پهنه بندی خطر زلزله استان کرمان با استفاده از تحلیل های آماری و شبکه های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسنده

استادیار، دانشکده مهندسی عمران ونقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان

چکیده

علم پیش بینی زلزله در جایگاه خود هنوز به تکامل مطلوب نرسیده است و تاکنون پیش بینی کاملا دقیقی بر اساس اصول فیزیکی صورت نگرفته است. لذا پیش بینی مشخصات رخداد یک زلزله همواره مورد توجه محققین بوده است. سه پارامتر اصلی یک زلزله شامل زمان، بزرگی و محل وقوع از جمله عدم قطعیت‌هایی هستند که از اهمیت ویژه ای برخوردار می باشند. در بررسی قابلیت اعتماد پذیری لرزه ای سازه ها وجود عدم قطعیت‌های زلزله نقش اساسی دارد. ماهیت تغییر پذیری زلزله سبب شده است که پیش بینی پارامتر های آن بسیار سخت باشد. در پیش بینی زلزله اگر پارامتر های تصادفی رخداد را لحاظ شود از اعتبار خاصی برخوردار خواهد شد. از این رو امروزه اکثر مطالعات بر پایه استفاده از روش های آماری برای پیش بینی احتمال رخداد زلزله می باشد. در مورد پیش بینی پارامتر های زلزله، مطالعات گسترده ای انجام شده است، ولی در زمینه پهنه بندی مکان رخداد زلزله احتمالی مطالعات کمی صورت گرفته است. استان کرمان به عنوان یکی ار لرزه خیز ترین مناطق کشور، زلزله های مخربی چون، بم، گلباف و زرند را تجربه کرده است. در این پژوهش با استفاده از شبکه های عصبی مصنوعی و تجزیه و تحلیل آماری، احتمال رخداد زلزله های بزرگتر از 5/4 ریشتر در مناطق مختلف استان کرمان بررسی شده است. با توجه به نتایج  بدست آمده، بیشترین احتمال وقوع زلزله در این استان، در منطقه جنوبی وبا احتمال 6/38 درصد پیش بینی شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Probabilistic Earthquake Hazard Zonation in Kerman using Statistical Analysis and Artificial Neural Networks

نویسنده [English]

  • Abbas Sivandipour
Assistant professor, Civil Engineering Faculty, Kerman Gradate University of Advanced technology
چکیده [English]

The science of earthquake prediction has not yet reached its desired level of development. It has not yet led to a successful prediction of an earthquake based on physical principles. Therefore, the prediction of the occurrence of an earthquake has always been an interest for researchers. Three parameters of earthquakesincluding:  time, location and magnitude, are the most important uncertainties in earthquake prediction. Uncertainties of earthquakes have the fundamental role in assessment of reliability of structures. In reality, the mechanism of earthquakes makes predicting them more difficult. Earthquake prediction will have a special validity if random variables consider. Therefore, nowadays statistical hypothesis methode are used to determine the probability  of an earthquake. There are many studies in prediction of earthquake parameters, but there is not any particular research in the probabilistic earthquake hazard zonation. Kerman province has experienced destructive earthquakes such as Bam, Golbaf and Zarand as the one of the most seismic regions of Iran. In this study, the probability of future earthquakes location with the magnitude greater than 4.5 Richter has been predicted in Kerman by using artificial neural networks and statistical analysis. The most probable event of earthquake  has been predicted 38.6% in south of Kerman.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Earthquake prediction
  • Zonation map
  • earthquake hazard
  • statistical studies
Adeli, H., Panakkat, A., 2009, A probabilistic neural network for earthquake magnitude prediction”, Neural Networks 22(7): 1018_1024.

Allameh Zadeh, M., 2004, Prediction of aftershocks pattern distribution using self-organizing feature maps, 13th World Conference on Earthquake Engineering. Vancouver, B.C., Canada, August 1-6.

Ashtari Jafari, M., 2010, Statistical prediction of the next great earthquake around Tehran, Iran, Journal of Geodynamics 49(1): 14–18.

Asim, K. M. , Martínez-Álvarez, F., Basit A., Iqbal T., 2017, Earthquake magnitude prediction in Hindukush region using machine learning techniques, Natural Hazards, 85(1): 471–486.

Borghi, A., Aoudia, A., Riccardo E. M. R., Barzaghi, R., 2009, GPS monitoring and earthquake prediction: A success story towards a useful integration, Tectonophysics, 465(1-4): 177–189.

Douglas, J., 2010, Ground-motion prediction equations 1964–2010, Pacific earthquake engineering research center.

Ferraes, S.G., 2005, A probabilistic prediction of the next strong earthquake in the Acapulco-San Marcos segment, Mexico”, Geofisican Internacional. Int. 44(4): 347–353.

Ghosh-Dastidar, S., Adeli, H., 2003, Wavelet-clustering-neural network model for freeway incident detection, Computer-Aided Civil and Infrastructure Engineering, 18(5): 325-338.

International Institute of Seismology and Earthquake Engineering, http:// www.iiees.ac.ir.

 Kannan. S, 2014, Innovative Mathematical Model for Earthquake Prediction, Engineering Failure Analysis,  41: 89–95.

Kohonen, T. 1998, The self-organizing map, Neurocomputing 21, 1-6.

Kulahc, F., Inceoz, M., Dogru,  D., Aksoy,E., Baykara, O., 2009, Artificial neural network model for earthquake prediction with radon monitoring,  Applied Radiation and Isotopes 67: 212–219.

MATLAB R2010a, User’s Manual, the Math Works, Inc., 2010.

Mokhtari, M., 2010, Earthquake prediction activities and Damavand earthquake precursor test site in Iran”, Natural Hazards, 52(2) :351–368.

Moustra, M., Avraamides, M., Christodoulou, C., 2011, Artificial neural networks for earthquake prediction using time series magnitude data or Seismic Electric Signals”, Expert Systems with Applications, 38(22) : 15032–15039.

National Geoscience Database of Iran, http://www.ngdir.ir

Ni, H., Yin, H., 2008, Self-organizing mixture autoregressive model for non-stationary time series prediction. International Journal of Neural Systems, 18(6): 469_480.

Reyesa J, Morales-Estebanb A, Martínez-Álvarezc F., 2013, Neural Networks to Predict earthquakes in Chile, Applied Soft Computing. 13(2):1314–28.

Yamashina, K., 2006, Trial of earthquake prediction in Japan and a statistical test of time-shift, Journal of Tectonophysics 417(1-2): 169–182.

You-Po, S., Qing-Jie, Z., 2009, Application of ANN to Prediction of Earthquake Influence”, Second International Conference on Information and Computing Science: 234-237.

Yu.L. Rebetsky, S.I. Kuzikov, 2016, Active faults of the northern Tien Shan: tectonophysical zoning of seismic risk , Russian Geology and Geophysics, 57(6): 967-98.