مکان یابی مجدد سریع زمین‌لرزه با استفاده از شبکه عصبی فازی آموزش‌دیده بر مبنای روش اختلاف زمانی دوگانه

یکی از مهم‌ترین پارامترهای زلزله‌شناسی، تعیین مرکز زمین‌لرزه است زیرا دقت مطالعات وابسته مانند تحلیل خطر زمین‌لرزه، سازوکار گسلش و ... همگی به دقت پارامتر یاد شده وابسته می‌باشند. روش اختلاف دوگانه یکی از روش‌های نسبی پرکاربرد مورد استفاده در مراکز زلزله‌‌‌شناسی می‌باشد. در این پژوهش، روش یاد شده  مبنای ارائه الگوریتمی است که مکان‌یابی مجدد رویدادها را با با سرعت نسبتاً بالا در حدود 4 میلی‌ثانیه امکان‌پذیر می‌سازد. در این روش، شبکه استنتاج عصبیفازی تطبیق‎پذیر (انفیس) بر مبنای کاتالوگ زمین‌لرزه‌های مکان‌یابی مجدد شده یک منطقه، آموزش داده شده و پس از وقوع هر رویداد جدید، صرفا برای آن رویداد تعمیم می‌یابد. در آموزش شبکه پارامترهای مدل سرعتی یک‌بعدی، موقعیت مکانی رویدادهای کاتالوگ مبنا و نیز شبیه‌ترین رویدادهای مربوط به هر رویداد که توسط الگوریتم k نزدیک‌ترین همسایه مشخص شده‌اند، همگی، به‌عنوان داده ورودی و مختصات رویدادهای مکان‌یابی مجدد شده به عنوان خروجی شبکه در نظر گرفته می‌شوند.در این پژوهش، با استناد به داده‌های حدود 8000 زمین لرزه که به عنوان داده‌های آموزشی استفاده شده‌اند، داده‌های 490 رویداد، مکان‌یابی مجدد شده و بررسی نتایج نشان‌دهنده خطای جذرمیانگین مربعات 0.002 برای طول و عرض جغرافیایی و 0.45 برای عمق رویدادها نسبت به روش اختلاف زمانی دوگانه می‌باشد.

Fast Earthquake Relocation Using ANFIS NeuroFuzzy Network Trained Based on the Double Difference Method

One of the most important issues in seismology is to accurately determine the epicenter of earthquake, mainly because the accuracy of dependent studies such as seismic risk analysis, fault mechanism, depends on the accuracy of mentioned parameter. Double difference method is one of the conventional relative earthquake relocation methods which is used vastly by seismological centers and it is used as the basis of an algorithm that relocates earthquake events about 0.004 second. In the proposed method, Adaptive NeuroFuzzy Inference System (ANFIS) is trained based on the former relocated events and generalized for new earthquakes. In the training procedure, the hypocentral information, for the main event and the nearest one (determined by K nearest neighbor search), and the velocity model of the region are considered as inputs and hypocentral information are set as target for the network.  Here, with reference to the information of about 8000 earthquakes, as the training events, 490 earthquakes were relocated in about 0.1 (s) where RMS for predicating latitude and longitude of the events were 0.002 and for the depth parameter, RMS was 0.45. It is concluded that the proposed method could be considered as a powerful algorithm for near real time relocation of earthquakes.