ترجمه مقاله پیش بینی صریح زمانی زلزله با استفاده از شبکه عصبی عمیق – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی صریح زمانی زلزله با استفاده از شبکه عصبی عمیق
عنوان انگلیسی مقاله:
Spatiotemporally explicit earthquake prediction using deep neural network
کلمات کلیدی مقاله:
پیش بینی زلزله،اثر فضایی،شبکه عصبی عمیق، تحلیل به دست آوردن اطلاعات،برآورد تراکم هسته، Bivariate Moran’s I
مناسب برای رشته های دانشگاهی زیر:
مهندسی عمران
مناسب برای گرایش های دانشگاهی زیر:
سازه، زلزله، مدیریت ساخت
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
۱. مقدمه
۲. الگوریتم‌های یادگیری ماشین
۳. روش‌شناسی
۳.۱ مطالعه موردی
۳.۲ داده‌ها
۳. ۳ متغیرهای وابسته و مستقل
۳.۴. مدل پیش‌بینی
۳.۵. ارزیابی
4. نتایج و بحث
۵. نتیجه‌گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Due to the complexity of predicting future earthquakes, machine learning algorithms have been used by several researchers to increase the Accuracy of the forecast. However, the concentration of previous studies has chiefly been on the temporal rather than spatial parameters. Additionally, the less correlated variables were typically eliminated in the feature analysis and did not enter the model. This study introduces and investigates the effect of spatial parameters on four ML algorithms’ performance for predicting the magnitude of future earthquakes in Iran as one of the most earthquake-prone countries in the world. We compared the performances of conventional methods of Support Vector Machine (SVM), Decision Tree (DT), and a Shallow Neural Network (SNN) with the contemporary Deep Neural Network (DNN) method for predicting the magnitude of the biggest upcoming earthquake in the next week. Information Gain analysis, Accuracy, Sensitivity, Positive Predictive Value, Negative Predictive Value, and Specificity measures were exploited to investigate the outcome of using a new parameter, called Fault Density, calculated using Kernel Density Estimation and Bivariate Moran’s I, on the performance of the earthquake prediction, in comparison to other commonly used parameters. We discussed the behavior of the four models while dealing with different combinations of parameters and different classes of earthquake magnitudes. The results showed promising performance of the proposed parameter for the earthquakes of high magnitudes, especially using SVM and DNN models.
چکیده
به دلیل وجود پیچیدگی هایی در پیش‌بینی زلزله‌های آینده، الگوریتم های یادگیری ماشینی توسط چندین محقق برای افزایش در دقت پیش‌بینی مورد استفاده قرار گرفته است. علاوه بر این، متغیرهایی هم با همبستگی کمتر به طور معمول در تحلیل ویژگی حذف شده و وارد مدل نشدند. در کل این مطالعه به معرفی و بررسی اثر پارامترهای فضایی بر عملکرد چهار الگوریتم ML برای پیش‌بینی بزرگی در زلزله‌های آینده در ایران به عنوان یکی از کشورهای زلزله‌خیز جهان می‌پردازد. ما عملکرد روش‌های معمول مانند، بردار پشتیبان ماشین (SVM)، درخت تصمیم (DT)و شبکه عصبی کم عمق (SNN)را با روش شبکه عصبی عمیق جدید (DNN)برای پیش‌بینی بزرگای بزرگ‌ترین زلزله در هفته آینده مقایسه کردیم. تحلیل اطلاعات، دقت، حساسیت، مقدار اخباری مثبت، مقدار اخباری منفی، و معیارهای ویژگی برای بررسی نتیجه استفاده از یک پارامتر جدید، به نام چگالی خطا، محاسبه شده با استفاده از تخمین چگالی کرنل و واریانس دو متغیره موران I، بر روی عملکرد پیش‌بینی زلزله، در مقایسه با دیگر پارامترهای معمول مورد استفاده، مورد استفاده قرار گرفتند. ما همچنین رفتار این چهار مدل را در هنگام برخورد با ترکیب‌های مختلف پارامترها و طبقات مختلف بزرگی زلزله مورد بحث قرار دادیم. نتایج نشان‌دهنده عملکرد امیدوارکننده پارامتر پیشنهادی برای زلزله‌های با بزرگی بالا، به خصوص با استفاده از روش‌های مرسوم بردار پشتیبان ماشین SVM و شبکه عصبی عمیق جدید DNN است.
