Video Experimental Relacionado
Updated: Jan 7, 2026
Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
Red neuronal convolucional de ondículas para la predicción de fallas en datos sísmicos de minas de carbón
Guangui Zou1, Chengyang Han2, Hen-Geul Yeh3
1State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources, China University of Mining and Technology-Beijing, Beijing, 100083, China.
Una nueva Red Neuronal Convolucional de Ondículas (W-CNN) mejora la identificación de fallas sísmicas al integrar transformadas discretas de ondículas con CNN. Este enfoque mejora la precisión y la eficiencia para la prevención de geopeligros y la exploración de recursos.
Área de la Ciencia:
- Geofísica
- Inteligencia Artificial
- Procesamiento de Señales
Sus antecedentes:
- La identificación de fallas sísmicas es crucial para la exploración de recursos y la prevención de geopeligros.
- Los métodos convencionales están limitados por la interpretación subjetiva y la ineficiencia.
- Las redes neuronales convolucionales (CNN) existentes pasan por alto las características de frecuencia multiescala, lo que afecta la precisión.
Objetivo del estudio:
- Introducir una novedosa Red Neuronal Convolucional de Ondículas (W-CNN) para mejorar la identificación de fallas sísmicas.
- Abordar las limitaciones de los métodos convencionales y las CNN estándar para capturar información espacio-frecuencial.
- Desarrollar un sistema automatizado de detección de fallas sísmicas preciso y eficiente.
Principales métodos:
- Fusión arquitectónica de transformadas discretas de ondículas (DWT) con CNN, creando un paradigma de aprendizaje espacio-frecuencial.
- Incrustación de bancos de filtros de ondículas de Haar con conexiones residuales entre escalas dentro de la arquitectura W-CNN.
- Desarrollo de variantes de W-CNN (W-CNN R1, R2, R3) para la evaluación del rendimiento.
Principales resultados:
- La W-CNN R3 logró una precisión del 90,0% y una puntuación F1 del 90,3% en conjuntos de datos de minas de carbón, superando a las CNN convencionales hasta en un 12,3%.
- El modelo demostró una tasa de detección del 93,8% para microfallas complejas y una recuperación superior (95,5%).
- La W-CNN mostró una reducción del 21% en parámetros, una convergencia más rápida, supresión de ruido y aceleración del procesamiento 3D.
Conclusiones:
- El marco W-CNN propuesto ofrece un paradigma eficaz de aprendizaje espacio-frecuencial para la identificación de fallas sísmicas.
- Este enfoque mejora significativamente la precisión, la eficiencia y la capacidad predictiva de las discontinuidades geológicas, especialmente las de pequeña escala.
- La W-CNN proporciona una solución extensible para la interpretación geológica inteligente y la monitorización de la seguridad minera.
