طبقه بندی ساختگاه به کمک پردازش تصویر و شبکه های عصبی و بر اساس طیف های پاسخ H/V
Publish place: Journal of Earthquake Engineering Sciences، Vol: 8، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 211
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_BESE-8-2_008
تاریخ نمایه سازی: 5 آبان 1400
Abstract:
به منظور برآورد خطر لرزه ای یک ساختگاه مشخص، طبقه بندی آن ساختگاه از اهمیت ویژه ای برخوردار است. از سوی دیگر به منظور تفسیر و تحلیل داده های ثبت شده از حرکت زمین در مناطق مختلف جهان، شناخت شرایط ساختگاه در ایستگاه های لرزه نگاری ضروری می باشد. در برخی از کشورها از جمله ایران اطلاعات کافی از وضعیت ژئوتکنیکی و زمین شناسی در بسیاری از ایستگاه های لرزه نگاری وجود ندارد. از این رو شرایط ساختگاه در این مناطق در دسترس نمی باشد. این پژوهش به رویکردی جدید و کارآمد در طبقه بندی ساختگاه بر اساس داده های ثبت شده از شبکه لرزه نگاری و با استفاده از تکنیک های پردازش تصویر و شبکه های عصبی و به کارگیری مجموعه ی مرجع از منحنی های نسبت طیفی ۵ درصد میرا شده مولفه افقی به عمودی (H/V) برای چهار نوع ساختگاه می پردازد. این مجموعه ی مرجع که شامل چهار منحنی H/V برای چهار نوع ساختگاه مختلف با نام های سنگ، خاک متراکم، خاک متوسط و خاک نرم و با طبقه بندی I، II، III و IV می باشد، از مطالعه ژائو و همکاران [۱] انتخاب شده است. در این پژوهش از دو نوع تابع شعاعی پایه (RBF) به نام های «شبکه عصبی احتمالی (PNN)» و «شبکه عصبی رگرسیون عمومی (GRNN)» و همچنین «شبکه عصبی کانولوشنی (CNN)» استفاده شده است. با توجه به نتایج به دست آمده مشاهده می شود که شبکه های PNN، GRNN و CNN در پیش بینی درست شرایط ساختگاه با استفاده از داده های زلزله در بهترین حالت به ترتیب در ۷۳، ۷۱ و ۸۱ درصد ایستگاه ها موفق عمل کرده اند.
Keywords:
Authors
محمد منوچهری کیان
دانشجوی کارشناسی ارشد ژئوتکنیک، دانشگاه بجنورد، بجنورد، ایران
محمد خندان بکاولی
استادیار، گروه عمران، دانشکده فنی و مهندسی دانشگاه بجنورد، بجنورد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :