Application of LSTM-based deep learning models for seismic forecasting of a potential major earthquake using geophysical techniques in the marmara Sea Region, Türkiye
Marmara Denizi Bölgesi'nde olası büyük bir depremin sismik öngörüsü için LSTM tabanlı derin öğrenme modellerinin jeofiziksel yöntemlerle uygulanması
- Tez No: 959200
- Danışmanlar: PROF. DR. HAKAN GÜNEYLİ
- Tez Türü: Doktora
- Konular: Jeoloji Mühendisliği, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeoloji Mühendisliği Bilim Dalı
- Sayfa Sayısı: 219
Özet
Bu tez, Kuzey Anadolu Fayı (KAF) ile karakterize edilen sismik olarak aktif bir bölge olan Marmara bölgesindeki sismik aktivitenin anlaşılmasını ve tahmin edilmesini geliştirmek amacıyla ileri jeofizik analiz ve makine öğrenimi tekniklerini entegre eden kapsamlı bir çalışma sunmaktadır. Çalışma, sismik olayları tahmin etmek ve sismik tehlikeyi daha doğru bir şekilde değerlendirmek için Uzun Kısa Süreli Bellek (LSTM) ağları ve Kapalı Tekrarlayan Birimler (GRU) kullanmayı hedeflemektedir. Çeşitli kaynaklardan alınan tarihsel sismik veriler, sismik desenleri ve stres birikim bölgelerini belirlemek için kümeleme algoritmaları ve Temel Bileşen Analizi (PCA) verileri kullanılarak titizlikle yorumlanmıştır. Bulgular, İstanbul ve Prens Adaları çevresinde, özellikle merkezi Marmara bölgesinde önemli bir stres birikiminin olduğunu vurgulamaktadır. Bu bölgeler, önümüzdeki 30 yıl içinde büyük depremler (M ≥ 7) için yüksek riskli bölgeler olarak tanımlanmaktadır. Aksine, batı Marmara Denizi ve Trakya bölgesi yakınlarında ağırlıklı olarak stres salınımı gözlemlenmiş olup, bu bölgelerde birikmiş stresin hafifletildiği tarihsel sismik aktiviteler olduğu belirtilmiştir. Merkezi Marmara bölgesinde, özellikle Prens Adaları çevresinde ve Doğu Tekirdağ ile Batı İstanbul arasındaki geçiş bölgelerinde dikkate değer bir sismik boşluğun varlığı tespit edilmiştir. Bu durum belirtilen bölgelerde süregelen stres birikimi nedeniyle gelecekteki sismik olaylar için potansiyel bölgeler olduğunu düşündürmektedir. Çalışma, sismik riskleri azaltmak için sıkı izleme, katı bina kodları ve kamu farkındalık kampanyalarının kritik önemini vurgulamaktadır. Tarihsel veriler, jeofizik analiz ve makine öğrenimini entegre ederek, bu tez Marmara bölgesinin tektonik dinamiklerine dair önemli bilgiler sağlamakta olup, sismik tehlike değerlendirmesi ve azaltımı için pratik öneriler sunmaktadır. Bu araştırmada geliştirilen tahmin modelleri, deprem biliminde önemli katkılarda bulunarak, sismik aktiviteyi tahmin etmede ileri AI tekniklerinin potansiyelini göstermektedir.
Özet (Çeviri)
This study proposes a comprehensive framework integrating state-of-the-art geophysical analytics and powerful machine learning paradigms to address seismic activity prospecting in the Marmara region, one of the most seismically active areas related to the dextral North Anatolian Fault (NAF). By leveraging Long Short-Term Memory (LSTM) networks and Gated Recurrent Units (GRU), the aim of the study is to enhance the precision of seismic event predictions and seismic hazard evaluation. Clustering algorithms and Principal Component Analysis (PCA) are also applied to historical seismic data from multiple sources to delineate seismic clusters and regions of stress accumulation in the study. The results show considerable stress build-up in central Marmara especially around Istanbul and the Princes' Islands, highlighting these areas as high-risk zones for major (M ≥ 7) earthquakes for the next 30 years. Conversely, stress release zones were only recorded mostly in western Marmara Sea and near the Thrace region (Trakya) where the accumulated stress as a result of past seismic events was released. An important seismic gap was revealed in the central Marmara region, and surrounding the Princes' Islands and the transition region of Eastern Tekirdağ and Western Istanbul, implying that these segments of the Marmara- Sea earthquake could be future sources of significant contact for separating the Baykara and Marmara main fault blocks due to accumulated stress. To bridge this seismic gap, the study introduces a holistic geophysical approach alongside machine learning models that categorize fault stress levels across the locality by utilizing significant seismic characteristics (namely Peak Ground Acceleration (PGA), Peak Ground Velocity (PGV), Peak Ground Displacement (PGD), seismic events duration, energy (Arias Intensity) and dominant frequency). The study highlights the necessity of careful monitoring, strong construction codes, and education for the general public to reduce earthquake hazards. The combination of historical data analysis, geophysical modeling and machine learning approaches is an essential step toward fully understanding the tectonic evolution of the Marmara region and contributes to seismic hazard characterization and mitigation recommendations.
Benzer Tezler
- 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
2024
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BARIŞ CAN ÜLKER
- Hisse senedi fiyat tahmininde otokodlayıcı ve graf evrişimli ağının uygulanması
Application of autoencoder and graph convolutional network in stock price prediction
MAHMUT LUTFULLAH ÖZBİLEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Kablosuz haberleşme ağlarında makine öğrenmesi tabanlı kanal kestirimi
Machine learning based channel estimation for wireless communication networks
SEKOU J MASSALAY
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN BAŞTÜRK
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA