عنوان پایان‌نامه
تشخیص انا مولی های TECو حرا رتی قبل از وقو ع زلزله های بزرگبا استفاده از روش های شبکه عصبی مصنو عی و بهینه سازی توده ذرات
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- ژئودزی(هیدروگرافی)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3153;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74466
- تاریخ دفاع
- ۰۹ شهریور ۱۳۹۴
- دانشجو
- منیره شمشیری
- استاد راهنما
- مهدی آخوندزاده هنزائی
- چکیده
- بحث پیش‌بینی زمین‌لرزه به‌منظور کاهش تلفات و آسیب‌های آن از اهمیت بالایی به‌ویژه در منطقه لرزه‌خیزی مانند ایران که دارای پتانسیل وقوع این پدیده طبیعی می‌باشدبرخوردار است. پیش بینی زمان دقیق این پدیده طبیعی با دانش و امکانات کنونی بشر تاکنون غیرممکن بوده است ولی درعین‌حال نشانگرهایی پیش از وقوع زلزله وجود دارند که می‌توان با مطالعه آن‌ها به یافتن روشی قابل‌اطمینان برای پیش‌بینی زلزلهامیدوار بود. ازجمله این پیش نشانگرها ، پیش‌نشانگرهای یونسفری و حرارتی می‌باشند که با اندازه‌گیری‌های از راه دور مانند استفاده از سیستم تعیین موقعیت جهانی (GPS) و تصاویر ماهواره‌ای قابل‌شناسایی و تشخیص می‌باشند. در این تحقیق سعی بر این است که با پردازش داده‌های ایستگاه دائمی GPSبه‌وسیله نرم‌افزار Bernese تغییرات میزان الکترون‌های یونسفر (TEC) بررسی شود و از آن به‌عنوان پیش‌نشانگر زلزله استفاده گردد. همچنین خروجی‌های حرارتی سنجنده MODIS امکان بررسی تغییرات دمای سطح زمین قبل از وقوع زمین‌لرزه را فراهم نموده است.به همین منظور مجموعه‌ای دوماهه از داده‌های ایستگاه دائمی GPSو داده‌های حرارتی سنجنده MODISمورداستفاده قرار گرفته و سپس تغییرات الکترون‌ها و دمای سطح زمین برای زلزله‌های اهر آذربایجان شرقی (21/5/1391)، کاکی بوشهر (20/1/1392) و سراوان سیستان و بلوچستان (27/1/1392) بررسی گردیده است. ازآنجاکه تغییرات TECو دمای سطح رفتاری غیرخطی دارند برای تشخیص تغییرات آن نیاز به روشی هوشمند است که در این تحقیق از تلفیق شبکه عصبی مصنوعی (با به‌کارگیری پرسپترون چندلایه (MLP) ) و الگوریتم PSO استفاده گردیده است. الگوریتم PSO تکاملی ست که برخلاف الگوریتم شبکه عصبی با دارا بودن قابلیت جستجوی سراسری و محلی در فضای داده‌ها توانایی رهایی از به دام افتادن در مینیمم‌های محلی را دارد و این قابلیت باعث می‌شود که وزن مورد نیاز شبکه عصبی با دقت بالاتری برآورد گردد و درنتیجه خروجی شبکه عصبی در پیش‌بینی داده‌ها به مقدار مشاهداتی نزدیک‌تر شود و خطای پیش‌بینی کاهش یابد.نتایج حاصل از تلفیق شبکه عصبی و PSO نشان می‌دهد که میزان RMSE پیش‌بینی داده‌ها با به‌کارگیری الگوریتم PSO نسبت به حالتی که از آن استفاده نشده به‌صورت قابل‌توجهی کاهش یافته است و این الگوریتم توانسته آنامولی‌هایی را تا چند روز قبل از زمین‌لرزه تشخیص دهد. واژگان کلیدی: زلزله، الگوریتم بهینه‌سازی توده ذرات، آنومالی، TEC، شبکه عصبی مصنوعی
- Abstract
- Discussion about earthquake to reduce its casualties and damages is very important, especially in the Seismicity area like Iran that the occurrence of this natural phenomenon is seen annually. Anomalies detection before earthquake is an important role for earthquake prediction. Ionosphere changes that recognition by remote measurements (such as using global positioning system) are known as earthquake ionospheric precursor. Also thermal output of MODIS provided to study land surface temperature changes before earthquake. In this study several data sets from the ionospheric total electron content (TEC) derived from the GPS data processing by Bernese software and MODIS thermal data used for three studies: Ahar East Azerbaijan earthquake (2012/08/11), Kaki Bushehr earthquake (2013/4/9) and Saravan earthquake (2013/04/16) and the results were compared with data from global stations. Because of the nonlinear behavior TEC and land surface changes in order to detect changes of that, integration of neural network (using multilayer Perceptron (MLP)) with particle swarm optimization algorithm (PSO) is used. Particle swarm optimization algorithm performance based on the population and can be effective on improving weight estimated by artificial neural network. By analyzing the causes of ionospheric anomalies such as the geomagnetic field and solar activity and remove them from the process, the results indicate that some of this anomalies caused by the earthquake and using intelligent algorithms could be useful for the prediction of nonlinear time series. The output of the integration of artificial neural network and PSO shows that the algorithm is able to detect TEC and thermal anomalies a few days before earthquakes.
