Abstract
<jats:p>У статті досліджено процес автоматизованої детекції та класифікації сейсмічних подій у реальному часі. Сейсмічний моніторинг є критично важливим завданням для забезпечення безпеки населення, інфраструктури та раннього попередження про землетруси. Сучасні сейсмологічні мережі генерують великі обсяги безперервних даних, що надходять від сотень сейсмічних станцій. Процес прийняття рішень щодо ідентифікації та класифікації сейсмічних подій потребує неперервної обробки різноманітних сигналів, які характеризуються високим рівнем шуму, варіативністю форм хвиль та складною геологічною структурою середовища поширення. Для вирішення цього технічного завдання необхідно розв'язати наукову задачу, яка полягає в розробці спеціального програмного математичного забезпечення (СПМЗ) на основі застосування методів машинного навчан- ня, а саме глибоких нейронних мереж, яке б було спроможне врахувати багатофакторні характеристики сейсмічних сигналів та забезпечити автоматизовану детекцію фази приходу P- та S-хвиль і класифікацію типу сейсмічної події (тектонічний землетрус, вибух, шум). Метою статті є розробка моделі СПМЗ, що поєднує методи цифрової обробки сейсмічних сигналів із глибокою згортковою нейронною мережею (CNN) та рекурентною нейронною мережею з механізмом уваги (Attentionbased BiLSTM) для забезпечення високоточної детекції та класифікації сейсмічних подій у режимі реального часу з мінімальною затримкою. У статті на основі аналізу факторів, що впливають на якість детекції та класифікації сейсмічних подій, запропоновано СПМЗ, яке дозволило досягти мети дослідження. У його складі застосовано гібридну нейронну мережу, навчання якої проведено на основі еталонних сейсмологічних каталогів та безперервних записів сейсмічних станцій</jats:p>