مسعود مجرب؛ حسین معماریان؛ مهدی زارع؛ ولادیمیر کوسوبوکوو
چکیده
زلزله مورخ 23/10/2011 ترکیه در نزدیکی شهر وان با حدود 600 کشته، باعث خسارات زیادی در شهرهای ارجیش، وان، مرادیه و چالدران شد. مطالعه زلزلههای دستگاهی سده بیستم و تاریخی منطقه نشان داد که منطقه خاور صفحه آناتولی و شمال باختر فلات ایران لرزهخیز بوده و مهمترین زلزله اخیر منطقه در سال 24 نوامبر 1976 و در چالدران رخ داده است. در این مقاله ...
بیشتر
زلزله مورخ 23/10/2011 ترکیه در نزدیکی شهر وان با حدود 600 کشته، باعث خسارات زیادی در شهرهای ارجیش، وان، مرادیه و چالدران شد. مطالعه زلزلههای دستگاهی سده بیستم و تاریخی منطقه نشان داد که منطقه خاور صفحه آناتولی و شمال باختر فلات ایران لرزهخیز بوده و مهمترین زلزله اخیر منطقه در سال 24 نوامبر 1976 و در چالدران رخ داده است. در این مقاله مسئله پیشبینی زلزله در محدوده باختر فلات ایران و بهصورت بازنگرانه مورد بررسی قرار گرفته است. روشهای پیشبینی زلزله بهطور عمده به دو شاخه پیشنشانگری و استفاده از الگوریتمهای شناسایی الگو تقسیم میشوند. در این مطالعه از روش الگوریتم M8 که بر پایه شناسایی الگو کار میکند استفاده شده است. بدین منظور یک شبکه با 49 نقطه در محدوده مورد مطالعه طراحی شد. الگوریتم M8 برای نقاط شبکه اجرا شد و چهار منطقه نزدیک به هم که دارای همپوشانی نیز بودند، به عنوان محدودههای هشدار معرفی شدند. این مطالعه نشان داد که زلزله اخیر وان با پنجره زمانی 1/1/2008 تا 30/12/2012، پنجره مکانی به شعاع 281 کیلومتر و برای بزرگای بیشتر از 7 قابلیت هشدار پیش از رخداد را داشته است. همچنین کاربرد پیشرو الگوریتم نشان داد که از 30/7/2011 به مدت 5 سال هیچ افزایش احتمال رخدادی برای بزرگای 7 دیده نشده است. این مطالعه نشان داد که الگوریتم M8 یکی از قویترین الگوریتم های پیشبینی است که میتوان برای سرتاسر خاورمیانه بهکار گرفت. به این ترتیب میتوان اینگونه نتیجه گرفت که الگوریتمهای مبتنی بر شناسایی الگو نقش مهمی را در کاهش خسارات جانی و مالی در رخدادهای لرزهای بازی میکنند.
محمداحسان حکمتیان؛ وحید ابراهیمزاده اردستانی؛ محمدعلی ریاحی؛ ایوب معمار کوچهباغ؛ جلال امینی
چکیده
استفاده از هوش مصنوعی یا شناسایی الگو (Pattern Recognition (PR)) در تفسیر دادههای ژئوفیزیکی و یا دیگر علوم زمین چند سالی است که بهویژه با ورود شبکه عصبی در این عرصه مطرح شده است. در روش شبکه عصبی و دیگر روشهای شناسایی الگو و از جمله در روش ردهبندی کننده بردار حمایتشده (Support Vector Classifier (SVC)) که در این پژوهش از آن استفاده شده است، با استفاده ...
بیشتر
استفاده از هوش مصنوعی یا شناسایی الگو (Pattern Recognition (PR)) در تفسیر دادههای ژئوفیزیکی و یا دیگر علوم زمین چند سالی است که بهویژه با ورود شبکه عصبی در این عرصه مطرح شده است. در روش شبکه عصبی و دیگر روشهای شناسایی الگو و از جمله در روش ردهبندی کننده بردار حمایتشده (Support Vector Classifier (SVC)) که در این پژوهش از آن استفاده شده است، با استفاده از مقادیر مشخصههای استخراجشده از ساختارها یا اشیای مورد نظر به ردهبندی آن اشیا یا ساختارها پرداخته میشود و به این ترتیب میتوان به تفسیر مورد نظر دست یافت. بهطور مرسوم درانتخاب این مشخصهها نظر شخصی نقش اصلی را بر عهده داشته است. در این نوشتار با ارائه نرمافزاری که دارای قابلیت انتخاب مشخصههای (Features Selection (FS)) مناسب برای برآورد ژرفای ساختارهای طاقدیسی توسط دادههای گرانی است و نشان دادن تفاوت استفاده از مشخصههای مناسب و نامناسب در این تفسیر، اهمیت انتخاب مشخصه در کاربرد هوش مصنوعی در تفسیرگرانی و دیگر علوم زمین نشان داده میشود. در اجرای این پژوهش، برای تربیت روش ردهبندی کننده بردار حمایتشده مربوط، 20 نیمرخ مصنوعی گرانی با منبع تاقدیسی تولید شد (مجموعه تربیت کننده). همچنین برای امتحان روش ردهبندی کننده بردار حمایتشده یادشده، 20 نیمرخ مصنوعی گرانی دیگر هم که آنها نیز دارای منابع به شکل تاقدیس بودند، تولید شد (مجموعه امتحان کننده). در این پژوهش نشان داده شد که برآورد ژرفای منابع تاقدیسی در حالت استفاده از مقادیر مشخصههای مناسب، خیلی دقیقتر از برآورد ژرفا در حالت استفاده از مقادیر مشخصههای نامناسب است. لازم به یادآوری است که نرمافزار انتخاب مشخصه یادشده بهطور ویژه تنها برای انتخاب مشخصه تفسیر گرانی طراحی نشده، بلکه طراحی آن بهگونهای است که قابل استفاده برای انتخاب مشخصه در هر فعالیت تفسیری علوم زمین هم است.