Deep learning of aftershock patterns following large earthquakes
Büyük depremleri takip eden artçı şok örüntülerinin derin öğrenme ile modellenmesi
- Tez No: 990985
- Danışmanlar: PROF. DR. BERTAN BADUR, DOÇ. DR. ÇAĞRI DİNER
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, büyük depremleri izleyen artçı şokların mekânsal dağılımı, sayısı ve büyüklüğünü tahmin etmeye yönelik veri odaklı modelleme stratejileri sunmaktadır. Klasik fizik tabanlı yaklaşımların sınırlılıklarını aşmak amacıyla, yapay sinir ağları, XGBoost algoritması ve kernel tabanlı olasılıksal modelleme gibi makine öğrenimi yöntemleri kullanılarak hem sınıflandırma hem de regresyon görevleri için alternatif model yapıları geliştirilmiştir. Çalışmada, stres tensörlerinden türetilen statik bileşenler, komşuluk bilgileri, gradyan tabanlı türevsel nicelikler, mekânsal koordinatlar ve merkez üssüne olan mesafe gibi çeşitli girdi kombinasyonları sistematik biçimde test edilmiş; ayrıca sınıf dengesizliğini azaltmak için örnekleme stratejileri uygulanmış ve kernel tabanlı sürekli etiketleme yaklaşımıyla artçı şok olasılıklarının mekânsal sürekliliği modellenmiştir. Bu geniş kapsamlı deneysel analiz, farklı veri yapıları ve modelleme stratejilerine dayalı olarak artçı şokların oluşumu, sayısı ve büyüklüğüne ilişkin tahmin performanslarını karşılaştırmış ve stres tabanlı makine öğrenimi modellerinin artçı şok öngörüsündeki potansiyelini ortaya koymuştur. Elde edilen sonuçlar, kernel tabanlı olasılıksal modellerin artçı şok bölgelerini daha gerçekçi ve tutarlı biçimde temsil ettiğini, sınıflandırma görevlerinde XGBoost modellerinin ayrım gücünü artırdığını ve sayısal regresyon görevlerinde çok katmanlı yapay sinir ağlarının daha dengeli performans sunduğunu göstermektedir. Genel olarak bulgular, stres tensörlerinden türetilen statik niteliklerin artçı şok davranışına ilişkin geniş ölçekli uzamsal desenleri başarılı bir şekilde yansıttığını, ancak ince ölçekli varyasyonların modellenebilmesi için daha zengin zamansal ve jeolojik veri setlerine ihtiyaç bulunduğunu ortaya koymaktadır.
Özet (Çeviri)
This thesis presents data-driven modeling strategies for predicting the spatial distribution, number, and magnitude of aftershocks following major earthquakes. To overcome the limitations of classical physics-based approaches, alternative model structures were developed for both classification and regression tasks using machine learning methods such as artificial neural networks, the XGBoost algorithm, and kernel-based probabilistic modeling. The study systematically evaluated various input combinations—including static components derived from stress tensors, neighborhood information, gradient-based derivative quantities, spatial coordinates, and distance to the epicenter—and additionally applied oversampling and undersampling strategies to mitigate class imbalance, while employing kernel-based continuous labeling to model the spatial continuity of aftershock probabilities. Through this comprehensive experimental analysis, the prediction performances of aftershock occurrence, count, and magnitude were compared across different data structures and modeling strategies, demonstrating the potential of stress-based machine learning models in aftershock forecasting. The findings indicate that kernel-based probabilistic models provide a more realistic and spatially coherent representation of aftershock regions, XGBoost enhances discrimination capability in classification tasks, and multilayer neural networks yield more balanced performance in numerical regression tasks. Overall, the results show that static features derived from stress tensors can successfully capture large-scale spatial patterns of aftershock behavior, yet modeling fine-scale variability will require richer temporal and geological datasets in future research.
Benzer Tezler
- 27 Eylül 2021 Girit depremi ve artçıları için derin öğrenmeye dayalı detaylı sismik kataloğun oluşturulması
A deep learning-based construction of detailed seismic catalog for the 27 September 2021 Crete earthquake and its aftershocks
ZEYNEP NİHAL BALKAYA
Yüksek Lisans
Türkçe
2024
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN
- Betonarme yapılarda yapısal ve yapısal olmayan hasarların derin öğrenme ile tespiti
Detection of structural and non-structural damages in reinforced concrete structures with deep learning
BEYZA GÜLTEKİN
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiKonya Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GAMZE DOĞAN
- Büyük ölçekli ve şiddetli depremler sonrasında karayollarında oluşan asfalt çatlaklarının derin öğrenme temelli yaklaşımlarla otomatik olarak bölütlenmesi
Automatic segmentation of asphalt cracks on highways after large-scale and severe earthquakes with deep learning-based approaches
AYŞEGÜL GÜNEŞ
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriFırat ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET YILMAZ
DOÇ. DR. FATİH DEMİR
- Büyük şiddetli depremler sonrasında karayollarında oluşan asfalt deformasyonlarının analizi ve derin öğrenme tabanlı yaklaşımlarla asfalt çatlaklarının otomatik olarak sınıflandırılması
Analysis of asphalt deformations on highways after major severe earthquakes and automatic classification of asphalt cracks with deep learning-based approaches
ROZERİN DEMİR
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriFırat ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. MEHMET YILMAZ
DOÇ. DR. FATİH DEMİR
- Koronal kütle atımlarından sonra gezegenler arası ortamda oluşan şok dalgalarının wınd uydusu verileriyle incelenmesi
Investigation of shock waves occurred in interplanetary medium after coronal mass ejections using the data of wind satellite
GANİ ÇAĞLAR ÇOBAN
Yüksek Lisans
Türkçe
2021
Fizik ve Fizik MühendisliğiÇanakkale Onsekiz Mart ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. HÜSEYİN ÇAVUŞ