آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
دوره 11، شماره 3 - ( دوره یازدهم ، شماره سوم، پاییز 1400 )
جلد 11 شماره 3 صفحات 309-299 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Pirizadeh M, Pirizadeh M. Artificial intelligence applications in analyzing seismological data (Case study: Precursors data). Disaster Prev. Manag. Know. 2021; 11 (3) :299-309
URL: http://dpmk.ir/article-1-430-fa.html
URL: http://dpmk.ir/article-1-430-fa.html
پیری زاده محسن، پیری زاده محبوبه. کاربرد هوش مصنوعی در تحلیل داده‌های لرزه‌شناسی (مطالعه موردی: داده های پیش‌نشانگرها). دانش پیشگیری و مدیریت بحران. 1400; 11 (3) :299-309
1- کارشناس ارشد محاسبات نرم و هوش مصنوعی، دانشکده علوم پایه، دانشگاه شاهد، تهران، ایران.
2- استادیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد تهران غرب، تهران، ایران
2- استادیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد تهران غرب، تهران، ایران
چکیده: (2453 مشاهده)
زمینه و هدف: ثبت دستگاهی داده‌های مربوط به پدیده زلزله در سده اخیر، رویکردهای جدیدی را برای استفاده از روش‌های نوین نگهداری، پردازش و تحلیل این نوع از داده‌ها به منظور سازمان‌دهی و طبقه‌بندی 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 داده‌ها جهت طبقه‌بندی رویدادهای لرزه ای یا پیش‌بینی مقادیر پیوسته سری‌های زمانی می باشد.
روش: در این تحقیق، کاربرد شاخه‌های مختلف هوش مصنوعی به خصوص روش های یادگیری ماشین و یادگیری عمیق در پردازش داده‌های مرتبط با زلزله با در نظر گرفتن ویژگی های خاص این نوع از داده‌ها 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 داده‌های سری زمانی لرزه ای و احتمال وقوع زلزله‌های آتی پیشنهاد گردیده است. به منظور ارزیابی عملکرد مدل پیشنهادی، یک مطالعه موردی در زمینه طبقه بندی شدت شتاب بیشینه لرزه‌ای (PGA) در گام زمانی بعدی بر اساس سری زمانی مربوط به پیش نشانگر لرزه ای فعالیت غیر طبیعی حیوانات انجام شده است.
یافته‌ها: 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 لرزه‌ای کاملا مثبت ارزیابی گردید. با این حال، در مسائل طبقه‌بندی داده‌های لرزه‌ای که همواره لرزش‌های جدی‌تر در مقابل حالت‌های غیر جدی به‌ندرت رخ می‌دهند، مسئله عدم تعادل کلاس به طور پررنگی حضور دارد که اگر این موضوع به درستی کنترل نشود، می‌تواند عملکرد مدل‌ها را به نفع کلاس اکثریت به شدت تحت تأثیر قرار دهد، به‌طوری‌که مدل‌ها تمایل خواهند داشت همه نمونه‌ها را به عنوان کلاس اکثریت برچسب‌گذاری کنند. این درحالی است که در اینگونه از مسایل، شناسایی صحیح کلاس اقلیت، اولویت اصلی را دارد.
نتیجه‌گیری: نتایج مطالعه موردی نشان داد که رویکرد مبتنی بر یادگیری عمیق با میانگین دقت متعادل 81.2% و 59.3% به ترتیب بر روی داده‌های آموزشی و آزمون، عملکرد کاملاً 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 داده‌های لرزه‌ای را نیز به خوبی کنترل نمود.
روش: در این تحقیق، کاربرد شاخه‌های مختلف هوش مصنوعی به خصوص روش های یادگیری ماشین و یادگیری عمیق در پردازش داده‌های مرتبط با زلزله با در نظر گرفتن ویژگی های خاص این نوع از داده‌ها 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 داده‌های سری زمانی لرزه ای و احتمال وقوع زلزله‌های آتی پیشنهاد گردیده است. به منظور ارزیابی عملکرد مدل پیشنهادی، یک مطالعه موردی در زمینه طبقه بندی شدت شتاب بیشینه لرزه‌ای (PGA) در گام زمانی بعدی بر اساس سری زمانی مربوط به پیش نشانگر لرزه ای فعالیت غیر طبیعی حیوانات انجام شده است.
یافته‌ها: 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 لرزه‌ای کاملا مثبت ارزیابی گردید. با این حال، در مسائل طبقه‌بندی داده‌های لرزه‌ای که همواره لرزش‌های جدی‌تر در مقابل حالت‌های غیر جدی به‌ندرت رخ می‌دهند، مسئله عدم تعادل کلاس به طور پررنگی حضور دارد که اگر این موضوع به درستی کنترل نشود، می‌تواند عملکرد مدل‌ها را به نفع کلاس اکثریت به شدت تحت تأثیر قرار دهد، به‌طوری‌که مدل‌ها تمایل خواهند داشت همه نمونه‌ها را به عنوان کلاس اکثریت برچسب‌گذاری کنند. این درحالی است که در اینگونه از مسایل، شناسایی صحیح کلاس اقلیت، اولویت اصلی را دارد.
نتیجه‌گیری: نتایج مطالعه موردی نشان داد که رویکرد مبتنی بر یادگیری عمیق با میانگین دقت متعادل 81.2% و 59.3% به ترتیب بر روی داده‌های آموزشی و آزمون، عملکرد کاملاً 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 داده‌های لرزه‌ای را نیز به خوبی کنترل نمود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1400/4/14 | پذیرش: 1400/5/24 | انتشار الکترونیک: 1400/6/7
دریافت: 1400/4/14 | پذیرش: 1400/5/24 | انتشار الکترونیک: 1400/6/7
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
