|
Title
|
بررسي مدل يادگيري عميق مبتني بر شبكه كاملاً كانولوشنال(FCN) براي مكان-يابي زمين لرزه هاي محلي
|
|
Type
|
Thesis
|
|
Keywords
|
مكانيابي زمينلرزه، شكل موج، شبكه عصبي كانولوشنال ، برنامه hypo71 و NonLinLoc
|
|
Abstract
|
با توجه به پيچيدگي فرايند وقوع زمينلرزه و عدم وجود الگوهاي مشخص، مكانيابي دقيق آن ها همچنان چالش برانگيز است. با اين حال، مطالعات اخير نشان داده اند كه شبكه هاي عصبي مي توانند در تحليل داده هاي زمين لرزه و به ويژه در تعيين مكان احتمالي زمينلرزه، نقش مؤثري ايفا كنند. در اين پژوهش، با هدف بهبود دقت مكان يابي زمينلرزه، مجموعه داده هاي 4300 رويداد زمين لرزه با بزرگاي بالاي 2.5 از شبكه لرزه نگاري IRSC كه توسط 15 ايستگاه لرزه نگاري در سه مولفه N، Z و E ثبت شده، جمع آوري و شكل موج هر زمينلرزه به مظوري مكانيابي زمينلرزه ها به تصوير تبديل شده است. سپس، اين تصاوير شكل موج با اطلاعات مكاني (طول و عرض جغرافيايي و عمق) برچسب گذاري شده و با استفاده از تابع گاوسي، توزيع مكاني زمينلرزه ها به صورت سه بعدي مدل سازي شده و به عنوان داده ورودي به روش شبكه عصبي كاملاً كانولوشني (FCN) وارد شده است. با اجراي روش FCN بر روي تصاوير شكل موج زمينلرزه ها، يك تصوير سه بعدي از مكان زمين لرزه ها را خروجي ميدهند. همچنين، براي ارزيابي و دقت مكانيابي اطلاعات فازهاي P و S اين مجموعه داده هاي زمين لرزه استخراج و با استفاده از روش هاي خطي hypo71 و غيرخطي NonLinLoc و براي برآورد خطاي مكانيابي اين داده ها استفاده شده است. در نهايت، نتايج مكان يابي هر سه روش مذكور hypo71، NonLinLoc و شبكه عصبي FCN براي 400 رويداد زمين لرزه انتخاب شده از مجموعه داده هاي آموزشي با يكديگر و كاتالوك اوليه(IRSC) مقايسه شده است. نتايج مقايسه نشان مي دهد كه روش شبكه عصبي FCN كه با استفاده از شكل موج، مكان زمين لرزه ها را مكانيابي مي كند، نسبت به دو روش ديگر hypo71 و NonLinLoc كه با استفاده از فازهاي P و S مكان زمين لرزه ها را برآورد مي كنند، از دقت بالاتري برخوردار است.
|
|
Researchers
|
parviz khorsand (Student) , Reza Mansoori (First primary advisor) , Saeed Soltani-moghadam (First primary advisor) , Mohammad Mahdi Deramgozin (Advisor)
|