پیش بینی شدت آریاس با کمک چهار نوع الگوریتم هوش مصنوعی

پیشرفت سریع فناوری و گسترش کاربرد یادگیری ماشین در علوم مختلف، حوزه مهندسی عمران را نیز دگرگون کرده و راه های نوینی برای افزایش دقت، کارایی و قابلیت اطمینان در تحلیل های مهندسی فراهم کرده است. یکی از مهم ترین کاربردهای این فناوری در مهندسی زلزله، پیش بینی شدت آریاس است. این پارامتر کلیدی، معیاری جامع و موثر از انرژی مخرب ورودی به سازه در طول یک رخداد لرزه ای محسوب می شود و با در نظر گرفتن همزمان دامنه و تداوم حرکات زمین، ارتباط قوی با پتانسیل آسیب تجمعی، تخریب سازه ها و پدیده های خطرناکی مانند روانگرایی خاک دارد. پیش بینی دقیق این شاخص، به مهندسان کمک می کند تا ارزیابی های بهتری از عملکرد لرزه ای سازه ها و زیرساخت ها انجام دهند و تصمیم های ایمنی دقیق تری اتخاذ کنند. در حالی که روش های سنتی بر پایه روابط تجربی محدودیت دارند، الگوریتم های یادگیری ماشین مانند رگرسیون خطی، XGBoost، جنگل تصادفی وSVM با استفاده از پارامترهایی چون بزرگا، فاصله از گسل و سرعت موج برشی، توانایی تخمین بسیار دقیق تری از شدت آریاس را دارند.

کلیدواژه ها:

شدت آریاس ، رگرسیون خطی ، ماشین بردار پشتیبان ، جنگل تصادفی