پیش بینی بیشینه شتاب زمین با کمک الگوریتمهای 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 میشود زیرا مستقیما با نیروهای دینامیکی وارد بر سازه در ارتباط است. پیش بینی دقیق این پارامتر به مهندسان امکان میدهد تا تحلیلهای قابل اعتمادتری انجام داده و ایمنی زیرساختها 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 روشها اغلب در مدل سازی روابط پیچیده و غیر خطی میان پارامترهای مختلف زلزله با محدودیتهایی 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 مدلها 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:

رگرسیون ، خطی ، ماشین بردار پشتیبان ، بیشینه شتاب زمین