Prediction of strong ground motion parameters using machine learning techniques
Makine öğrenmesi tekniklerini kullanarak kuvvetli yer hareketi parametrelerinin tahmini
- Tez No: 866277
- Danışmanlar: DOÇ. DR. GÜLÜM TANIRCAN, DOÇ. DR. ELHAM PASHAEI
- Tez Türü: Yüksek Lisans
- Konular: Deprem Mühendisliği, Earthquake Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü
- Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Deprem Mühendisliği Bilim Dalı
- Sayfa Sayısı: 94
Özet
En büyük yer hızı (PGV) ve kümülatif mutlak hız (CAV), potansiyel deprem hasarını ölçmek için kullanılan önemli kuvvetli yer hareketi parametrelerindendir. Makine öğrenmesi, doğrusal olmayan ilişkilerin ele alınması, otomasyon, verimlilik ve gerçek zamanlı tahmin potansiyeli sayesinde PGV ve CAV parametrelerinin daha doğru ve güvenilir tahminlerini sağlayabilir. Bu çalışma, altı farklı makine öğrenmesi algoritmalarının PGV ve CAV tahmini için göreceli performansını kapsamlı bir şekilde karşılaştırmayı ve en güncel kuvvetli yer hareketi veri seti ile Türkiye'ye özgü yer hareketi modellerini geliştirmeyi amaçlamaktadır. Destek Vektör Makinesi (Support Vector Machine), Doğrusal Regresyon (Linear Regression), Rastgele Orman (Random Forest), Yapay Sinir Ağı (Artificial Neural Network), Bayesian Sırt Yolu Regresyonu (Bayesian Ridge Regression) ve Gradyan Artırma (Gradient Boosting) algoritmaları değerlendirilerek karşılaştırılmıştır. Modellerin öğrenme ve doğru tahmin yapma yeteneklerinin şekillendirilmesinde, 1983'ten 2023'e kadar meydana gelmiş 950'den fazla depremden oluşan Türkiye kuvvetli yer hareketi veri tabanı ve dünya çapındaki yakın alan deprem veri tabanı (moment büyüklüğü≥5.5) kullanılmıştır. PGV ve CAV parametrelerinin tahmin edilmesi amacıyla, en uygun girdi parametreleri gömülü (embedded), filtre (filter) ve kapsayıcı (wrapper) olmak üzere üç öznitelik seçim (feature selection) yöntemi ile belirlenmiştir. Algoritmalar arasında, Gradyan Artırma algoritması hem PGV hem de CAV tahmininde dikkate değer bir başarı göstermiştir. PGV tahmin performansı, tüm girdi (all) parametreleri bir arada kullanıldığında daha iyiyken, CAV tahmin yeteneği, kullanıcı tarafından seçilen (user-selected) parametreler kullanıldığında daha iyidir. Büyük depremlerin PGV ve CAV parametrelerini tahmin etmede, aykırı değerleri eleme (outlier elimination) işlemlerinin gereksiz olduğu bulunmuştur. Önerilen PGV ve CAV modelleri, moment büyüklüğü 3.5 ile 7.8 arasında değişen ve Joyner ve Boore mesafesi 200 km'ye kadar olan sığ kabuklu doğrultu atımlı ve normal faylanma depremlerine uygulanabilir.
Özet (Çeviri)
Peak ground velocity (PGV) and cumulative absolute velocity (CAV) are powerful intensity measures for quantifying potential earthquake damage. Reliable prediction of those parameters is of essential importance in the precise calculation of seismic hazard. Machine learning can provide accurate and reliable predictions of PGV and CAV due to handling nonlinear relationships, adaptability to changing conditions, automation, efficiency, and the potential for real-time predictions. This study aims to comprehensively compare the relative performance of six different machine learning algorithms for PGV and CAV prediction and develop the Turkiye-specific ground motion models with the most recent strong motion dataset. Support Vector Machine, Linear Regression, Random Forest, Artificial Neural Network, Bayesian Ridge Regression, and Gradient Boosting algorithms are evaluated and compared. The Turkish strong motion database, which consists of over 950 earthquakes occurring from 1983 to 2023, and a worldwide near-field earthquake database (moment magnitude≥5.5) are used for shaping the models' ability to learn and make accurate predictions. Various source, site, distance, and faulting parameters are considered as estimator parameters. Three feature selection methods, embedded, filter, and wrapper, are applied to determine the most suitable estimator parameters to predict PGV and CAV. Statistical evaluation metrics are employed to measure the performance of the models. Among algorithms, the Gradient Boosting algorithm shows remarkable success in the prediction of both PGV and CAV. PGV prediction performance is better when all estimator parameters are used together, while CAV prediction ability is better when user-selected parameters are utilized. Outlier elimination processes are found to be redundant in predicting the PGVs and CAVs of large earthquakes. The proposed PGV and CAV models are applicable to shallow crustal strike-slip and normal faulting earthquakes with moment magnitude ranging from 3.5 to 7.8 and Joyner and Boore distance up to 200 km.
Benzer Tezler
- Kuvvetli yer hareketi altında suya doygun kumlarda oluşabilecek oturmaların sayısal analizlerle incelenmesi ve makine öğrenmesiyle değerlendirilmesi
Investigation of settlements in saturated sands under strong ground motion by numerical analysis and evaluation by machine learning
OZAN SUBAŞI
Doktora
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP İYİSAN
- Ege Bölgesi için gen ifadeli programlamaya dayalı yer hareketi tahmin denkleminin geliştirilmesi
Development of ground motion prediction equation for Agean Region in Turkey based on gene expression programming
ŞULE SENA GÜNGÖR
Yüksek Lisans
Türkçe
2023
İnşaat MühendisliğiKütahya Dumlupınar Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EVREN SEYREK
- Deprem etkisi altında betonarme elemanların tepkilerininmakine öğrenme ile modellenmesi
Modelling the reinforced concrete element reactions under the eartquake effect with machine learning
NİHAN YAZICI
Yüksek Lisans
Türkçe
2020
Deprem MühendisliğiGebze Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ANIL DİNDAR
- Türkiye için topoğrafik etkiyi de içeren eş ivme haritasının geliştirilmesi
Development of an iso-acceleration map for Turkey considering topographical effect
ÇİĞDEM YILDIRIMLI
Yüksek Lisans
Türkçe
2008
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. HARUN SÖNMEZ
- Strong ground motion attenuation relationship model by using neural network methodology
Yapay sinir ağları kullanılarak elde edilen kuvvetli yer hareketi azalım ilişkileri modeli
MUSTAFA BİRKAN BAYRAK
Yüksek Lisans
İngilizce
2004
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ.DR. DERİN URAL