کاربرد هوش مصنوعی در تحلیل داده های لرزه شناسی (مطالعه موردی: داده های پیش نشانگرها)

زمینه و هدف: ثبت دستگاهی داده های مربوط به پدیده زلزله در سده اخیر، رویکردهای جدیدی را برای استفاده از روش های نوین نگهداری، پردازش و تحلیل این نوع از داده ها به منظور سازمان دهی و طبقه بندی آن ها برای اهداف مرتبط با مدیریت خطرپذیری لرزه ای ارائه داده است. از جمله این رویکردها، استفاده از فناوری هوش مصنوعی برای کشف قوانین ذاتی و وابستگی بین داده ها جهت طبقه بندی رویدادهای لرزه ای یا پیش بینی مقادیر پیوسته سری های زمانی می باشد. روش: در این تحقیق، کاربرد شاخه های مختلف هوش مصنوعی به خصوص روش های یادگیری ماشین و یادگیری عمیق در پردازش داده های مرتبط با زلزله با در نظر گرفتن ویژگی های خاص این نوع از داده ها اعم از وجود ارتباطات زمانی میان نمونه ها و توزیع به شدت ناموزون کلاس ها مورد تجزیه  و  تحلیل قرار گرفته است. سپس یک رویکرد جدید مبتنی بر شبکه بازگشتی عمیق تجهیز شده به تابع ضرر حساس به هزینه به  منظور مدلسازی ارتباط بین داده های سری زمانی لرزه ای و احتمال وقوع زلزله های آتی پیشنهاد گردیده است. به منظور ارزیابی عملکرد مدل پیشنهادی، یک مطالعه موردی در زمینه طبقه بندی شدت شتاب بیشینه لرزه ای (PGA) در گام زمانی بعدی بر اساس سری زمانی مربوط به پیش نشانگر لرزه ای فعالیت غیر طبیعی حیوانات انجام شده است. یافته ها: بهره گیری از شبکه های عمیق بازگشتی با توجه به توانایی های آن ها در به خاطر سپاری طولانی مدت ارتباطات زمانی میان نمونه ها، در مدلسازی سری های زمانی لرزه ای کاملا مثبت ارزیابی گردید. با این حال، در مسائل طبقه بندی داده های لرزه ای که همواره لرزش های جدی تر در مقابل حالت های غیر جدی به ندرت رخ می دهند، مسئله عدم تعادل کلاس به طور پررنگی حضور دارد که اگر این موضوع به درستی کنترل نشود، می تواند عملکرد مدل ها را به نفع کلاس اکثریت به شدت تحت تاثیر قرار دهد، به طوری که مدل ها تمایل خواهند داشت همه نمونه ها را به عنوان کلاس اکثریت برچسب گذاری کنند. این درحالی است که در اینگونه از مسایل، شناسایی صحیح کلاس اقلیت، اولویت اصلی را دارد. نتیجه گیری: نتایج مطالعه موردی نشان داد که رویکرد مبتنی بر یادگیری عمیق با میانگین دقت متعادل ۸۱.۲% و ۵۹.۳% به ترتیب بر روی داده های آموزشی و آزمون، عملکرد کاملا بهتری را در مقایسه با شبکه های عصبی بازگشتی معمولی در طبقه بندی مقادیر PGA از خود بر جای گذاشته است. همچنین این مطالعه نشان داده است که با اصلاح کردن تابع هزینه شبکه های بازگشتی عمیق به کمک رویکرد حساس به هزینه، می توان چالش عدم تعادل کلاس داده های لرزه ای را نیز به خوبی کنترل نمود.

Keywords:

Seismic data , Artificial intelligence , Machine learning , Deep learning , Earthquake precursors , داده های لرزه ای , هوش مصنوعی , یادگیری ماشین , یادگیری عمیق , پیش نشانگر لرزه ای.