یک روش نوین مبتنی بر یادگیری گروهی برای شناسایی شدت آسیب های ناشی از زلزله در سازه های مهاربندی

مطالعه حاضر، روشی جدید برای تشخیص آسیب های زلزله مبتنی بر رویکرد ادغام مدل ها (Stacking) ارائه می دهد که هدف آن، کاهش عدم قطعیت های ناشی از آموزش تکتک مدل های یادگیری ماشین است .در راستای این هدف، سه مدل متفاوت یادگیری ماشین شامل ماشین بردار پشتیبان، K-نزدیک ترین همسایه و شبکه های عصبی کانولوشنی به عنوان یادگیرنده های سطح اول انتخاب شدند. سپس، خروجی های این مدل های پیش بین، توسط یک الگوریتم درخت تصمیم گیری در قالب یک فرامدل با یکدیگر تلفیق گردید. برای تولید پایگاه داده این پژوهش، از مجموعه ای شامل ۱۱۱ رکورد زلزله که در ابتدا توسط پروژه SAC شبیه سازی یا اصلاح شده بود، استفاده شد. این رکوردها به صورت یکنواخت در محدوده شتاب ۰.۵ تا ۱.۶۰ شتاب گرانش زمین، مقیاس دهی شدند تا طیف گسترده ای از شدت های زلزله را پوشش دهند .نتایج به دست آمده حاکی از آن است که روش پیشنهادی، دقت در پیش بینی میزان آسیب را در مقایسه با استفاده از مدل های مستقل به طور قابل ملاحظه ای افزایش داده است. افزون بر این، این رویکرد تلفیقی، عدم قطعیت های ذاتی موجود در فرآیند آموزش مدل های مجزا را نیز کاهش می دهد.پیشرفت های اخیر در علوم کامپیوتر منجر به توسعه چندین روش تشخیص آسیب مبتنی بر یادگیری ماشین شده است. این مطالعه، یک روش جدید برای تشخیص آسیب های ناشی از زلزله ارائه می دهد که بر پایه یادگیری گروهی بنا شده تا عدم قطعیت های مربوط به آموزش مدل های یادگیری ماشین مستقل را کاهش دهد

کلیدواژه ها:

تشخیص آسیب ، یادگیری گروهی ، سازه مهاربندی ، طبقه بندها