پیش بینی بیشینه شتاب زمین با کمک الگوریتم های یادگیری ماشین

پیشرفت روزافزون فناوری و لزوم بهره گیری از یادگیری ماشین در علوم مختلف، مهندسی عمران را نیز متحول کرده و زمینه های نوینی برای افزایش دقت و کارایی فراهم آورده است. یکی از حیاتی ترین کاربردهای این فناوری در مهندسی زلزله، پیش بینی دقیق بیشینه شتاب زمین است. یک پارامتر کلیدی در ارزیابی خطر لرزه ای و طراحی سازه های مقاوم در برابر زلزله محسوب می شود، زیرا مستقیما با نیروهای دینامیکی وارد بر سازه در ارتباط است. پیش بینی دقیق این پارامتر به مهندسان امکان می دهد تا تحلیل های قابل اعتمادتری انجام داده و ایمنی زیرساخت ها را در برابر حوادث لرزه ای تضمین کنند. به طور سنتی، تخمین بیشینه شتاب زمین بر روابط کاهندگی تجربی متکی است که بر اساس داده های لرزه ای تاریخی و مطالعات گسلی شکل گرفته اند. با این حال، این روش ها اغلب در مدل سازی روابط پیچیده و غیرخطی میان پارامترهای مختلف زلزله با محدودیت هایی مواجه هست. امروزه، الگوریتم های یادگیری ماشین مانند رگرسیون خطی، ماشین بردار پشتیبان و جنگل تصادفی و به دلیل توانایی بالا در یادگیری از داده های حجیم و شناسایی الگوهای پیچیده، به عنوان ابزارهایی قدرتمند برای این منظور شناخته می شوند. این مدل ها با استفاده از مجموعه ای از پارامترهای ورودی شامل بزرگای زلزله، عمق کانونی، فاصله از گسل و سرعت موج برشی، قادر به تخمین بیشینه شتاب سطح زمین با دقت بالایی هستند.

کلیدواژه ها:

بیشینه شتاب زمین ، رگرسیون خطی ، ماشین بردار پشتیبان