تشخیص زلزله های پالس گونه با بهره گیری از الگوریتم های یادگیری ماشین: رویکردی نوین برای بهبود دقت شناسایی و ارزیابی

شتاب نگاشت های پالس گونه، با ویژگی پالس هایی با دامنه بزرگ و مدت زمان کوتاه، به طور چشمگیری بر پاسخ دینامیکی سازه ها تاثیر می گذارند. شبیه سازی دقیق این نوع زلزله ها و تحلیل اثرات آن ها بر سازه ها و زیرساخت ها، از جمله الزامات کلیدی در مهندسی زلزله به شمار می رود. در ارزیابی خطرات لرزه ای یک منطقه، شتاب نگاشت های پالس گونه به عنوان یک شاخص مهم مدنظر قرار می گیرند، زیرا می توانند به طور قابل توجهی سطح خطر لرزه ای را افزایش دهند. از روش های نوین مانند تبدیل موجک می توان برای شناسایی دقیق پالس های سرعت و استخراج ویژگی های کلیدی از تاریخچه زمانی زلزله بهره برد. همچنین، با پیشرفت های اخیر در حوزه یادگیری ماشین، امکان طبقه بندی دقیق تر شتاب نگاشت های زلزله فراهم شده است. الگوریتم های یادگیری ماشین، با قابلیت یادگیری مستمر و به روزرسانی خودکار، ابزارهای موثری برای تشخیص و طبقه بندی دقیق رویدادهای لرزه ای محسوب می شوند. در این پژوهش، به منظور شناسایی زلزله های پالس گونه، ۶۰ رکورد لرزه ای از ایران که دارای شتاب و سرعت بالا بودند، انتخاب و تحلیل شدند. با استفاده از رویکردی که تحلیل موجک را برای استخراج ویژگی های کلیدی سیگنال با الگوریتم یادگیری ماشین جنگل تصادفی ترکیب می کند، ۱۱ رویداد به عنوان زلزله های پالس گونه طبقه بندی شدند. این روش تلفیقی تبدیل موجک و یادگیری ماشین توانایی بالایی در تشخیص ویژگی های متمایز زلزله های پالس گونه از خود نشان داد. ارزیابی عملکرد الگوریتم های مورد استفاده حاکی از آن است که روش های جنگل تصادفی، تقویت طبقه بندی و تقویت گرادیان شدید با دقت بالای۹۴/۰ عملکرد بسیار مطلوبی در طبقه بندی شتاب نگاشت های پالس گونه دارند. این نتایج نشان دهنده پتانسیل بالای یادگیری ماشین در تحلیل و طبقه بندی داده های لرزه ای است که می تواند نقش موثری در مدیریت ریسک و طراحی مقاوم سازی سازه ها ایفا کند.

کلیدواژه ها:

شتاب نگاشت پالس گونه ، تبدیل موجک ، یادگیری ماشین ، الگوریتم جنگل تصادفی ، الگوریتم تقویت طبقه بندی ، الگوریتم تقویت گرادیان شدید