كاربرد هوش مصنوعي در تحليل داده‌هاي لرزه‌شناسي (مطالعه موردي: داده هاي پيش‌نشانگرها)

زمينه و هدف: ثبت دستگاهي داده‌هاي مربوط به پديده زلزله در سده اخير، رويكردهاي جديدي را براي استفاده از روش‌هاي نوين نگهداري، پردازش و تحليل اين نوع از داده‌ها به منظور سازمان‌دهي و طبقه‌بندي آن ها براي اهداف مرتبط با مديريت خطرپذيري لرزه اي ارائه داده است. از جمله اين رويكردها، استفاده از فناوري هوش مصنوعي براي كشف قوانين ذاتي و وابستگي‌ بين داده‌ها جهت طبقه‌بندي رويدادهاي لرزه اي يا پيش‌بيني مقادير پيوسته سري‌هاي زماني مي باشد. روش: در اين تحقيق، كاربرد شاخه‌هاي مختلف هوش مصنوعي به خصوص روش هاي يادگيري ماشين و يادگيري عميق در پردازش داده‌هاي مرتبط با زلزله با در نظر گرفتن ويژگي هاي خاص اين نوع از داده‌ها اعم از وجود ارتباطات زماني ميان نمونه ها و توزيع به شدت ناموزون كلاس ها مورد تجزيه و تحليل قرار گرفته است. سپس يك رويكرد جديد مبتني بر شبكه بازگشتي عميق تجهيز شده به تابع ضرر حساس به هزينه به منظور مدلسازي ارتباط بين داده‌هاي سري زماني لرزه اي و احتمال وقوع زلزله‌هاي آتي پيشنهاد گرديده است. به منظور ارزيابي عملكرد مدل پيشنهادي، يك مطالعه موردي در زمينه طبقه بندي شدت شتاب بيشينه لرزه‌اي (PGA) در گام زماني بعدي بر اساس سري زماني مربوط به پيش نشانگر لرزه اي فعاليت غير طبيعي حيوانات انجام شده است. يافته‌ها: بهره گيري از شبكه هاي عميق بازگشتي با توجه به توانايي هاي آن ها در به خاطر سپاري طولاني مدت ارتباطات زماني ميان نمونه ها، در مدلسازي سري هاي زماني لرزه‌اي كاملا مثبت ارزيابي گرديد. با اين حال، در مسائل طبقه‌بندي داده‌هاي لرزه‌اي كه همواره لرزش‌هاي جدي‌تر در مقابل حالت‌هاي غير جدي به‌ندرت رخ مي‌دهند، مسئله عدم تعادل كلاس به طور پررنگي حضور دارد كه اگر اين موضوع به ‌درستي كنترل نشود، مي‌تواند عملكرد مدل‌ها را به نفع كلاس اكثريت به ‌شدت تحت تأثير قرار دهد، به‌طوري‌كه مدل‌ها تمايل خواهند داشت همه نمونه‌ها را به عنوان كلاس اكثريت برچسب‌گذاري كنند. اين درحالي است كه در اينگونه از مسايل، شناسايي صحيح كلاس اقليت، اولويت اصلي را دارد. نتيجه‌گيري: نتايج مطالعه موردي نشان داد كه رويكرد مبتني بر يادگيري عميق با ميانگين دقت متعادل 81.2% و 59.3% به ترتيب بر روي داده‌هاي آموزشي و آزمون، عملكرد كاملاً بهتري را در مقايسه با شبكه هاي عصبي بازگشتي معمولي در طبقه بندي مقادير PGA از خود بر جاي گذاشته است. همچنين اين مطالعه نشان داده است كه با اصلاح كردن تابع هزينه شبكه هاي بازگشتي عميق به كمك رويكرد حساس به هزينه، مي توان چالش عدم تعادل كلاس داده‌هاي لرزه‌اي را نيز به خوبي كنترل نمود.