Reentrenamiento del modelo de redes neuronales profundas (PhaseNet) con datos sismológicos locales para optimizar la detección de sismos en Argentina

Abstract

La presente línea de investigación tiene como objetivo el desarrollo, adaptación e implementación del modelo de redes neuronales profundas PhaseNet para la detección automática de fases sísmicas, mediante su reentrenamiento utilizando datos provenientes de catálogos sismológicos argentinos. PhaseNet es un modelo basado en redes neuronales convolucionales profundas diseñado para identificar automáticamente los tiempos de arribo de ondas sísmicas a partir de registros continuos, demostrando un alto nivel de precisión en comparación con métodos tradicionales. Dado que el modelo original ha sido entrenado con datos internacionales, su desempeño puede verse afectado por diferencias regionales en condiciones geológicas, instrumentación y niveles de ruido. En este contexto, el reentrenamiento con datos locales constituye una estrategia adecuada para mejorar su adaptación a las características específicas de las señales regionales. El trabajo contempla la preparación de datos, el reentrenamiento del modelo mediante técnicas de transferencia de aprendizaje y su posterior implementación como microservicios dentro de una arquitectura distribuida. Esta línea de investigación tiende a la futura integración de modelos de aprendizaje profundo en sistemas distribuidos para el procesamiento automático de datos sismológicos.