مشخصات پژوهش

عنوان	بررسی مدل یادگیری عمیق مبتنی بر شبکه کاملاً کانولوشنال(FCN) برای مکان-یابی زمین لرزه های محلی
نوع پژوهش	پایان‌نامه
کلیدواژه‌ها	مکان­یابی زمین­لرزه، شکل موج، شبکه عصبی کانولوشنال ، برنامه hypo71 و NonLinLoc
چکیده	با توجه به پیچیدگی فرایند وقوع زمین­لرزه و عدم وجود الگوهای مشخص، مکان­یابی دقیق آن ها همچنان چالش برانگیز است. با این حال، مطالعات اخیر نشان داده اند که شبکه های عصبی می توانند در تحلیل داده های زمین لرزه و به ویژه در تعیین مکان احتمالی زمین­لرزه، نقش مؤثری ایفا کنند. در این پژوهش، با هدف بهبود دقت مکان یابی زمین­لرزه، مجموعه داده های 4300 رویداد زمین لرزه با بزرگای بالای 2.5 از شبکه لرزه نگاری IRSC که توسط 15 ایستگاه لرزه نگاری در سه مولفه N، Z و E ثبت شده، جمع آوری و شکل موج هر زمین­لرزه به مظوری مکان­یابی زمین­لرزه ­ها به تصویر تبدیل شده است. سپس، این تصاویر شکل موج با اطلاعات مکانی (طول و عرض جغرافیایی و عمق) برچسب گذاری شده و با استفاده از تابع گاوسی، توزیع مکانی زمین­لرزه ها به صورت سه بعدی مدل سازی شده و به عنوان داده ورودی به روش شبکه عصبی کاملاً کانولوشنی (FCN) وارد شده است. با اجرای روش FCN بر روی تصاویر شکل موج زمین­لرزه ها، یک تصویر سه بعدی از مکان زمین لرزه ها را خروجی می­دهند. همچنین، برای ارزیابی و دقت مکان­یابی اطلاعات فازهای P و S این مجموعه داده های زمین لرزه استخراج و با استفاده از روش های خطی hypo71 و غیرخطی NonLinLoc و برای برآورد خطای مکان­یابی این داده ها استفاده شده است. در نهایت، نتایج مکان یابی هر سه روش مذکور hypo71، NonLinLoc و شبکه عصبی FCN برای 400 رویداد زمین لرزه انتخاب شده از مجموعه داده های آموزشی با یکدیگر و کاتالوک اولیه(IRSC) مقایسه شده است. نتایج مقایسه نشان می دهد که روش شبکه عصبی FCN که با استفاده از شکل موج، مکان زمین لرزه ها را مکان­یابی می کند، نسبت به دو روش دیگر hypo71 و NonLinLoc که با استفاده از فازهای P و S مکان زمین لرزه ها را برآورد می کنند، از دقت بالاتری برخوردار است.
پژوهشگران	پرویز خرسند (دانشجو)، سید رضا منصوری (استاد راهنما اول)، سعید سلطانی مقدم (استاد راهنما اول)، محمد مهدی درام گزین (استاد مشاور)
تاریخ انجام	1403-11-14