Key points are not available for this paper at this time.
Resumo Dentro da sismologia, geologia, engenharia civil e estrutural, o aprendizado profundo (DL), especialmente por meio de redes adversariais generativas (GANs), representa uma maneira inovadora, envolvente e vantajosa de gerar dados sintéticos confiáveis que representam as características de amostras reais, proporcionando uma ferramenta útil de aumento de dados. De fato, em muitas aplicações práticas, obter um número significativo de informações de alta qualidade é desafiador. O aumento de dados é geralmente baseado em inteligência artificial (IA) e modelos de aprendizado de máquina orientados a dados. A abordagem de aumento de dados baseada em DL e GANs para gerar sinais sísmicos sintéticos revolucionou o atual paradigma de aumento de dados. Este estudo oferece uma revisão crítica do estado da arte, explicando pesquisas recentes sobre a geração sintética de sinais de movimento do solo ou eventos sísmicos com base em IA, além de fornecer uma visão abrangente sobre estudos geofísicos relacionados a sismos. Este estudo pode ser relevante, especialmente para as ciências da terra e planetárias, geologia e sismologia, exploração de petróleo e gás, e por outro lado, para avaliar a resposta sísmica de edifícios e infraestruturas, tarefas de detecção sísmica e aplicações gerais em engenharia estrutural e civil. Além disso, destacar os pontos fortes e limitações dos estudos atuais sobre aprendizado adversarial aplicado à sismologia pode ajudar a orientar os esforços de pesquisa nas direções mais promissoras no futuro.
Marano et al. (Terça,) estudaram esta questão.