بخشی از مقاله
چکیده:
پیش بینی محل وقوع زلزله های آتی همراه با تعیین درصد احتمال رخداد، می تواند در کاهش خطرات ناشی از زلزله بسیار سودمند باشد. تعیین محل های پیش بینی شده، سبب افزایش توجه به طراحی، بهسازی لرزه ای و ارزیابی قابلیت اعتمادپذیری سازه های موجود در این مکان ها می شود. با توجه به اینکه در پیش بینی زمان وقوع زلزله فرضیه ها و نظریه های گسترده ای مطرح است، هنوز شیوه ای دقیق برای پیش بینی زمان رخداد زلزله های آتی مورد تایید قرار نگرفته است.
در این تحقیق با استفاده از داده های کسب شده به مدلسازی و پیش بینی زلزله در گسل سبزپوشان پرداخته شده است و روش کار به این صورت میباشد که ابتدا معماری شبکه طراحی شده و سپس شبکه عصبی چند لایه ابتدا با درصدی از داده ها آموزش داده میشود و سپس شبکهی آموزش دیده برای درصدی دیگر تست خواهد شد تا دقت شبکه در ارزیابی بررسی شود. روش های برتر پیش بینی نهایتا معرفی شده اند.
-1 مقدمه
برآورد درصد احتمال وقوع زلزله های آتی در مناطق پیشبینی شده میتواند در افزایش توجه به طراحی سازه ها در مکانهای پیش بینی شده و همچنین بهسازی لرزه ای سازه های موجود در این محل ها نقش اساسی داشته باشند.از آنجا که سلول عصبی یک عملگر غیرخطی است، بنابراین شبکههای عصبی در مدلسازی و حل مسایل غیر خطی توانایی خوبی دارند. مرحله مهم و حساس، بخش معرفی اطلاعات مربوط به آموزش شبکه و تست شبکه میباشد. باید به این نکته توجه نمود
که انتخاب دسته اطلاعات مربوط به مرحله آموزش و مرحله تست، نباید به صورت تصادفی انجام گیرد. انتخاب درست و صحیح اطلاعات، سبب میشود تا مدل،کفایت لازم و قابلیت کافی جهت پیشگویی داشته باشد. اطلاعات مربوط به آموزش میبایست حداقل %40از اطلاعات را شامل شود، همچنین حدوداً %20 از اطلاعات مربوط به هر کدام از آنها را جهت مرحله تست در نظر گرفته می شود.
در هر مسئلهای با توجه به شرایط حاکم بر اطلاعات، تعداد و نوع ورودیها، تعداد و نوع خروجیها و نحوه ارتباط آنها با یکدیگر، میتوان از تعداد محدودی شبکه با ساختار متفاوت استفاده کرد . شناخت این مدلها، همچنین انتخاب استراتژی مناسب جهت آموزش هر یک از شبکهها میتواند ما را جهت حصول یک شبکه کارآمدتر یاری نماید.
در معرفی ساختار و فرم شبکه، مطالب مورد بحث، بیشتر در مورد تعداد نرونهای لایه میانی میباشد. همچنین باید اشاره شود که خطوط اتصال وزنها و نحوه ارتباط نرونها با یکدیگر باعث پیدایش شبکههای مختلف میگردد، که در بخشهای قبلی در همین فصل به انواع آنها و خصوصیات منحصربه فرد هر کدام از آنها اشاره شد. لذا با توجه به نوع مسئله و بررسی خصوصیات آن، میتوان نوع شبکه را از حیث ارتباط نرونها با یکدیگر تعیین نمود. برای انتخاب تعداد نرونها در لایه میانی نیز، میتوان اشاره کرد که هیچ تکنیک عمومی برای حصول بهترین و بهینهترین ساختارشناسی در شبکههای عصبی به صورت قانون در نیامده است .
روشی که اکثرا در کاربرد شبکه عصبی از آن در تعیین تعداد نرونها استفاده می نمایند، به این شکل میباشد که ابتدا یک نرون به عنوان تعداد نرونهای لایه میانی انتخاب میگردد، سپس شبکه آموزش داده میشود و نتایج حاصل از آن به دست میآید . پس از آن به تدریج تعداد نرونها را افزایش میدهیم، تاجایی که دیگر با افزایش نرونها تغییر محسوسی در نتایج شبکه حاصل نگردد. در این مرحله تعداد نرونها، عدد نرونهای مطلوب در لایه میانی میباشد .
انتخاب استراتژی مناسب جهت آموزش مسئله نیز از مهمترین مراحل کار با شبکههای عصبی به ویژه در فرایندهای احتمالاتی نظیر فرایندهای تصادفی میباشد. با توجه به نوع شبکه و ساختار آن، الگوریتمهای مختلفی جهت آموزش پیشنهاد شده است. الگوریتمهای CC و RCC برای شبکههای Elman، متد آموزشیRadial Basis برای شبکههای Radial Basis و روش آموزش پس انتشارخطا برای شبکههای پیشخور توصیه شده است
-2 تئوری و روش کار
همواره یکی از آرزوهای بشر پیش بینی زلزله بوده لست و در این مسیر کامیابی و ناکامی های متعددی را تجربه نموده است.پیش گویی جنبه های مختلفی از زلزله از جمله محل، اندازه و زمان وقوع زلزله بسیار برای انسان اهمیت داشته است.
