| چارچوبی دادهمحور مبتنی بر هوش مصنوعی برای پیشبینی زمینلرزه در مناطق با دادههای محدود |
| کد مقاله : 1300-NAEC |
| نویسندگان |
|
رضا شربتی *1، دانگ یوپ کواک2 1محقق پسادکتری در دانشگاه هانیانگ 2885 / JUNGANG-DAERO / DANWON-GU |
| چکیده مقاله |
| کمبود دادههای لرزهای یکی از چالشهای اساسی در پیشبینی شاخصهای شدت حرکت زمین و ارزیابی خطر لرزهای، بهویژه در مناطق درونصفحهای با سابقه لرزهای کم، محسوب میشود. روشهای کلاسیک مبتنی بر رگرسیون آماری و مدلهای فیزیکی به حجم قابلتوجهی از دادههای مشاهدهشده وابستهاند و در شرایط کمداده با عدمقطعیت بالا و تعمیمپذیری محدود مواجه هستند. در این مقاله، یک چارچوب دادهمحور مبتنی بر هوش مصنوعی برای پیشبینی حرکت زمین در مناطق کمداده ارائه میشود. در رویکرد پیشنهادی، مسئله بهعنوان یک مسئله کمبود داده در علوم داده بازتعریف شده و با بهرهگیری از مدلهای فازی و الگوریتم ژنتیک، امکان انتقال دانش از مناطق با پایگاه داده غنی به مناطق با داده محدود فراهم میشود. در این چارچوب، مدلهای فازی مستقل برای چند منطقه با لرزهخیزی بالا توسعه داده شده و سپس با استفاده از الگوریتم ژنتیک، ضرایب وزنی بهینه جهت ترکیب این مدلها و کاهش عدمقطعیت پیشبینی استخراج میگردد. مطالعه موردی شبهجزیره کره جنوبی نشان میدهد که رویکرد پیشنهادی قادر است علیرغم دادههای محدود محلی، پیشبینی دقیقی از سرعت بیشینه زمین (PGV) ارائه دهد. نتایج بیانگر افزایش دقت پیشبینی و کاهش قابلتوجه پراکندگی باقیماندهها نسبت به روشهای کلاسیک است. |
| کلیدواژه ها |
| هوش مصنوعی، یادگیری انتقالی، مناطق کمداده، پیشبینی زمینلرزه، حوزه نزدیک گسل. |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
