. Марапулец Ю. В. и др. Комплексный анализ акустических и электромагнитных сигналов для оценки уровня сейсмической опасности, Учебное пособие для студентов, обучающихся по специальности 011200 – геофизика., Т. 2 (Сейсмология). Владивосток: Дальнаука, 2020. 120 с.
  2. Гапеев М. И., Марапулец Ю.В.Моделирование зон относительных сдвиговых деформаций перед сильными землетрясениями на Камчатке, произошедшими в период 2018-2021 гг, Вестник КРАУНЦ. Физ.-мат. науки., 2021. Т. 37, №4, С. 53-66 DOI: 10.26117/2079-6641-2021-37-4-53-66.
  3. Senkevich Yu. I. Search for Hidden Patterns in Acoustic and Electromagnetic Pulse Signals, IEEE, 2020 DOI: 10.1109/SCM50615.2020.9198754.
  4. Сенкевич Ю.И., Луковенкова О. О., Солодчук А. А. Методика формирования Реестра геофизических сигналов на примере сигналов геоакустической эмиссии, Геосистемы переходных зон, 2018. Т. 2, С. 409-418 DOI: 10.30730/2541-8912.2018.2.4.409-418.
  5. Сенкевич Ю.И. и др. Способ обнаружения комплексного предвестника землетрясений, пат. 2758582, Рос. Федерация G01V 11/00, G01V 1/00, G01V 3/12 (ФГБУН ИКИР ДВО РАН. № 2020138668; 26.11.2020, Бюл. № 31. 9 с.).
  6. Сенкевич Ю. И., Мищенко М. А. Методика оценки состояния приповерхностных осадочных пород по результатам наблюдений динамических характеристик геоакустической эмиссии, Вестник КРАУНЦ. Физ.-мат. науки, 2023. Т. 45, №4, С. 109-121, DOI: 10.26117/2079-6641-2023-45-4-109-121.
  7. Мищенко М.А., Сенкевич Ю.И., Щербина А.О. Современные методы обработки и анализа импульсных геофизических сигналов, Вестник КРАУНЦ. Физ.-мат. науки, 2022. Т. 41, №4, С. 120-136 DOI: 10/26117/2079-6641.
  8. Senkevich Yu., Marapulets Yu., Lukovenkova O., Solodchuk A.Technique of informative features selection in geoacoustic emission signals, SPIIRAS, 2022. vol. 18, no. 5, pp. 1066-1092 DOI: 10.1051/e3sconf/201912702005.
  9. Senkevich Yu. I. Auto clustering of the variety of pulse signals based on their symbolic description, 2019. vol. 19 / E3S Web of Conferences, pp. 14.
  10. Yang Z., Algesheimer R., Tessone C. J. A Comparative Analysis of Community Detection Algorithms on Artificial Networks https://www.nature.com/articles/srep30750.
  11. Keras library https://keras.io/why-this-name-keras.
  12. Марков Л. С. Теоретико-методологические основы кластерного подхода. Новосибирск: ИЭОПП СО РАН, 2015. 300 с.
  13. Альсова О. К. Алгоритмы кластеризации разнотипных данных на примере решения медицинской задачи, 2014. Т. 6, №37, С. 156-169 https://doi.org/10.15622/sp.37.10.
  14. Milewski P. PCA decomposition and Keras neural network, https://www.kaggle.com/code/pmmilewski/pca-decomposition-and-keras-neural-network.
  15. Keras 3 API documentation / Keras Applications / VGG16 and VGG19 https://keras.io/api/applications/vgg/.
  16. The Keras Blog https://blog.keras.io/building-autoencoders-in-keras.html.
  17. AskPhython https://www.askpython.com/python-modules/keras-metrics.
  18. GeekforGeek https://www.geeksforgeeks.org/clustering-performance-evaluation-in-scikit-learn.
  19. Calinski harabasz score scikit-learn developers https://scikitlearn. org/stable/modules/generated/sklearn.metrics.calinski-harabasz-score.html.
  20. GeekforGeek https://www.geeksforgeeks.org/dunn-index-and-db-index-cluster-validity–indices-set-1/.
  21. Senkevich Yu. I, Duke V. A., Mishchenko M. A., Solodchuk A. A. Information approach to the analysis of acoustic and electromagnetic signals, E3S Web of Conferences, 2017. vol. 20, no. 02012, pp. 9 DOI:10.1051/e3sconf/2017200201.

Информация об авторе

Сенкевич Юрий Игоревич – доктор технических наук, доцент, ведущий научный сотрудник, Лаборатории акустических исследований, Институт космофизических исследований и распространения радиоволн ДВО РАН, Паратунка, Россия, ORCID 0000-0003-0875-6112.

Читать статьюСкачать статью