مطالعه موردی سیگنال‌های لرزه‌ای ایستگاه قیر قبل از رخداد زلزله

نوع مقاله : Articles

نویسنده

دانشگاه آزاد اسلامی واحد تهران مرکزی

چکیده

در این مقاله با استفاده از نتایج دو سری آزمون، مدل کردن آشوبناکی سیگنال بر اساس نویزها و تشخیص ناهنجاری‌های قبل از زلزله مورد مطالعه قرار گرفته است. ابتدا تعدادی ویژگی مانند ویژگی‌های فرکانسی، آماری و آشوب از سیگنال لرزه استخراج شد، سپس ماتریس ویژگی حاصل توسط شبکه پرسپترون چند لایه مورد بررسی قرار گرفت. شبکه پرسپترون توانایی تشخیص آشوبناکی بر اساس نویزها در فاصله زمانی 5 دقیقه قبل از وقوع زلزله با دقت قابل قبول 1404/81 درصد برای زلزله‌های 5-7 ریشتری ثبت شده سال‌های 2004-2010 برای 21 ایستگاه ایران را دارا می‌باشد. سیگنال‌های ثبت شده لرزه‌نگار ایستگاه قیر نیز با این روش مورد بررسی قرار گرفت، که شبکه آشوبناکی قبل از وقوع زلزله را با دقت قابل قبول 8696/60 درصد برای آن ایستگاه تشخیص داد. در مقاله حاضر تلاش می‌شود تا ویژگی‌های غیر وابسته به زمین‌شناسی از سیگنال‌های لرزه‌نگاشت یک ایستگاه و 21 ایستگاه استخراج شود، سپس نتایج شبکه پرسپترون در تشخیص ناهنجاری و آشوبناکی سیگنال بر اساس نویزها در فاصله زمانی 5 دقیقه قبل از زلزله برای هر دو حالت مورد مقایسه قرار گیرد. نتایج نشان می‌دهد که استفاده از تعداد بیشتر داده‌های ثبت شده هر ایستگاه و افزودن ویژگی‌های غیر زمین‌شناسی آنها به ویژگی‌های زمین‌شناختی هر منطقه می‌تواند در نتیجه شبکه پرسپترون برای مدل کردن آشوبناکی سیگنال بر اساس نویزها تأثیرگذار ‌باشد.

کلیدواژه‌ها


Zare, M. (2008) Evaluation of seismic attributes, Bam earthquake. The First Earthquake Precursor Workshop (in Persian).
Çelık, E., Atalay, M., and Bayer, H. (2014) Earthquake prediction using seismic bumps with artificial neural networks and support vector machines. 22nd Signal Processing and Communications Applications Conference (SIU), 730-733.
Alariï‌, A., Alariï‌, N.S.N., and Al-Humidan, S. (2011) Earthquakes magnitude predication using artiï‌cial neural network in northern Red Sea area. Journal of King Saud University, Science, 24, 301-313.
Topcu, I.B. and Sarıdemir, M. (2008) Prediction of compressive strength of concrete containing ï‌‚y ash using artiï‌cial neural networks and fuzzy logic. Computational Materials Science, 305-311.
Pazoki, A.R., Farokhi, F., and Pazoki, Z. (2014) Classification of rice grain varieties using two artificial neural networks (MLP and NEURO-FUZZY). The Journal of Animal & Plant Sciences, 24, 336-343.
Nasrollah Nejad, A., Alamehzadeh, M., and Javan Doloyee, G. (2016) Estimation of the maximum peak ground acceleration by three artificial neural network models. 1-19 (in Persian).
Dehbozorgi, L. (2014) Investigation of two groups of features for short-term Iran earthquake prediction using seismic signals with neuro-fuzzy classifier and multilayer perceptron neural network. The First National Conference on Metaheuristic Algorithms and its Applications in Science and Engineering (in Persian).
Dehbozorgi, L. and Pazoki, Z. (2016) Study of the seismic signals before earthquakes larger than 5 on the Richter scale with neuro-fuzzy classifier and multilayer perceptron network. The 3rd International Congress on Technology Communication and Knowledge (in Persian).
Podder, P., Hasan, M., Islam, R., and Sayeed, M. (2014) Design and implementation of Butterworth, ChebyshevI and elliptic filter for speech signal analysis. International Journal of Computer Applications. 98, 12-18.
Noferesti, M. (2014) Statistics in business and economics. 23 (in Persian).
Majumdar, K. and Myers M.H. (2006) Amplitude suppression and chaos control in epileptic EEG signals. Computational and Mathematical Methods in Medicine, 7, 53-66.
Arbabi, E. () Investigation on relation between effective features used for different classifiers in BCI. M.S. thesis, Sharif Univ., Tehran (In Persian).
Mohamad pour, M. and Farokhi, F. (2009) An advanced method for speech recognition. World Academy of Science, Engineering and Technology, 995-1000.
Myint, S. W., Zhu, T., and Zheng, B. (2015) A novel image classification algorithm using over complete wavelet transforms. IEEE Geoscience and Remote Sensing, 12, 6.
Scognamiglio, L. and Hutchings, L. (2009) A test of a physically-based strong ground motion prediction methodology with the 26 September 1997, Mw = 6.0 Colï‌orito (Umbria–Marche sequence), Italy earthquake. Tectonophysics, 145-158.
Singh, N. and Khan, R. A. (2015) Speaker Recognition and Fast Fourier Transform. International Journal of Advanced Research in Computer Science and Software Engineering, 5(7), 530-534.
Mack, C. A. (2015) More systematic errors in the measurement of power spectral density. J. Micro/Nanolith. MEMS MOEMS, 14(3), 033502-033508.
Xue, Y., Ludovice, P. J., and Grover, M. A. (2011) Dynamic coarse graining in complex system simulation. American Control Conference on O'Farrell Street, 5031-5036.
Abroudi, A., Farokhi, F., and Zahedi, F. (2012) Instance selection for training of intelligent networks based on fast condensed nearest neighbor rule. IEEE Conference, 1-4.
Mathlab, [Online]. Available: https://www.mathworks.com
International Institute of Earthquake Engineering and Seismology. [Online]. Available: http://www.iiees.ac.ir.