روح الله کیمیایی فر

مخاطرات طبیعی از جمله زمین لرزها، از چالش های جدی برای جوامع بشری به شمار می روند. این پدیده ها علاوه بر جانی، خسارات اقتصادی و اجتماعی قابل توجهی را نیز به دنبال دارند. با توجه به اینکه بعضی از این مخاطرات، به طور ناگهانی و غیرقابل پیش بینی رخ می دهند، لازم است که ارزیابی و مدیریت بهینه این مخاطرات در دستور کار سیاست گذاران و مسئولان مدیریت بحران قرار گیرد. پیشرفت ها و دستاوردهای اخیر در زمینه الگوریتم های هوشمند توانسته است توان بشر در کاهش آثار ناشی از وقوع را کاهش دهد. از نمونه این دستاوردها، سیستم های هشدار سریع زمین لرزه هستند که به عنوان ابزاری مؤثر در کاهش آسیب ها و تلفات انسانی مطرح شده و می توانند با محاسبه پارامترهای مبنایی زمین لرزه هشدار زودهنگامی را به جمعیت متاثر از رویداد صادر کرده اطلاعات مورد نیاز را در اختیار مسولان قرار دهند. با توجه به اینکه یکی از ارکان اساسی استفاده از الگوریتم های یادگیرنده، وجود داده های آموزشی کافی می باشد که بتواند شرایط متنوع قابل انتظار را پوشش دهد. این در حالی است که در مواردی مانند داده های مربوط به مطالعات زمین لرزه که تعداد نمونه های موجود در دسترس ناکافی است، تکنیک های داده افزایی استفاده می شوند. در این تحقیق، تاثیر داده افزایی در محاسبه بزرگای زمین لرزه به صورت آنی و بر اساس داده های جنبش نیرومند زمین مورد بررسی قرار گرفته است. بر اساس تحلیل های صورت گرفته بر روی داده های بیش از سه هزار زمین لرزه بوقوع پیوسته نشان داده شده است که استفاده از داده افزایی موجب بهبود عملکرد تعمیم دهی شبکه یادگیرنده به مقدار 37 درصد شده است.

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (Peak Ground acceleration, PGA) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده های میرایی و زلزله های رخ داده در محل تهیه شده و در محاسبات تحلیل خطر زمین لرزه مورد استفاده واقع می شود. در پهنه های وسیع جغرافیایی و یا در شرایطی که تاسیس ایستگاههای دائمی یا موقت شبکه میسر نباشد، رویکردهای مبتنی بر یادگیری ماشین به عنوان یک راه حل جایگزین مورد استفاده قرار می گیرند. در راستای افزایش دقت شبکه عصبی در مسئله پیش بینی بیشینه شتاب زمین، با استفاده از تحلیل شناسایی داده های پرت یا نامتجانس، داده های ورودی شبکه یادگیرنده تفکیک شده و سپس فرآیند آموزش و تعمیم شبکه انجام شده است. این رویکرد باعث کاهش خطای شبکه انفیس شده، چنانچه خطای جذر میانگین مربعات 36 درصد بهبود داشته است. با استناد به نتیجه مذکور، داده های طول و عرض جغرافیاییِ رومرکز، عمق و بزرگای مربوط به 1571 رکورد ثبت شده در شبکه شتاب نگاری کشوری به همراه داده های مربوط به میانگین سرعت موج مورد استفاده قرار گرفت تا شبکه انفیس آموزش داده شود. سپس، شبکه آموزش دیده، جهت ارزیابی کارآیی روش، بر روی داده های زلزله مورموی، 1393، در استان ایلام تعمیم داده شد تا نقشه پهنه بندی مقادیر بیشبینه شتاب، در پیرامون رومرکز زلزله محاسبه گردد. بررسی خروجی ها نشان می دهد که نقشه بدست آمده با گزارش رسمی پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله تطابق داشته و از روش ارائه شده می توان به عنوان یک روش جایگزین در پیش بینی بیشینه شتاب ناشی از زلزله اقدام نمود.