Geri Dön

Derin öğrenme yöntemleriyle deprem şiddeti tahmini

Earthquake intensity estimation with deep learning methods

PDF İndir

  1. Tez No: 790460
  2. Yazar: RABİA UYAR
  3. Danışmanlar: DOÇ. DR. DURMUŞ ÖZDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Deprem Mühendisliği, Computer Engineering and Computer Science and Control, Earthquake Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 74

Özet

Deprem tahmini yapmak, ölüm oranını ve yıkımları azaltmak adına önemli bir konudur. Meydana gelmesi muhtemel depremleri önceden tahmin edebilmek için, depremlerin çok iyi analiz edilip iyi değerlendirilmesi gereklidir. Fakat henüz depremleri kesin olarak tahmin edebilen bir çalışma yapılmamıştır. Günümüze kadar yapılan çalışmalar incelendiğinde, istatistiksel yöntemler, yapay zeka ve yapay zekanın bir alt alanı olan derin öğrenme üzerine yoğunlaşıldığı görülmektedir. Bu çalışmada, Türkiye'de daha önceden meydana gelmiş depremlerin, katalog verilerinden tarih, zaman, derinlik, enlem ve boylam parametreleri kullanılarak meydana gelecek olası depremin şiddetinin tahmin edilmesine yönelik bir klasik yapay sinir ağı modeli Deprem Şiddeti Tahmin Modeli (DŞTM) önerilmiştir. Bununla birlikte bir haftalık ve iki haftalık zaman periyodu olmak üzere iki farklı zaman periyodu içinde meydana gelecek depremlerin şiddetini tahmin edebilmek için, özyinelemeli sinir ağı örneği olan Long Short Time Memory (LSTM) modeli kullanılarak bir LSTM ile deprem şiddeti tahmin modeli önerilmiştir. Önerilen iki modelin tahmin sonuçları Autoregressive Integrated Moving Average (ARIMA) modeli ile karşılaştırılmıştır. LSTM ile Deprem şiddeti tahmin modeli 0.561 R-kare değerine ulaşmıştır. Sonuç olarak önerilen her iki deprem tahmin modellinin de ARIMA modeline göre daha iyi bir performansa sahip olduğu gözlemlenmiştir.

Özet (Çeviri)

Predicting earthquakes is an important issue to reduce the death rate and destruction. In order to predict possible earthquakes, it is necessary to analyze and evaluate the earthquakes very well. However, there has not been a study that can predict earthquakes precisely. When the studies done so far are examined, it is seen that statistical methods, artificial intelligence and deep learning, which is a sub-field of artificial intelligence, are focused on. In this study, a classical artificial neural network model Earthquake Intensity Prediction Model (DŞTM) is proposed to predict the intensity of a possible earthquake by using date, time, depth, latitude and longitude parameters from catalog data of previous earthquakes in Turkey. However, in order to predict the intensity of earthquakes that will occur in two different time periods, one-week and two-week time periods, an earthquake intensity prediction model with LSTM is proposed using the Long Short Time Memory (LSTM) model, which is an example of a recursive neural network. The prediction results of the two proposed models were compared with the Autoregressive Integrated Moving Average (ARIMA) model. Earthquake intensity prediction model with LSTM reached an R-square value of 0.561. As a result, it has been observed that both proposed earthquake prediction models have a better performance than the ARIMA model.

Benzer Tezler

  1. Tez No

    893015

    Derin öğrenme tabanlı bölütleme yöntemleriyle deprem sonrası uydu görüntülerinden hasarlı bölgelerin tespiti: 6 Şubat 2023 Türkiye depremleri örneği

    Detection of damaged regions from post-earthquake satellite images with deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes

    MEHMET CAN EKKAZAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MİNE ELİF KARSLIGİL

  2. Tez No

    876437

    Machine learning of social media data on a spatio-temporal basis

    Sosyal medya verilerinin zaman-mekansal temellere göre makine öğrenimi

    BÜŞRA YEŞİLBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TANKUT ACARMAN

  3. Tez No

    878652

    Prediction of pore pressure and deviatoric stress generation for liquefiable soils under cyclic loading using machine learning

    Sıvılaşabilen zeminlerde dinamik yükleme durumunda boşluk suyu basıncı ve deviatorik gerilme değişiminin makine öğrenmesi yöntemleriyle tahmin edilmesi

    ÖMER TUĞŞAD BİRİNCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET BARIŞ CAN ÜLKER

  4. Tez No

    764304

    Derin öğrenme sınıflandırıcıları kullanarak bina cephe görüntülerinin hızlı görsel tarama analizi

    Fast visual analysis of building facade images using deep learning classifier for rapid visual screening

    FUAT YALINIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mekatronik MühendisliğiKTO Karatay Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AMIR YAVARIABDI

    PROF. DR. MUSA HAKAN ARSLAN

  5. Tez No

    753612

    Single-frame and multi-frame super-resolution on remote sensing images via deep learning approaches

    Derin öğrenme yaklaşımlarıyla uzaktan algılama görüntülerinde tek çerçeve ve çok çerçeve süper çözünürlük

    PEIJUAN WANG

    Doktora

    İngilizce

    İngilizce

    2022

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

Geri Dön