LOW-MAGNITUDE SEISMIC DATA AUGMENTATION USING DEEP LEARNING. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) AmjadAlsulami_Thesis_File_2024.pdf - Updated Version Restricted to Repository staff only until 22 May 2025. Download (14MB)

Arabic Abstract

يعد اكتشاف الزلازل منخفضة القوة أمرًا ضروريًا لدراسة الأنشطة الزلزالية المختلفة. يتطلب تحديد الميزات ذات الصلة بحدث ذي ضوضاء هائلة المساعدة، حيث يفشل الكشف البصري غالبًا بسبب انخفاض نسبة الإشارة إلى الضوضاء. الأساليب الحالية لها قدرة محدودة على تحديد الأشكال الموجية السلبية لنسبة الإشارة إلى الضوضاء (SNR) وتعتمد على وضع العلامات اليدوية، مما يجعل التقاط الأحداث منخفضة الحجم أمرًا صعبًا. يقدم هذا العمل إطارًا توليديًا مشروطًا يعتمد على شبكة الخصومة التوليدية للمصنف المساعد (AC-GAN) لإنتاج بيانات أحداث اصطناعية واقعية منخفضة الحجم مع الحفاظ على الخصائص الفيزيائية لأشكال الموجات والميزات الزلزالية. نقوم بتدريب نموذجنا بشكل مشروط على النوافذ ذات الطول الثابت من مجموعة بيانات STEAD مع فئات SNR. يُنتج مولد AC-GAN أشكالًا موجية زلزالية اصطناعية مكونة من 3 مكونات. أجرينا تجارب واختبارات مختلفة لتقييم نتائجنا كميا ونوعيا. تشير النتائج التي توصلنا إليها إلى أن زيادة البيانات من الأشكال الموجية الاصطناعية الناتجة عن AC-GAN يمكن أن تعزز بشكل فعال خوارزميات الكشف عن الزلازل. من خلال تحديد الأحداث الزلزالية، نقوم بإجراء دراسة للمستخدم للحصول على تقييم بشري بصري. في جمع البيانات التجريبية لدينا، نظهر الإدراك البشري في بيئة تجريبية أثناء تقييم فعالية نتائج توليد AC-GAN. تشير هذه النتائج إلى أن النموذج يمكنه خداع البشر بصريًا في مهام الكشف عن الزلازل، وهو أمر واعد.

English Abstract

Detecting low-magnitude earthquakes is essential in studying various seismic activi- ties. Identifying relevant features of an event with massive noise requires help, as visual detection often fails due to a low signal-to-noise ratio. Existing methods have limited ability to identify negative SNR waveforms and rely on manual labeling, making cap- turing low-magnitude events challenging. This work presents a conditional generative framework based on an auxiliary classifier generative adversarial network (AC-GAN) to produce augmenting synthetic realistic low-magnitude event data while preserving the waveforms’ physical properties and seismic features. We conditionally train our model on fixed-length windows from the STEAD dataset with SNR classes. The AC-GAN generator produces synthetic 3-component seismic waveforms. We performed various experiments and tests to evaluate our results quantitatively and qualitatively. Our findings indicate that data augmentation from synthetic waveforms generated by AC- GAN can effectively enhance earthquake detection algorithms. By identifying seismic events (earthquakes), we conduct a user study to obtain a visual human evaluation. In our pilot data collection, we demonstrate human perception in an experimental setting while assessing the effectiveness of the AC-GAN generation outcomes. These results indicate that the model can deceive humans visually in earthquake detection tasks, which is promising.

Item Type:	Thesis (Masters)
Subjects:	Computer Earth Sciences
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Usman, Muhammad
Committee Members:	Niazi, Mahmood and Luqman, Hamzah and Mahmoud, Sherif
Depositing User:	AMJAD ALSULAMI (g202101130)
Date Deposited:	23 May 2024 11:42
Last Modified:	23 May 2024 11:42
URI:	http://eprints.kfupm.edu.sa/id/eprint/142873