>
Fa   |   Ar   |   En
   کاربرد هوش مصنوعی در تحلیل داده‌های لرزه‌شناسی (مطالعه موردی: داده های پیش‌نشانگرها)  
   
نویسنده پیری زاده محسن ,پیری زاده محبوبه
منبع دانش پيشگيري و مديريت بحران - 1400 - دوره : 11 - شماره : 3 - صفحه:299 -309
چکیده    زمینه و هدف: ثبت دستگاهی داده‌های مربوط به پدیده زلزله در سده اخیر، رویکردهای جدیدی را برای استفاده از روش‌های نوین نگهداری، پردازش و تحلیل این نوع از داده‌ها به منظور سازمان‌دهی و طبقه‌بندی آن ها برای اهداف مرتبط با مدیریت خطرپذیری لرزه ای ارائه داده است. از جمله این رویکردها، استفاده از فناوری هوش مصنوعی برای کشف قوانین ذاتی و وابستگی‌ بین داده‌ها جهت طبقه‌بندی رویدادهای لرزه ای یا پیش‌بینی مقادیر پیوسته سری‌های زمانی می باشد.روش: در این تحقیق، کاربرد شاخه‌های مختلف هوش مصنوعی به خصوص روش های یادگیری ماشین و یادگیری عمیق در پردازش داده‌های مرتبط با زلزله با در نظر گرفتن ویژگی های خاص این نوع از داده‌ها اعم از وجود ارتباطات زمانی میان نمونه ها و توزیع به شدت ناموزون کلاس ها مورد تجزیه و تحلیل قرار گرفته است. سپس یک رویکرد جدید مبتنی بر شبکه بازگشتی عمیق تجهیز شده به تابع ضرر حساس به هزینه به منظور مدلسازی ارتباط بین داده‌های سری زمانی لرزه ای و احتمال وقوع زلزله‌های آتی پیشنهاد گردیده است. به منظور ارزیابی عملکرد مدل پیشنهادی، یک مطالعه موردی در زمینه طبقه بندی شدت شتاب بیشینه لرزه‌ای (pga) در گام زمانی بعدی بر اساس سری زمانی مربوط به پیش نشانگر لرزه ای فعالیت غیر طبیعی حیوانات انجام شده است.یافته‌ها: بهره گیری از شبکه های عمیق بازگشتی با توجه به توانایی های آن ها در به خاطر سپاری طولانی مدت ارتباطات زمانی میان نمونه ها، در مدلسازی سری های زمانی لرزه‌ای کاملا مثبت ارزیابی گردید. با این حال، در مسائل طبقه‌بندی داده‌های لرزه‌ای که همواره لرزش‌های جدی‌تر در مقابل حالت‌های غیر جدی به‌ندرت رخ می‌دهند، مسئله عدم تعادل کلاس به طور پررنگی حضور دارد که اگر این موضوع به ‌درستی کنترل نشود، می‌تواند عملکرد مدل‌ها را به نفع کلاس اکثریت به ‌شدت تحت تاثیر قرار دهد، به‌طوری‌که مدل‌ها تمایل خواهند داشت همه نمونه‌ها را به عنوان کلاس اکثریت برچسب‌گذاری کنند. این درحالی است که در اینگونه از مسایل، شناسایی صحیح کلاس اقلیت، اولویت اصلی را دارد.نتیجه‌گیری: نتایج مطالعه موردی نشان داد که رویکرد مبتنی بر یادگیری عمیق با میانگین دقت متعادل 81.2% و 59.3% به ترتیب بر روی داده‌های آموزشی و آزمون، عملکرد کاملاً بهتری را در مقایسه با شبکه های عصبی بازگشتی معمولی در طبقه بندی مقادیر pga از خود بر جای گذاشته است. همچنین این مطالعه نشان داده است که با اصلاح کردن تابع هزینه شبکه های بازگشتی عمیق به کمک رویکرد حساس به هزینه، می توان چالش عدم تعادل کلاس داده‌های لرزه‌ای را نیز به خوبی کنترل نمود.
کلیدواژه داده‌های لرزه‌ای، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، پیش‌نشانگر لرزه‌ای.
آدرس دانشگاه شاهد, دانشکده علوم پایه, ایران, دانشگاه آزاد اسلامی واحد تهران غرب, گروه مهندسی عمران, ایران
پست الکترونیکی pirizadeh.mahboobeh@wtiau.ac.ir
 
 

Copyright 2015
Islamic World Science Citation Center
All Rights Reserved