Herramientas de aprendizaje automático para magnetotelúrica
- Autores
- Montenegro, Simón
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Zyserman, Fabio Iván
Elias, Matías Walter - Descripción
- La tesis se centra en ensayar posibles aplicaciones del método magnetotelúrico (MT) utilizando distintos métodos de aprendizaje no supervisado. Se pretende analizar las métricas específicas para los métodos K-Means y Mapas Autoorganizados (Self-Organizing Maps, SOM) y explorar su relación con el contexto geofísico. Además, se busca comparar la eficiencia de ambas técnicas de aprendizaje y concluir sobre la factibilidad de su uso en el análisis de datos MT. Para alcanzar estos objetivos, se realizaron varias tareas. Primero, se llevó a cabo un entrenamiento en la utilización del código computacional para medios isotrópicos con ModEM (Modular System for Electromagnetic inversion), lo que permitió un análisis detallado de la respuesta magnetotelúrica de estos medios. Posteriormente, se seleccionaron casos de estudio, se realizaron simulaciones numéricas y se analizaron los resultados obtenidos. También se eligieron las herramientas de aprendizaje automático más adecuadas y se completó un entrenamiento en su uso. Finalmente, estas herramientas se aplicaron para la caracterización de la estructura conductiva de medios bidimensionales heterogéneos.
Geofísico
Universidad Nacional de La Plata
Facultad de Ciencias Astronómicas y Geofísicas - Materia
-
Geofísica
Magnetotelúrica
Aprendizaje automático
No supervisado - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/168316
Ver los metadatos del registro completo
| id |
SEDICI_370809c6313e43f47b48f243f9e1309b |
|---|---|
| oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/168316 |
| network_acronym_str |
SEDICI |
| repository_id_str |
1329 |
| network_name_str |
SEDICI (UNLP) |
| spelling |
Herramientas de aprendizaje automático para magnetotelúricaMontenegro, SimónGeofísicaMagnetotelúricaAprendizaje automáticoNo supervisadoLa tesis se centra en ensayar posibles aplicaciones del método magnetotelúrico (MT) utilizando distintos métodos de aprendizaje no supervisado. Se pretende analizar las métricas específicas para los métodos K-Means y Mapas Autoorganizados (Self-Organizing Maps, SOM) y explorar su relación con el contexto geofísico. Además, se busca comparar la eficiencia de ambas técnicas de aprendizaje y concluir sobre la factibilidad de su uso en el análisis de datos MT. Para alcanzar estos objetivos, se realizaron varias tareas. Primero, se llevó a cabo un entrenamiento en la utilización del código computacional para medios isotrópicos con ModEM (Modular System for Electromagnetic inversion), lo que permitió un análisis detallado de la respuesta magnetotelúrica de estos medios. Posteriormente, se seleccionaron casos de estudio, se realizaron simulaciones numéricas y se analizaron los resultados obtenidos. También se eligieron las herramientas de aprendizaje automático más adecuadas y se completó un entrenamiento en su uso. Finalmente, estas herramientas se aplicaron para la caracterización de la estructura conductiva de medios bidimensionales heterogéneos.GeofísicoUniversidad Nacional de La PlataFacultad de Ciencias Astronómicas y GeofísicasZyserman, Fabio IvánElias, Matías Walter2024-07-03info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionTesis de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/168316spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:44:51Zoai:sedici.unlp.edu.ar:10915/168316Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:44:52.015SEDICI (UNLP) - Universidad Nacional de La Platafalse |
| dc.title.none.fl_str_mv |
Herramientas de aprendizaje automático para magnetotelúrica |
| title |
Herramientas de aprendizaje automático para magnetotelúrica |
| spellingShingle |
Herramientas de aprendizaje automático para magnetotelúrica Montenegro, Simón Geofísica Magnetotelúrica Aprendizaje automático No supervisado |
| title_short |
Herramientas de aprendizaje automático para magnetotelúrica |
| title_full |
Herramientas de aprendizaje automático para magnetotelúrica |
| title_fullStr |
Herramientas de aprendizaje automático para magnetotelúrica |
| title_full_unstemmed |
Herramientas de aprendizaje automático para magnetotelúrica |
| title_sort |
Herramientas de aprendizaje automático para magnetotelúrica |
| dc.creator.none.fl_str_mv |
Montenegro, Simón |
| author |
Montenegro, Simón |
| author_facet |
Montenegro, Simón |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Zyserman, Fabio Iván Elias, Matías Walter |
| dc.subject.none.fl_str_mv |
Geofísica Magnetotelúrica Aprendizaje automático No supervisado |
| topic |
Geofísica Magnetotelúrica Aprendizaje automático No supervisado |
| dc.description.none.fl_txt_mv |
La tesis se centra en ensayar posibles aplicaciones del método magnetotelúrico (MT) utilizando distintos métodos de aprendizaje no supervisado. Se pretende analizar las métricas específicas para los métodos K-Means y Mapas Autoorganizados (Self-Organizing Maps, SOM) y explorar su relación con el contexto geofísico. Además, se busca comparar la eficiencia de ambas técnicas de aprendizaje y concluir sobre la factibilidad de su uso en el análisis de datos MT. Para alcanzar estos objetivos, se realizaron varias tareas. Primero, se llevó a cabo un entrenamiento en la utilización del código computacional para medios isotrópicos con ModEM (Modular System for Electromagnetic inversion), lo que permitió un análisis detallado de la respuesta magnetotelúrica de estos medios. Posteriormente, se seleccionaron casos de estudio, se realizaron simulaciones numéricas y se analizaron los resultados obtenidos. También se eligieron las herramientas de aprendizaje automático más adecuadas y se completó un entrenamiento en su uso. Finalmente, estas herramientas se aplicaron para la caracterización de la estructura conductiva de medios bidimensionales heterogéneos. Geofísico Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas |
| description |
La tesis se centra en ensayar posibles aplicaciones del método magnetotelúrico (MT) utilizando distintos métodos de aprendizaje no supervisado. Se pretende analizar las métricas específicas para los métodos K-Means y Mapas Autoorganizados (Self-Organizing Maps, SOM) y explorar su relación con el contexto geofísico. Además, se busca comparar la eficiencia de ambas técnicas de aprendizaje y concluir sobre la factibilidad de su uso en el análisis de datos MT. Para alcanzar estos objetivos, se realizaron varias tareas. Primero, se llevó a cabo un entrenamiento en la utilización del código computacional para medios isotrópicos con ModEM (Modular System for Electromagnetic inversion), lo que permitió un análisis detallado de la respuesta magnetotelúrica de estos medios. Posteriormente, se seleccionaron casos de estudio, se realizaron simulaciones numéricas y se analizaron los resultados obtenidos. También se eligieron las herramientas de aprendizaje automático más adecuadas y se completó un entrenamiento en su uso. Finalmente, estas herramientas se aplicaron para la caracterización de la estructura conductiva de medios bidimensionales heterogéneos. |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024-07-03 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion Tesis de grado http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
| format |
bachelorThesis |
| status_str |
acceptedVersion |
| dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/168316 |
| url |
http://sedici.unlp.edu.ar/handle/10915/168316 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
| reponame_str |
SEDICI (UNLP) |
| collection |
SEDICI (UNLP) |
| instname_str |
Universidad Nacional de La Plata |
| instacron_str |
UNLP |
| institution |
UNLP |
| repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
| repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
| _version_ |
1844616315517534208 |
| score |
13.069144 |