پیش بینی زلزله با بهره گیری از PGA زلزله های پیشین به کمک یادگیری عمیق

در این مقاله یک رویکرد جدید که یک مدل پیش بینی PGA مبتنی بر یادگیری ماشین ارائه شده که بر اساس تحلیل دادههای مکانی ، بر پیچیدگی های سنجش پس لرزه و پیش بینی کلاسهای PGA به عنوان تابعی از PGA ایستگاههای لرزه ای مربوطه ، فاصله بین ایستگاههای لرزه ای غلبه می کند. در این پژوهش بر اساس تغییرات ۵ پارامتر بزرگی زلزله اصلی ، بزرگی پس لرزه، EPA زلزله اصلی ، EPA پس لرزه، و PGA اصلی که از اطلاعات زلزله کوبه در ژاپن به دست آمده؛ به پیش بینی زلزله با استفاده از معماری بهینه شبکه عمیق RNN پرداخته شده است . نتایج نشان داد که مدل RNN دارای میزان خطای MSE برابر با ۶.۴۹۵۴×۴- ۱۰و میزان خطای MAE برابر با ۰۱۸,۰ است . در مرحله بعد، به منظور تعیین رابطه PGA پس لرزه نسبت به متغیرهای مورد نظر، معادله ای ارائه شده و ضرایب آن تعیین شده اند. معادله نهایی تابعی از PGA ایستگاههای لرزه ای مربوطه می باشد.

کلیدواژه ها:

پیش بینی زلزله ، PGA ، پس لرزه ، یادگیری ماشین ، یادگیری عمیق