Perpustakaan Digital ITB

Penelitian ini mengaplikasikan metodologi otomatisasi untuk penentuan fase gelombang seismik, khususnya gelombang P dan S pada data mikroseismik tambang bawah tanah. Tantangan utama dalam data mikroseismik tambang bawah tanah adalah volume data yang besar, yang jika diproses secara manual dapat menghambat efisiensi analisis data. Untuk mengatasi masalah ini, pendekatan deep learning dengan model PhaseNet diterapkan untuk meningkatkan efisiensi dan akurasi identifikasi fase gelombang secara otomatis. Selain itu, dilakukan picking ulang pada setiap waveform event mikroseismik untuk meningkatkan kualitas labelling saat tahap training. Mengingat keterbatasan data, metode transfer learning digunakan untuk mengatasi hal ini. Penelitian ini mengusulkan dua skema model: transfer learning dengan pretrained models dan transfer learning dengan freezing layer, yang dirancang untuk menangani keragaman data seismik. Pada skema pertama, pretrained model GEOFON menunjukkan performa terbaik pada data pelatihan dengan F1 score 0.95 untuk fase P dan 0.91 untuk fase S. Namun, performa pada data uji menurun signifikan, dengan F1 score hanya mencapai 0.40 untuk fase P dan 0.36 untuk fase S. Pada skema kedua, pretrained model ETHZ dengan freezing layer ke-1 memberikan hasil terbaik pada data pelatihan dengan F1 score 0.85 untuk fase P dan 0.83 untuk fase S, sementara pada data uji, model ini memperoleh F1 score 0.44 untuk fase P dan 0.41 untuk fase S. Penurunan performa pada data uji kemungkinan disebabkan oleh overfitting dan perbedaan karakteristik antara data pretrained dengan data mikroseismik tambang bawah tanah. Secara keseluruhan, transfer learning dengan pretrained model GEOFON terbukti efektif dalam otomatisasi identifikasi fase gelombang pada data mikroseismik tambang bawah tanah.