Hasil Awal Penentuan Waktu Tiba Gelombang-P Gempa Menggunakan Machine Learning

  • Yosua H Lumban Gaol Faculty of Exploration and Production Technology, University of Pertamina
  • Sandy K Suhardja Faculty of Exploration and Production Technology, University of Pertamina

Keywords

Auto-picking, Gelombang P, Teleseismik, Artificial neural network

Abstract

Seiring dengan bertambahnya data seismik, dibutuhkan pula inovasi untuk mempercepat proses penentuan waktu tiba gelombang seismik. Pada penelitian ini digunakan metode artificial neural network untuk menentukan waktu tiba gelombang P dari data teleseismik secara otomatis, dengan hasil yang mirip dan mendekati saat picking gelombang secara manual. Atribut yang digunakan adalah STA/LTA dan amplitudo sesaat (envelope) yang digunakan sebagai parameter input. STA/LTA digunakan untuk memperjelas kontras antara sinyal gempa dan noise, dengan menghitung rata-rata dari rasio amplitudo dari dua jendela window yang bergerak. Envelope menggunakan transformasi Hilbert untuk menghasilkan complex seismic trace untuk menghitung atribut envelope. Untuk melihat performa dari model yang dibuat dilakukan perhitungan deviasi, dengan melakukan prediksi pada data sintetik, kemudian dilakukan prediksi pada data real. Deviasi rata-rata yang dihasilkan adalah 0.355 detik, kemungkinan angka yang didapatkan ini diakibatkan oleh pola-pola kompleks dari atribut yang digunakan. Hasil studi ini menunjukkan bahwa input signal teleseismic event pada  STA/LTA dan envelope pada algoritma ANN memiliki kinerja yang mendekati dengan observer dalam membedakan waktu tiba gelombang P.

References

Agius, M. R. (2007). Automatic Earthquake Detection and Localisation from a Three-Component Single-Station. M. Sc. diss., University of Malta, Malta.
Allen, R. V. (1978). Automatic Earthquake Recognition and Timing from Single Traces. Bulletin of the Seismological Society of America, 68(5), 1521-1532.
Al-Mashhor, A. A., Al-Shuhail, A. A., Hanafy, S. M., & Mousa, W. A. (2019). First Arrival Picking of Seismic Data Based on Trace Envelope. IEEE Access, 7, 128806-128815.
Aminzadeh, F., Katz, S., & Aki, K. (1994). Adaptive Neural Nets for Generation of Artificial Earthquake Precursors. IEEE Transactions on Geoscience and Remote Sensing, 32(6), 1139-1143.
Aminzadeh, F., Maity, D., Tafti, T. A., & Brouwer, F. (2011). Artificial neural network based autopicker for micro-earthquake data. In SEG Technical Program Expanded Abstracts 2011 (pp. 1623-1626). Society of Exploration Geophysicists.
Bormann, P., Klinge, K., & Wendt, S. (2009). Data analysis and seismogram interpretation. In New manual of seismological observatory practice (NMSOP) (pp. 1-102). Deutsches GeoForschungsZentrum GFZ.
Grigoli, F., Cesca, S., Amoroso, O., Emolo, A., Zollo, A., & Dahm, T. (2014). Automated seismic event location by waveform coherence analysis. Geophysical Journal International, 196(3), 1742-1753.
Taner, M.T., Koehler, F., and Sheriff, R.E. (1979). Complex seismic trace analysis, Geophysics, 44, 1041-1063.
Trnkoczy, A. (2012). Understanding and parameter setting of STA/LTA trigger algorithm. In New Manual of Seismological Observatory Practice (NMSOP) (pp. 1-20). Deutsches GeoForschungsZentrum GFZ.
Published
Oct 8, 2022
How to Cite
GAOL, Yosua H Lumban; SUHARDJA, Sandy K. Hasil Awal Penentuan Waktu Tiba Gelombang-P Gempa Menggunakan Machine Learning. Jurnal Geofisika, [S.l.], v. 20, n. 2, p. 76 - 80, oct. 2022. ISSN 2477-6084. Available at: <https://jurnal-geofisika.or.id/index.php/jurnal-geofisika/article/view/538>. Date accessed: 05 dec. 2022. doi: http://dx.doi.org/10.36435/jgf.v20i2.538.