تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با تلفیق شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرات(PSO)
نویسندگان
چکیده مقاله:
بحث پیشبینی زمینلرزه بهمنظور کاهش تلفات و آسیبهای آن از اهمیت بالایی برخوردار است؛ به ویژه در منطقه لرزهخیزی مانند ایران که سالانه شاهد وقوع این پدیده طبیعی میباشد. تشخیص ناهنجاریهای قبل از زلزله نقش بسزایی در این امر داراست. تغییرات یونسفری که با اندازهگیریهای از راه دور(مانند استفاده از سیستم تعیین موقعیت جهانی) قابل شناسایی هستند به پیشنشانگرهای یونسفری زلزله معروف میباشند. در این مطالعه دو مجموعه داده از محتوای الکترونهای یونسفر که حاصل از پردازش دادههای GPS با نرم افزار Bernese است برای دو مورد مطالعاتی زلزله اهر آذربایجان شرقی (۲۱ مرداد ۱۳۹۱) و زلزله کاکی بوشهر (20فروردین1392) مورد استفاده قرار گرفته و نتایج آن با دادههای ایستگاه جهانی مقایسه گردیده است. از آنجا که تغییرات TEC[1] رفتاری غیرخطی دارد بدین منظور برای پیشبینی و تشخیص تغییرات آن از تلفیق شبکه عصبی ( با به کارگیری پرسپترون چندلایه ([2]MLP)) و الگوریتم PSO[3] استفاده گردیده است. الگوریتم PSO با عملکردی مبتنی بر جمعیت میتواند در بهبود وزن برآورد شده توسط شبکه عصبی مؤثر واقع شود. با تجزیه و تحلیل علل ناهنجاریهای یونسفر از جمله میدانهای ژئومغناطیسی و فعالیتهای خورشیدی و حذف آنها از پردازشهای مورد نظر، نتایج حاصل نشان میدهد که برخی از این ناهنجاریها ناشی از وقوع زلزله است و به کارگیری الگوریتمهای هوشمند توانسته است کارآیی مناسبی در جهت پیشبینی سریهای زمانی غیر خطی داشته باشد. خروجی حاصل از تلفیق شبک عصبی و PSO نشان میدهد که هر دو ناهنجاریهای مثبت و منفی رخ میدهند. ناهنجاریهای قبل از زلزله غالباً نزدیک به کانون زلزله رخ میدهند و در 3 روز قبل از زلزله اهر آذربایجان شرقی و 2 تا 6 روز قبل از زلزله کاکی بوشهر قابل رؤیت میباشند. [1]- Total Electron Content [2]-Multi Layer Perceptron [3]- Particle Swarm Optimization Particle Swarm Optimization
منابع مشابه
تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با استفاده از شبکه عصبی مصنوعی
وقوع زلزله علاوه بر تغییر در هندسه و فیزیک پوسته زمین تأثیرات دیگری را نیز به همراه دارد. از آن جمله، تأثیر بر لایه یونسفر می‍باشد که خود را بهصورت تغییر در میزان الکترون، چگالی یونها، میدانهای الکتریکی و مغناطیسی این لایه نشان میدهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایههای لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید بهعنوان پیشنشانگر شناخته میشود...
متن کاملتشخیص آنامولی های tec قبل از وقوع زلزله های بزرگ با استفاده از شبکه عصبی مصنوعی
وقوع زلزله علاوه بر تغییر در هندسه و فیزیک پوسته زمین تأثیرات دیگری را نیز به همراه دارد. از آن جمله، تأثیر بر لایه یونسفر میباشد که خود را به صورت تغییر در میزان الکترون، چگالی یون ها، میدان های الکتریکی و مغناطیسی این لایه نشان می دهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایه های لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید به عنوان پیش نشانگر شناخته می شود. با...
متن کاملتشخیص 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 با...
متن کاملتشخیص آنومالی های حرارتی قبل از وقوع زلزله با تلفیق الگوریتم های شبکة عصبی مصنوعی و بهینه سازی کلونی مورچه
ازآنجا که تشخیص آنومالی های لرزه ای به دلیل ساختار پیچیدة زمین و عدم شناخت کامل سازوکار وقوع زلزله، دشوار است، دسترسی به داده های حرارتی متنوع به دست آمده از روش های سنجش از دوری سبب شده تا امکان بررسی آنومالی حرارتی قبل از وقوع زلزله های بزرگ فراهم شود. آنومالی های حاصل از پیش نشانگرهای حرارتی، از اصلی ترین منابع پیش بینی زلزله اند. در این مطالعه با استفاده از پیش نشانگرهای دمای سطح (land surf...
متن کاملتشخیص آنومالیهای حرارتی قبل از وقوع زلزله با تلفیق الگوریتمهای شبکة عصبی مصنوعی و بهینهسازی کلونی مورچه
ازآنجا که تشخیص آنومالیهای لرزهای بهدلیل ساختار پیچیدة زمین و عدم شناخت کامل سازوکار وقوع زلزله، دشوار است، دسترسی به دادههای حرارتی متنوع بهدستآمده از روشهای سنجش از دوری سبب شده تا امکان بررسی آنومالی حرارتی قبل از وقوع زلزلههای بزرگ فراهم شود. آنومالیهای حاصل از پیشنشانگرهای حرارتی، از اصلیترین منابع پیشبینی زلزلهاند. در این مطالعه با استفاده از پیشنشانگرهای دمای سطح (Land Surf...
متن کاملبهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه
امروزه استفاده از سیستمهای هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستمها میتوانند به کاهش خطایی که ممکن است توسط کارشناسان کمتجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستمهای هوشمند مصنوعی در پیشبینی و تشخیص سرطان سینه که یکی از رایجترین سرطانها در بین زنان است، مورد توجه میباشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحلهای انجام...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 24 شماره 94
صفحات 5- 18
تاریخ انتشار 2015-08-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023