پیش بینی بیشینه شتاب زمین برای زلزله‌های زاگرس با استفاده از شبکه انفیس و رویکرد تجزیه داده‌ها

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (peak ground acceleration, pga) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه‌‌های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده‌های میرایی و زلزله‌های رخ داده در محل تهیه شده و در محاسبات تحلیل خطر زمین لرزه مورد استفاده واقع می‌شود. در پهنه‌های وسیع جغرافیایی و یا در شرایطی که تاسیس ایستگاههای دائمی یا موقت شبکه میسر نباشد، رویکردهای مبتنی بر یادگیری ماشین به عنوان یک راه حل جایگزین مورد استفاده قرار می‌گیرند. در راستای افزایش دقت شبکه عصبی در مسئله پیش‌بینی بیشینه شتاب زمین، با استفاده از تحلیل شناسایی داده‌های پرت یا نامتجانس، داده‌های ورودی شبکه یادگیرنده تفکیک شده و سپس فرآیند آموزش و تعمیم شبکه انجام شده است. این رویکرد باعث کاهش خطای شبکه انفیس شده، چنانچه خطای جذر میانگین مربعات 36 درصد بهبود داشته است. با استناد به نتیجه مذکور، داده‌های طول و عرض جغرافیاییِ رومرکز، عمق و بزرگای مربوط به 1571 رکورد ثبت شده در شبکه شتاب نگاری کشوری به همراه داده‌های مربوط به میانگین سرعت موج مورد استفاده قرار گرفت تا شبکه انفیس آموزش داده شود. سپس، شبکه آموزش دیده، جهت ارزیابی کارآیی روش، بر روی داده‌های زلزله مورموی، 1393، در استان ایلام تعمیم داده شد تا نقشه پهنه‌بندی مقادیر بیشبینه شتاب، در پیرامون رومرکز زلزله محاسبه گردد. بررسی خروجی‌ها نشان می‌دهد که نقشه بدست آمده با گزارش رسمی پژوهشگاه بین المللی زلزله‌شناسی و مهندسی زلزله تطابق داشته و از روش ارائه شده می‌توان به عنوان یک روش جایگزین در پیش‌بینی بیشینه شتاب ناشی از زلزله اقدام نمود.

prediction of the peak ground acceleration for zagros earthquakes using anfis and data partitioning approach

in this research, the prediction of peak ground acceleration (pga) is investigated through training the adaptive neuro fuzzy inference system (anfis) network using data partitioned into inlier and outlier groups. the partitioning procedure is based on an automated method which uses k nearest neighbor (knn) search and local linear model tree (lolimot) methods. the mentioned proved to enhance the prediction procedure at least 36 percent with respect to normal training mode with no data partitioning. hereafter, a pga catalogue reported by the iranian ground acceleration network with 1571 records was used and the trained network was used for predicting the pga map around the mormori, 2014 earthquake epicenter. we used spatial information of the epicenter and the site, earthquake magnitude, vs30, depth of the hypocenters and the epicentral distance foe the sites. the resulted map adapts well to the official report of the mentioned earthquake for the pga analysis published by the international institute of earthquake engineering and seismology (iiees). finally, it is concluded that using machine learning algorithms could be beneficial in the cases where adequate datasets are not provided by the seismological networks specifically in the concept of the strong ground motion analysis.