ارائه مدل پیش بینی کننده آسیب پذیری کالبدی محلات در برابر زلزله با استفاده از یادگیری ماشین (مطالعه ی موردی: منطقه 1 شهرداری تهران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مدیریت بحران هوشمند (در سه مرحله قبل، حین و پس ازآن)، با تأکید بر آمادگی و پیش بینی آسیب پذیری در برابر زلزله، امکان پیش بینی، کاهش آسیب پذیری و افزایش قدرت در تصمیم-سازی را فراهم می آورد. این مقاله بر آن است تا با استفاده از یادگیری ماشین، به ارائه مدل پیش-بینی کننده آسیب پذیری کالبدی در برابر زلزله بپردازد. روش پژوهش کمی است. داده های ارائه شده به ماشین برای آموزش و تست، مربوط به پهنه های محلات منطقه 1 شهرداری تهران بوده اند (که در محدوده خطر گسل شمال تهران قرار دارند). ویژگی های مورد تأکید که ماشین براساس آنها آموزش دیده تا مدل پیش بینی کننده را ارائه دهد، مشتمل بر موارد زیر هستند: ویژگی های الگوی قطعات و ساختار ابنیه، الگوی معبر، کاربری اراضی و موقعیت نسبت به گسل اصلی و فرعی بوده اند. مجموعه داده ها مشتمل بر 1997 سطر و 26 ستون بوده است. برخی از داده ها از جی.آی.اس. منطقه استخراج و بخش دیگری از داده ها از تحلیل نقشه پهنه ها به دست آمد. با توجه به بهره گیری از رویکرد یادگیری ماشین نظارت شده، برچسب گذاری توسط محققان در پنج طیف انجام شد. برای آموزش ماشین از الگوریتم درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی چندلایه استفاده شد. حجم داده های آموزش به تست 70 به 30 در نظر گرفته شد. با بررسی دقت مدل توسط ماتریس درهم آمیختگی، مشخص شد که الگوریتم درخت تصمیم با دقت 99.50، حساسیت 99.42 و خطای 0.5 دارای عملکرد بهتری نسبت به دو الگوریتم دیگر است. شبکه عصبی نیز با دقت 97.85، حساسیت 97.57 و خطای 2.15، دارای عملکرد مناسبی است. بررسی میزان اعتمادپذیری مدل پیش بینی کننده با داده های مربوط به محله جوانمرد قصاب در منطقه 20 نیز نشان داد که ماشین آموزش دیده، با دقت بالای 97 درصد قابلیت پیش بینی پذیری دارد. بدین ترتیب ماشین آموزش دیده با دقت و سرعت بالا می تواند به پیش بینی میزان آسیب پذیری بافت های کالبدی در برابر زلزله بپردازد.Presenting a Predictive Model of the Physical Vulnerability of Neighborhoods against Earthquakes (Case Study: District 1 of Tehran Municipality)
The issue of the physical vulnerability of neighborhoods against earthquakes is the subject of this research. Crisis management and smart crisis management are generally considered in three stages: before, during, and after the crisis. The management of a smart crisis in all three stages, with emphasis on preparedness and anticipation of vulnerability against disasters such as earthquakes, can provide a way to predict vulnerability and increase power in decision-making. The purpose of this research is to present a predictive model for the vulnerability of the physical context against earthquakes in District 1 of Tehran municipality using machine learning. The research method is analytical and quantitative. Some of the data was collected from GIS and some were extracted from the map analysis. According to the use of a supervised learning approach in this research, labeling was performed by researchers in five different spectrums. Decision tree algorithm, support vector machine (SVM), and multilayer neural network (MLP) were used as machine learning algorithms. The portion of training data for the test was considered to be 70 to 30. By examining the accuracy of the model by the confusion matrix, it was found that the decision tree algorithm with an accuracy of 99.50, sensitivity of 99.42, and error of 0.5 has better performance than the other two algorithms. Moreover, the neural network with an accuracy of 97.85, sensitivity of 97.57, and error of 2.15 showed better performance than support vector machine.
تبلیغات
