Clustering No Supervisado siamesa para eliminar la incertidumbre en el etiquetado de señales microsísmicas

El etiquetado de grandes conjuntos de datos sísmicos es un problema desafiante. Actualmente, los métodos más favorecidos por los geocientíficos se basan en propiedades geofísicas bien conocidas, con los selectores de relación STA/LTA que siguen siendo muy confiables para generar resultados que pueden ser rápidamente atribuidos debido a su capacidad para detectar eventos con una relación señal-ruido (SNR) relativamente alta con alta velocidad y precisión. Nuestro objetivo es mejorar la capacidad de los métodos de aprendizaje profundo mediante el clustering no supervisado de eventos, lo que puede ayudar a identificar visualmente resultados como pertenecientes a un cierto clúster con alta confianza sin necesidad de un procesamiento evento por evento. A partir de nuestro trabajo anterior, utilizamos un modelo siamés entrenado con etiquetas conocidas de un conjunto de datos de código abierto, mostramos su rendimiento como clasificador y luego ampliamos el método mostrando el agrupamiento de eventos, donde un experto puede tener alta confianza de que ciertos eventos están correctamente identificados, o requieren una evaluación adicional.