@article { author = {Ghasemi Nejad, R. and Abbaspour, R. A. and Mojarab, M.}, title = {Delineation of seismic sources using an optimized fuzzy clustering}, journal = {Scientific Quarterly Journal of Geosciences}, volume = {27}, number = {105}, pages = {61-70}, year = {2017}, publisher = {Geological Survey of Iran}, issn = {1023-7429}, eissn = {2645-4963}, doi = {10.22071/gsj.2017.54132}, abstract = {Seismic source zones have an important role in hazard assessment in probabilistic seismic hazard analysis. These zones often determined according to judgments by experts are, in most cases, non-uniform across a specific region and typically controversial. Thus, most of the uncertainty in probabilistic seismic hazard analysis can be related to the delineation of seismic sources. Another problem of probabilistic seismic hazard analysis is the way earthquakes are associated with the faults. Even though it is well-known that earthquakes happen on faults, but most of them are still unknown, this constrains the realization and assessment of seismic risks by experts. This paper attempts to determine seismic sources and associate events to faults using a fuzzy particle swarm optimization clustering algorithm. The algorithm works based on the minimization of two objective functions: distance from events to fault, and distance from events to their center of density (i.e. cluster center). The algorithm is applied on seismic data acquired from northwest of Iran, and its performance is evaluated based on the events assigned to the faults by previous researchers. Comparing associated earthquakes to faults by the algorithm in northwest of Iran with known and documented earthquakes, reveals that, 79.2% of the events are correctly induced by faults. Final result shows that, this methodology will help seismological engineers take a step forward in hazard analysis by determining seismic sources and assigning earthquakes to different active faults.}, keywords = {Fuzzy Clustering,Particle Swarm Optimization (PSO),Probabilistic Seismic Hazard Analysis (PSHA),Seismic Sources}, title_fa = {تعیین چشمه‌های لرزه‌ای با استفاده از الگوریتم خوشه‌بندی فازی بهینه‌}, abstract_fa = {چشمه‌های لرزه‌ای نقش مهمی در برآورد خطر در فرایند تحلیل خطر لرزه‌ای ایفا می­کنند. انتخاب این مناطق بیشتر بر پایه قضاوت‌های کارشناسان انجام می‌شود و در بیشتر موارد، تعیین چشمه‌های لرزه‌ای توسط چند کارشناس نتایج متفاوت و بحث‌برانگیزی را دربر دارد. از این ‌رو، یکی از عوامل مهم در ایجاد عدم قطعیت در تحلیل خطر می‌تواند به دلیل چگونگی انتخاب چشمه‌ها باشد. نسبت دادن رخدادهای گذشته به هر چشمه لرزه‌ای مسأله مهم بعدی تحلیل خطر زمین‌لرزه است که این کار نیز توسط قضاوت‌های بصری کارشناسان انجام می‌شود و از آنجایی‌که گسل مسبب هر رخداد به‌طور واضح مشخص نیست؛ مانند تعیین چشمه‌های لرزه‌ای، این شیوه نتایج مبهمی دارد. در پژوهش حاضر سعی شده است که با استفاده از روش‌ بهینه‌سازی توده ذرات به‌منظور خوشه‌بندی فازی، به‌طور هم‌زمان چشمه‌های لرزه‌ای تعیین ‌شده و رویدادهای لرزه‌ای به گسل‌ها نسبت داده شوند. الگوریتم مورد استفاده بر پایه کمینه‌سازی دو تابع هدف فاصله رویداد‌ها از گسل و مرکز خوشه (مرکز چگالی رویدادها) کار می‌کند. این الگوریتم به دو حالت روی داده‌های ناحیه شمال باختر ایران اعمال شد؛ در حالت اول فاصله مورد محاسبه فاصله اقلیدسی بوده است و در حالت دوم فاصله ماهالانوبیس در محاسبات در نظر گرفته شدند. برای ارزیابی درستی الگوریتم، از رویداد‌هایی که از پیش به گسل‌ها نسبت داده‌ شده‌اند استفاده شد. مقایسه خروجی‌های الگوریتم با بانک اطلاعات زمین‌لرزه‌های نسبت داده‌ شده گذشته نشان داد که 2/79 درصد از این رویدادها با در نظر گرفتن فاصله اقلیدسی و 5/87 درصد از این رویدادها با در نظر گرفتن فاصله ماهالانوبیس به ‌درستی به گسل‌ها اختصاص یافتند که نشان از عملکرد خوب روش پیشنهادی این مطالعه با استفاده از فاصله ماهالانوبیس دارد. نتایج حاصل نشان می‌دهند که رویکرد پیشنهادی به مهندسین زمین‌لرزه‌شناسی کمک می‌کند تا با عدم قطعیت کمتری در فرایند تحلیل خطر لرزه‌ای افزون بر تعیین چشمه‌ها، زمین‌لرزه‌ها را به گسل‌ها اختصاص دهند.}, keywords_fa = {خوشه‌بندی فازی,بهینه‌سازی توده ذرات (PSO),تحلیل خطر لرزه‌ای احتمالی (PSHA),چشمه‌های لرزه‌ای}, url = {http://www.gsjournal.ir/article_54132.html}, eprint = {http://www.gsjournal.ir/article_54132_cb36431cfef582f87e42e42e38c3a016.pdf} }