پیش بینی بیشینه شتاب زمین با کمک الگوریتمهای یادگیری ماشین
- سال انتشار: 1404
- محل انتشار: سیزدهمین کنفرانس بین المللی مطالعات نوین مهندسی عمران، معماری، شهرسازی و محیط زیست در قرن ۲۱
- کد COI اختصاصی: CMUECONF13_078
- زبان مقاله: فارسی
- تعداد مشاهده: 1012
نویسندگان
دانشجوی دکتری مهندسی عمران-زلزله دانشگاه صنعتی شیراز، ایران.
چکیده
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 زمینمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.