برآورد بیشینه شتاب زمین به روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور | ||
| پژوهش های زیرساخت های عمرانی | ||
| مقاله 1، دوره 2، شماره 2، اسفند 1395، صفحه 1-12 اصل مقاله (889.1 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/cer.2017.829 | ||
| نویسندگان | ||
| مهدی کماسی* 1؛ سحر آزادی چگنی2؛ مهرداد آزادی چگنی2 | ||
| 1استادیار، دانشکده فنی و مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره) | ||
| 2دانشجوی کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره) | ||
| چکیده | ||
| یکی از روش‌های مناسب جهت بررسی زلزله‌های مختلف و تعیین میزان خطرپذیری در هر منطقه پیش‌بینی پارامترهای جنبش نیرومند زمین می‌‌باشد که نقش مهمی را در ارزیابی اثرات زلزله در طراحی پروژه‌های مهندسی ایفا می‌کند. در پژوهش حاضر از مدل ماشین بردار پشتیبان و شبکه عصبی شعاع محور که از تکنیک‌های هوش مصنوعی هستند برای برآورد بیشینه شتاب زمین استفاده شده است. بدین منظور از پارامترهای لرزه‌ای شامل بزرگای زلزله، فاصله محل رخداد زلزله تا سایت، عمق کانونی زلزله و شدت زلزله به عنوان پارامترهای ورودی مدل‌های ماشین بردار پشتیبان و شبکه عصبی شعاع محور استفاده شده است. مقایسه نتایج برآورد بیشینه شتاب زمین با ماشین بردار پشتیبان و شبکه عصبی شعاع محور با روابط کاهندگی تجربی و روش‌های رگرسیون بیانگر آن است که روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور ارائه شده می‌توانند ارتباط مناسبی را میان مقادیر مشاهداتی و محاسباتی برقرار نمایند. همچنین این روش‌ها از دقت بالاتری نسبت به روش‌های کلاسیک پیشین برخوردار هستند به طوری که ضریب تبیین برای روش ماشین بردار پشتیبان 996/0 و شبکه عصبی شعاع محور 997/0 و برای روش‌های رگرسیونی خطی و رگرسیونی غیرخطی به ترتیب 790/0 و 153/0 می باشد. | ||
| کلیدواژه‌ها | ||
| مدل‌های داده‌کاوی؛ ماشین بردار پشتیبان؛ شبکه عصبی شعاع محور؛ حداکثر شتاب زمین | ||
| عنوان مقاله [English] | ||
| Estimation of the Peak Ground Acceleration using support vector machine and neural radius-based function network models | ||
| نویسندگان [English] | ||
| Mehdi Komasi1؛ Sahar Azadi Chegni2؛ Mehrdad Azadi Chegni2 | ||
| 1َAssistant Professor, Department of Civil Engineering, University of Ayatollah Boroujerdi | ||
| 2MSc student, in engineering, Department of Civil Engineering, University of Ayatollah Boroujerdi | ||
| چکیده [English] | ||
| Prediction of the ground strong motion parameters is one way to evaluate the various earthquakes and to determine the amount of risk in each area which plays an important role in the evaluation of earthquake effects on the engineering projects design. In this study, the support vector machine (SVM) and neural radius-based function (RBF) network models as new artificial intelligence techniques were used to estimate the peak ground acceleration (PGA). For this purpose, the seismic parameters such as the magnitude, epicentral distance, focal depth, earthquake intensity were applied as input parameters of proposed models. Evaluation of obtained results for the estimation of PGA using the SVM and RBF models with empirical attenuation relationships and regression methods indicated that the presented SVM and RBF models can establish an appropriated relationship between the observed and calculated PGA values. Also, proposed models have more accuracy than classical approaches. The determination coefficient is 0.996 and 0.997 for SVM and RBF models, respectively where as the determination coefficient is 0.790 and 0.153 for linear regression and nonlinear regression, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Data driven models, Support Vector Machine, Neural radius-based function network, Peak ground acceleration | ||
