Geri Dön

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

PDF İndir

  1. Tez No: 959200
  2. Yazar: SHAHEEN MOHAMMED SALEH AHMED AHMED
  3. Danışmanlar: PROF. DR. HAKAN GÜNEYLİ
  4. Tez Türü: Doktora
  5. Konular: Jeoloji Mühendisliği, Geological Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Jeoloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Jeoloji Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    1019396

    Uydu bazlı jeodezik ve jeodinamik veri analiz ve yönetim sistemi tasarımı ve uygulaması

    Design and implementation of a satellite-based geodetic and geodynamic data analysis and management system

    DENİZ BAŞAR

    Doktora

    Türkçe

    Türkçe

    2026

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. RAHMİ NURHAN ÇELİK

  2. Tez No

    887331

    Predictive error compensated wavelet neural networks framework for time series prediction

    Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı

    SERKAN MACİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  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

    996564

    Derin öğrenme ve istatistiksel modellerle operasyonel rüzgar enerjisi tahmini: Batman içinn LSTM, ANN ve ARIMA uygulaması

    Operational wind energy forecasting using deep learning and statistical models: An application of LSTM, ANN and ARIMA for Batman

    İLAYDA KELKİTLİ BAŞARAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA KEMAL KAYMAK

  5. Tez No

    993840

    Ekonomik metin verileri ve piyasa göstergeleriyle kriz dönemlerinin erken tahmini: Zaman serisi yöntemleri, özelleştirilmiş transformer modelleri ve derin öğrenme yaklaşımlarının karşılaştırmalı uygulaması

    Early prediction of crisis periods using economic text data and market indicators: A comparative application of time series methods, customized transformer models, and deep learning approaches

    BAYRAM KOTAN

    Doktora

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERDAR KIRIŞOĞLU

Geri Dön