شکل‌گیری خوشه‌های پر خطر لرزه‌ای

نوع مقاله : Articles

نویسندگان

1 پژوهشگاه بین‌المللی زلزله شناسی و مهندسی زلزله

2 دانشگاه تهران

چکیده

در این تحقیق برای تعیین بی‌هنجاریهای قبل از وقوع زمین‌لرزه از شبیه‌سازی کاتولوگ‌های زلزله مشابه با استفاده از تابع کاپولا و معیاری مبتنی بر روش مونت کارلو برای مطالعه‌ و شناسایی خوشه‌های پر خطر زلزله‌های آینده استفاده شده است. به دلیل غیر‌یکنواختی کاتالوگ‌ها‌ی لرزه‌خیز‌ی موجود، با تولید کاتالوگ مصنوعی و روشهای مبتنی براستدلال تقر‌یبی برا‌ی پیگیر‌ی رفتار فرآ‌یندها‌ی پیچیده استفاده شده است. شبیه‌ساز‌یها‌یی نظ‌یر شبکه‌ها‌ی عصبی مصنوعی، روش مونت کارلو و بویژه مدلساز‌ی کاپولا برا‌ی تحلیل ا‌ین الگوها، توز‌یع لرزه‌خیز‌ی آینده درصفحه گسل را برجسته‌ترخواهد کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Identification the Formation of the clusters for Earthquake Risk Reduction

نویسندگان [English]

  • Mostafa AllamehZadeh 1
  • Mohsen Bahrami 2
  • Ali Shafigh 1
1 International Institute of Earthquake Engineering and Seismology (IIEES)
2 Tehran University
چکیده [English]

In this paper an approach is presented to predict the concentration and the trend of seismic pattern and clusters of earthquakes. The method is based on Copulas and artificial Neural Networks that have attracted much attention in spatial statistics over the past few years. They are used as a flexible alternative to traditional methods for non- Gaussian spatial modeling and interpolation. This methodology shows how it can be predicted aftershocks distribution in a Bayesian framework by assigning priors to all model parameters. The Gaussian spatial copula model is equivalent to trans-Gaussian kriging with transformation function. A restriction of the Gaussian copula is that it models not only a symmetric but even a radials symmetric dependence, where high and low quartiles have equal dependence properties. Experimental results show that the proposed models are superior to predict and identify seismic risk at high seismicity areas.

کلیدواژه‌ها [English]

  • Gaussian Copula
  • Seismic Pattern
  • Clustering
  • Earthquake Forecasting