| مراجع | ||
|
[1] برگی، خ. (1388). "اصول مهندسی زلزله"، چاپ چهارم، تهران: مؤسسه انتشارات دانشگاه تهران. [2] بخشی، ح.، خراسانی، م.، فدوی، م.، قدرتی امیری، غ.، برخورداری، م. (1388). "تخمین پارامترهای شتاب، سرعت و جابه‌جایی ماکزیمم زمین با استفاده از شبکه عصبی مصنوعی"، مجله مدل‌سازی در مهندسی، دوره 7، شماره19، ش.ص. 11-21. [3] شکیب، ح.، علیرضایی، م. (1390). "اصول مهندسی زلزله"، چاپ اول، تهران: انتشارات آذرین مهر. [4] Liu, B.Y., Ye, L.Y., Xiao, M.L., & Miao, S. (2006). “Peak Ground Velocity Evaluation by Artificial Neural Network for West America Region”, In International Conference on Neural Information Processing, 942-951. [5] Arjun, C.R., & Kumar, A. (2009). “Artificial neural network-based estimation of peak ground acceleration”, ISET J. Earthq. Technol, 46(1), 19-28. [6] Derras, B., & Bekkouche, A. (2011). “Use of the Artificial Neural Network for Peak Ground Acceleration estimation”, Lebanese Science Journal, 12(2), 101-115. [7] Kerh, T., & Ting, S.B. (2005). “Neural network estimation of ground peak acceleration at stations along Taiwan high-speed rail system”, Engineering Applications of Artificial Intelligence, 18(7), 857–866. [8] Pozos, A., Gomez, R., & Hong, H.P. (2014). “Use of Neural network to predict the peak ground accelerations and pseudo spectral accelerations for Mexican Inslab and Interplate Earthquakes”, Geofísica internacional, 53(1), 39-57. [9] Barrile, I., Cacciola, M., D’Amico, S., Greco, A., Morabito, F.C., & Parrillo, F. (2006). “Radial Basis Function Neural Networks to Foresee Aftershocks in Seismic Sequences Related to Large Earthquakes”, In International Conference on Neural Information Processing, ICONIP 2006, 909–916. [10] Han, D., Chan, L., & Zhu, N. (2007). “Flood forecasting using Support Vector Machines”, Journal of Hydroinformatics, 267-276. [11] Chen, C. S., Cheng, M. Y., & Wu, Y. W. (2012). “Seismic assessment of school buildings in Taiwan using the evolutionary support vector machine inference system”, Expert Systems with Applications, 39(4), 4102-4110. [12] Nasrollahnejhad, A., Yari, A., Zahedian, S., & Hoodeh, H. (2013). “Simulating peak ground acceleration by general regression and radial basis function and other neural networks in some regions of the world”, Computer Engineering and Intelligent Systems. Journal, 4(1), 1-6, [13] Vapnik, V. N. (1995). “The Nature of Statistical Learning Theory”, Springer, New York. [14] Cortes, C., & Vapnik, V. (1995). “Support vector networks”, Mach, Learn. 20(3), 273-297. [15] Lee, C.Y., & Chern, S.G. (2013). “Application of a Support Vector Machine for liquefaction assessment”, Journal of Marine Science and Technology, 21(3), 318-324. [16] وزیری، م. (1395). "ارائه روش تخمین موقعیت برای محیط درونی با استفاده از شبکه عصبی شعاعی محور"، پایان‌نامه کارشناسی ارشد، دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر. [17] Nourani, V., & Komasi, M. (2013). “A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process”, Journal of Hydrology, 490, 41–55. [18] مقدم، ح.، فنایی، ن. (1385). "بررسی روابط کاهندگی مختلف در پیش‌بینی شتاب زمین لرزه سیلاخور"، دانشکده مهندسی عمران، دانشگاه صنعتی شریف، شماره 35. | ||
|
آمار تعداد مشاهده مقاله: 1,036 تعداد دریافت فایل اصل مقاله: 700 |
||