تشخیص آنامولی های tec قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(pso)

بحث پیش بینی زمین لرزه به منظور کاهش تلفات و آسیب های آن از اهمیت بالایی برخورد ار است؛ به ویژه د ر منطقه لرزه خیزی مانند ایران که سالانه شاهد وقوع این پد ید ه طبیعی می باشد . تشخیص ناهنجاری های قبل از زلزله نقش بسزایی د ر این امر د اراست. تغییرات یونسفری که با اند ازه گیری های از راه د ور(مانند استفاد ه از سیستم تعیین موقعیت جهانی)  قابل شناسایی هستند به پیش نشانگرهای یونسفری زلزله معروف می باشند . د ر این مطالعه د و مجموعه د اد ه از محتوای الکترون های یونسفر که حاصل از پرد ازش د اد ه های gps با نرم افزار bernese است برای د و مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرد اد ۱۳۹۱) و زلزله کاکی بوشهر (20فرورد ین1392) مورد استفاد ه قرار گرفته و نتایج آن با د اد ه های ایستگاه جهانی مقایسه گرد ید ه است. از آنجا که تغییرات tec[1] رفتاری غیرخطی د ارد بد ین منظور برای پیش بینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چند لایه ([2]mlp)) و الگوریتم  pso[3] استفاد ه گرد ید ه است. الگوریتم pso با عملکرد ی مبتنی بر جمعیت می تواند د ر بهبود وزن برآورد شد ه توسط شبکه عصبی مؤثر واقع شود . با تجزیه و تحلیل علل ناهنجاری های یونسفر از جمله مید ان های ژئومغناطیسی و فعالیت های خورشید ی و حذف آن ها از پرد ازش های مورد نظر، نتایج حاصل نشان می د هد که برخی از این ناهنجاری ها ناشی از وقوع زلزله است و به کارگیری الگوریتم های هوشمند توانسته است کارآیی مناسبی د ر جهت پیش بینی سری های زمانی غیر خطی د اشته باشد . خروجی حاصل از تلفیق شبک عصبی و pso نشان می د هد که هر د و ناهنجاری های مثبت و منفی رخ می د هند. ناهنجاری های قبل از زلزله غالباً نزد یک به کانون زلزله رخ می د هند و د ر 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت می باشند .   [1]- total  electron content [2]-multi  layer  perceptron [3]- particle  swarm  optimization particle  swarm  optimization