Sismik Anomalilerin Yapay Sinir Ağları Yöntemi İle Tanınması Ve Sınıflandırılması

Abstract

Bir doğa olayı olan deprem doğrusal özellikte olmadığı gibi tam olarak ta modellenememektedir. Yapay sinir ağının örüntüyü öğrenme ve tanıma özellikleri kullanılarak depreme ilişkin sismik anomlilerin tanınması ve sınıflandırılması bu tezin temel hedefi olmuştur. Depremle ilişkili tek kutuplu elektrik alan ölçüm duyargasıyla elde edilen değerler zamana bağlı örüntüler oluşturur. Bu örüntüler yapay sinir ağları yöntemi yardımıyla değerlendirilmiştir. Değerlendirme işleminin ilk aşamasında, örüntü boyutunun büyük olması yapay sinir ağının hesaplama yükünü artırmıştır. Bu yükü azaltmak için Hebbian tabanlı ilkesel bileşen analizi kullanılarak örüntü boyutu indirgenmiştir. Tez kapsamında gerçeklenen çalışmalar iki kısımdan oluşmaktadır. Birinci kısım sınıflama üzerine olup, deprem öncesi görülebilecek olağan dışı değişimlerin tanınması ve saptanmasına ayrılmıştır. Saptanan örüntü ikinci kısımda değerlendirilmeye alınmış: değerlendirme işleminde çok katmanlı yapay sinir ağları kullanılmıştır. Saptanan örüntü değişimden, öznitelik (uzaklık, büyüklük ve süre) bilgilerinin öngörülmesine yönelik çalışmalar yapılmıştır. Çalışma sonrasında saptanan sonuçlar şöyle özetlenebilir: Örüntü sayısının artması, elde edilen saptama ve öngörü sonuçlarını iyileştirmiştir, öngörü başarı oranının normal olasılıkların üzerinde olduğu gözlenmiştir.

Earthquake is a natural event which has no linear property and cannot be modelled exactly. Recognition and classification of seismic anomalies related to earthquake by means of pattern learning and recognition property of artificial neural networks (ANN) is the essential goal of this thesis. The values obtained through the sensor to measure earthquake-related monopolar electric field constitute time dependent patterns. These patterns are analysed and evaluated by the help of ANN. Since the size of the pattern is very large in the first phase of the evaluation process, the computational load of the ANN is increased. In order to decrease this computational load the pattern size is reduced by an Hebbian based component analysis methods. At the next step, reduced sized patterns are used as the input vectors of artificial neural networks. The study realized throughout the thesis consists of two parts: Classification and getting various clues related with probable earthquake. The first part is about classification and covers the issue of detection of abnormal changes that could be seen prior of an earthquake. The recognised pattern is evaluated in the second phase. Multi-layer networks are used at the process of evaluation. From the recognised pattern change, the estimation of properties, i.e. distance, magnitude, and time is realized. Brief conclusions that can be drawn from the study are: an increase in pattern number improves the obtained recognition and estimation results and estimation success ratio is above the normal statistical values.