Моделювання кластеризації землетрусів за допомогою методів машинного навчання
Ключові слова:
машинне навчання, сейсмічний аналіз, мейншокові процеси, кластеризація, стохастичний t-розподіл.
Анотація
Сейсмічний аналіз полягає у вивченні поширення пружних хвиль в товщі порід. Ґрунтуючись на принципах цього аналізу, доцільна побудова моделі, яка б описувала основні метрики поведінки земних ґрунтів під час землетрусів і яка могла б використовуватися для задач прогнозування сейсмічної активності в подальших дослідженнях. Робота присвячена моделюванню кластеризації землетрусів та візуалізації розподілу мейншокових процесів з використанням сучасних методів машинного навчання, таких як стохастичний t-розподіл та кластеризація. Розглянуто основні етапи побудови моделі для більш точного результату. Проведено моделювання на вибірки даних за останні сто років для перевірки адекватності розробленої моделі.
Посилання
Hussain, Mohammad & Ramancharla, Pradeep. (2016). Modeling of Reverse Dip-Slip Faults Using 3D Applied Element Method. Frontiers in Geotechnical Engineering. 4.1.10.14355 / fge.2016.04.001.Gronroos C. Service management and marketing / C. Gronroos. - West Sussex, 2000. p. 496.
Adeli, Hojjat & Asce, F & Jiang, Xiaomo. (2006). Dynamic Fuzzy Wavelet Neural Network Model for Structural System Identification. Journal of Structural Engineering-asce. J STRUCT ENG-ASCE. 132.10.1061. (ASCE) 0733-9445 (2006) 132:1(102).
Trunev AP, Lutsenko EV Prediction of earthquakes based on astronomical data using an artificial intelligence system. Scientific Journal of KubSAU. 2009. No. 52. URL: https://cyberleninka.ru/article/n/prognozirovanie-zemletryaseniy-po-astronomicheskim-dannym-s-ispolzovaniem-sistemy-iskusstvennogo-intellekta (date accessed: 1.10.2020).
Daskalaki, Eleni & Spiliotis, Konstantinos & Siettos, Constantinos & Minadakis, George & Papadopoulos, Gerassimos. (2016). Foreshocks and Short-Term Hazard Assessment to Large Earthquakes using Complex Networks: the Case of the 2009 L'Aquila Earthquake. Nonlinear Processes in Geophysics Discussions. 1-20. 10.5194 / npg-2015-80.
Andreeva M.Yu., Patrikeev V.N. Modeling zones of sources of potential earthquakes for territories near the Benioff zone. Geodynamics and tectonophysics. 2012. T. 3. No. 1. P. 69–76. DOI: 10.5800 / GT-2012-3-1-0063.
Schäfer, Andreas & Wenzel, Friedemann. (2019). Global Megathrust Earthquake Hazard – Maximum Magnitude Assessment Using Multi-Variate Machine LearningTable_1.csv. Frontiers in Earth Science. 7.10.3389 / feart.2019.00136.
Rouet-Leduc, Bertrand & Hulbert, Claudia & Lubbers, Nicholas & Barros, Kipton & Humphreys, Colin & Johnson, Paul. (2017). Machine Learning Predicts Laboratory Earthquakes. Geophysical Research Letters. 44.10.1002 / 2017gl074677.
Mikumo, Takeshi & Miyatake, Takashi. (2009). Numerical modeling of space and time variations of seismic activity before major earthquakes. Geophysical Journal of the Royal Astronomical Society. 74.559 - 583.
Matcharashvili, Teimuraz & Hatano, Takahiro & Chelidze, T. & Zhukova, Natalia. (2018). Simple statistics for complex Earthquake time distributions. Nonlinear Processes in Geophysics. 25.497-510. 10.5194 / npg-25-497-2018.
Abdelkrim A, Ghorbel C, Benrejeb M, etal. Lmi-based tracking control for takagi-sugeno fuzzy model [J]. International Journal of Control & Automation, 2010, No. 3 (2). P. 21 - 36.
Adeli, Hojjat & Asce, F & Jiang, Xiaomo. (2006). Dynamic Fuzzy Wavelet Neural Network Model for Structural System Identification. Journal of Structural Engineering-asce. J STRUCT ENG-ASCE. 132.10.1061. (ASCE) 0733-9445 (2006) 132:1(102).
Trunev AP, Lutsenko EV Prediction of earthquakes based on astronomical data using an artificial intelligence system. Scientific Journal of KubSAU. 2009. No. 52. URL: https://cyberleninka.ru/article/n/prognozirovanie-zemletryaseniy-po-astronomicheskim-dannym-s-ispolzovaniem-sistemy-iskusstvennogo-intellekta (date accessed: 1.10.2020).
Daskalaki, Eleni & Spiliotis, Konstantinos & Siettos, Constantinos & Minadakis, George & Papadopoulos, Gerassimos. (2016). Foreshocks and Short-Term Hazard Assessment to Large Earthquakes using Complex Networks: the Case of the 2009 L'Aquila Earthquake. Nonlinear Processes in Geophysics Discussions. 1-20. 10.5194 / npg-2015-80.
Andreeva M.Yu., Patrikeev V.N. Modeling zones of sources of potential earthquakes for territories near the Benioff zone. Geodynamics and tectonophysics. 2012. T. 3. No. 1. P. 69–76. DOI: 10.5800 / GT-2012-3-1-0063.
Schäfer, Andreas & Wenzel, Friedemann. (2019). Global Megathrust Earthquake Hazard – Maximum Magnitude Assessment Using Multi-Variate Machine LearningTable_1.csv. Frontiers in Earth Science. 7.10.3389 / feart.2019.00136.
Rouet-Leduc, Bertrand & Hulbert, Claudia & Lubbers, Nicholas & Barros, Kipton & Humphreys, Colin & Johnson, Paul. (2017). Machine Learning Predicts Laboratory Earthquakes. Geophysical Research Letters. 44.10.1002 / 2017gl074677.
Mikumo, Takeshi & Miyatake, Takashi. (2009). Numerical modeling of space and time variations of seismic activity before major earthquakes. Geophysical Journal of the Royal Astronomical Society. 74.559 - 583.
Matcharashvili, Teimuraz & Hatano, Takahiro & Chelidze, T. & Zhukova, Natalia. (2018). Simple statistics for complex Earthquake time distributions. Nonlinear Processes in Geophysics. 25.497-510. 10.5194 / npg-25-497-2018.
Abdelkrim A, Ghorbel C, Benrejeb M, etal. Lmi-based tracking control for takagi-sugeno fuzzy model [J]. International Journal of Control & Automation, 2010, No. 3 (2). P. 21 - 36.
Опубліковано
2020-12-27
Як цитувати
Проніна, О., & Якін, К. (2020). Моделювання кластеризації землетрусів за допомогою методів машинного навчання. КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, (41), 191-197. https://doi.org/10.36910/6775-2524-0560-2020-41-30
Розділ
Інформатика та обчислювальна техніка
