روح الله کیمیایی فر

اندازه گیری و یا محاسبه بیشینه شتاب ناشی از زمین لرزه (Peak Ground acceleration, PGA) به عنوان یکی از پارامترهای اساسی جنبش نیرومند زمین، از دغدغه های مهم محققین علوم زمین است. کمیت مذکور از روشهای مبتنی بر داده های میرایی و زلزله های رخ داده در محل تهیه شده و در محاسبات تحلیل خطر زمین لرزه مورد استفاده واقع می شود. در پهنه های وسیع جغرافیایی و یا در شرایطی که تاسیس ایستگاههای دائمی یا موقت شبکه میسر نباشد، رویکردهای مبتنی بر یادگیری ماشین به عنوان یک راه حل جایگزین مورد استفاده قرار می گیرند. در راستای افزایش دقت شبکه عصبی در مسئله پیش بینی بیشینه شتاب زمین، با استفاده از تحلیل شناسایی داده های پرت یا نامتجانس، داده های ورودی شبکه یادگیرنده تفکیک شده و سپس فرآیند آموزش و تعمیم شبکه انجام شده است. این رویکرد باعث کاهش خطای شبکه انفیس شده، چنانچه خطای جذر میانگین مربعات 36 درصد بهبود داشته است. با استناد به نتیجه مذکور، داده های طول و عرض جغرافیاییِ رومرکز، عمق و بزرگای مربوط به 1571 رکورد ثبت شده در شبکه شتاب نگاری کشوری به همراه داده های مربوط به میانگین سرعت موج مورد استفاده قرار گرفت تا شبکه انفیس آموزش داده شود. سپس، شبکه آموزش دیده، جهت ارزیابی کارآیی روش، بر روی داده های زلزله مورموی، 1393، در استان ایلام تعمیم داده شد تا نقشه پهنه بندی مقادیر بیشبینه شتاب، در پیرامون رومرکز زلزله محاسبه گردد. بررسی خروجی ها نشان می دهد که نقشه بدست آمده با گزارش رسمی پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله تطابق داشته و از روش ارائه شده می توان به عنوان یک روش جایگزین در پیش بینی بیشینه شتاب ناشی از زلزله اقدام نمود.