پیش بینی شاخص شدت مشخصه(IC) زلزله با استفاده از شبکه عصبی عمیق

پیش بینی سریع شاخص های شدت حرکت زمین پس از وقوع زلزله، از اهمیت بالایی در ارزیابی اولیه خطر و مدیریت بحران برخوردار است. در این پژوهش، یک مدل شبکه عصبی عمیق جهت تخمین شاخص شدت مشخصه(IC) توسعه داده شده است. IC به عنوان یک شاخص ترکیبی، اثرات شتاب، سرعت و جابجایی زلزله را در قالب یک معیار واحد ادغام می کند و همبستگی بهتری با پتانسیل خسارت لرزه ای نسبت به پارامترهای تک مولفه ای دارد. ورودی های مدل شامل بزرگای گسل، نوع مکانیسم گسل، فاصله از گسل تا محل ثبت رکورد، بیشینه شتاب زمین، بیشینه سرعت زمین و بیشینه جابجایی زمین هستند که به راحتی و در زمان کوتاه پس از زلزله در دسترس قرار می گیرند. خروجی مدل، مقدار IC می باشد که به عنوان معیاری جامع از شدت حرکت زمین در نظر گرفته شده است. داده های مورد نیاز برای آموزش و ارزیابی مدل از پایگاه داده زلزله های واقعی PEER NGA-West۲ استخراج شده اند. محاسبه IC با استفاده از کد پایتون توسعه داده شده است و بر اساس انتگرال گیری عددی از رکوردهای شتاب نگاشت انجام شده است. نتایج نشان می دهند که مدل پیشنهادی با دقت قابل قبولی (MSE پایین) قادر به پیش بینی Ic است. این رویکرد بدون نیاز به پردازش کل تاریخچه زمانی، امکان تخمین سریع Ic را فراهم می کند و می تواند به عنوان ابزاری موثر در سیستم های هشدار سریع زلزله و ارزیابی بلادرنگ خطر مورد استفاده قرار گیرد.

Keywords:

بیشینه شتاب زمین , بیشینه سرعت زمین , بیشینه جابجایی زمین , شدت مشخصه , مدل ساروگیت