پیش بینی PGA پس لرزه با استفاده از تلفیق الگوریتم های بهینه سازی و یادگیری ماشین

شتاب بیشینه زمین (PGA) یکی از پارامترهای کلیدی در تحلیل های لرزه ای است که نقش مهمی در طراحی سازه ها و ارزیابی ریسک های ژئوتکنیکی مانند روانگرایی و پایداری شیب دارد. در این پژوهش بر اساس تغییرات ۷ پارامتر، بزرگی زلزله اصلی، بزرگی پس لرزه، EPA زلزله اصلی، EPA پس لرزه، PGA زلزله اصلی، عمق زلزله و فاصله از مرکز سطحی زلزله به پیش بینی PGA پس لرزه از طریق توسعه مدل های ترکیبی مبتنی بر تلفیق روش های یادگیری ماشین و الگوریتم های بهینه سازی پرداخته شده است. در این راستا روش های یادگیری ماشین شامل درخت تصمیم (DT)، جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، شبکه حافظه بلند مدت کوتاه مدت (LSTM)، پرسپترون چندلایه (MLP)، نزدیک ترین همسایه (KNN)، گرادیان بوستینگ (GB)، رگرسیون فرآیند گوسی (GPR) و شبکه باور عمیق (DBN) به کار گرفته شده اند. برای تنظیم بهینه هایپرپارامترهای هر یک از این روش ها شمش الگوریتم بهینه سازی الهام گرفته شده از طبیعت شامل الگوریتم کلونی مورچه (ACO)، الگوریتم ژنتیک (GA)، بهینه سازی ازدحام ذرات (PSO)، بهینه سازی نهنگ (WOA)، گرگ خاکستری (GWO) و ملخ (GOA) به دو روش مجزا و ترتیبی استفاده شده اند. نتایج نشان دادند که هر مدل یادگیری ماشین دارای ترکیبات متفاوتی از هایپرپارامترهای بهینه می باشد و برای هر مدل نتایج یکی از الگوریتم های بهینه سازی دارای دقت بالاتری می باشد. با در نظر گرفتن عدم بیش برازش مدل در داده های آموزشی، دقت بالای مدل روی داده های آزمون و کمینه کردن فاکتورهای خطا، از بین کلیه مدل های ترکیبی بهترین مدل مدل ترکیبی LSTM با الگوریتم بهینه سازی ترتیبی دارای میانگین مربعات خطا (MSE) ۰.۰۰۱۹، میانگین درصد خطای مطلق متقارن (SMAPE) ۱۶، ضریب همبستگی (R) ۰.۹۶ و ضریب تعیین (R۲) ۰.۸۹ می باشد. مدل های KNN، GPR، DT، SVM، GB، MLP به ترتیب پس از این مدل قرار می گیرند. نتایج این پژوهش می تواند به بهبود طراحی های ژئوتکنیکی مقاوم در برابر زلزله و مدیریت ریسک پس لرزه ها کمک کند و راهکارهایی عملی برای مهندسان عمران ارائه دهد.

کلیدواژه ها:

پیش بینی ، یادگیری ماشین ، پس لرزه ، الگوریتم تلفیقی ، بهینه سازی