مطالعات لرزه شناسی که با استفاده از ایستگاههای زلزله شناسی، انجام می شود در پیش بینی زلزله می تواند نقش مهمی ایفا نماید. محققین برای پیش بینی زلزله از سرنخ های فیزیکی متعددی از جمله سرعت موج p، بالا آمدن زمین، انتشار رادن، مقاومت الکتریکی و ... استفاده کرده اند.
موفق ترین پیش بینی زلزله در کالیفرنیا انجام شد که درآن وقوع زلزله با دوره تناوب 22 سال و بزرگی 5/5 ریشتر پیش بینی شد. یکی از مسائل مهم مطالعات لرزه شناسی یافتن روابط بین مولفه های مختلف زلزله با یکدیگر است. رابطه زیر معادله بین انرژی آزاد شده و بزرگی زلزله را که توسط ریشتر و گوتنبرگ بصورت تجربی بیان شد، نشان می دهد.Log 10 E=11.8+1.5M که در آن E انرژی ارتعاشی زلزله و M برزگی زلزله های کم عمق است
در این تحقیق همانطور که در ابتدا ذکر شده است با استفاده از شبکه های عصبی چند لایه به بررسی قدرت پیش بینی آنها در تخمین میزان شدت زلزله پرداخته شده است، بدین منظور با جمع آوری داده های مربوطه به گسل سبز پوشان، ابتدا اقدام به ساخت مدل شبکه عصبی چند لایه می شود و با قرار دادن درصدی از اطلاعات جهت آموزش و درصدی دیگر جهت تست شبکه، به بررسی دقت مدل پیشنهادی جهت تخمین شدت زلزله پرداخته می شود.
از آنجا که تخمین شدت زلزله یکی از مشکلترین مطالعات مربوط به مهندسی زلزله میباشد، که هنوز روش جامع و دقیقی برای محاسبه آن ارائه نگردیده و همچنان تخمین صحیح و نسبتا دقیق می تواند سهم قابل توجهی را در ارائه برنامه ریزی صحیح و غلبه بر مشکلات اساسی طرحهای مدیریتی باشد. شبکه عصبی مصنوعی ساختارهای ریاضی غیر خطی هستند که میتوانند فرایندهای غیر خطی پیچیده ای که میان ورودی و خروجی هر سیستم ارتباط برقرار میسازند را توصیف نمایند.
با توجه به طبیعت غیر خطی و استوکستیکی پدیده های لرزه ای، کاربرد شبکه عصبی مصنوعی در این زمینهکاملاً قابل توجیه و توصیه است. با داشتن اطلاعات و متغیرهای موثر در پدیده که از طریق اندازه گیری به دست آمده باشند و در اختیار قرار دادن آنها برای شبکه عصبی مصنوعی ، میتوان رفتار حاکم بر این پدیده را با آموزش دادن شبکه، تعیین و از آن برای پیش بینی موارد بعدی استفاده کرد. وجود چنین قابلیتهایی در شبکه عصبی مصنوعی و دیگر روش های هوش مصنوعی، ما را به استفاده از آنها در مدل کردن فرایند تخمین میزان زلزله که مهمترین کار در مهندسی زلزله میباشد، واداشته است.
همانطور که اشاره شد، امروزه شاهدکاربرد گسترده روشهای هوش مصنوعی درمسائل غیرخطی وپیچیده درمسائل مختلف هستیم این روشها به عنوان مدل مبتنی برداده قادرند بدون درنظر گرفتن محدودیت فیزیکی محیط یک ارتباط منطقی بین ورودی وخروجی سیستم بااستفاده ازداده های مشاهده ای برقرار کنندازاین رویک ابزارقوی محاسباتی محسوب میشوند.
درطراحی مدلهای عصبی مصنوعی همه دادهها ابتدا بر طبق رابطه زیر بین دوعدد - 0,05-0,95 - نرمال شده وسپس به صورت تصادفی به دو قسمت تقسیم و%80 دادهها رابرای آموزش و%20 باقی مانده رابرای آزمایش مدلها مورداستفاده قرار می دهیم.
در این تحقیق برای اجرای مدلهای شبکه عصبی و فازی-عصبی از محیط برنامه نویسی ANN در نرم افزار MATLAB وبه منظور آموزش شبکه عصبی مصنوعی از مدل شبکههای عصبی پرسپترون چندلایه با الگوریتم آموزش پس انتشار خطا و چندین روش آموزشی دیگر استفاده شده است. همچنین از تابع سیگموئیدی Logsig به عنوان تابع فعالیت در لایه میانی و خروجی استفاده شد. در ساختار تمامی شبکهها، طراحی بهینه با یک لایه مخفی صورت پذیرفته و تعداد بهینه نرونهای در لایه مخفی نیز به روش سعی و خطا به دست آمد. همچنین برای مقادیر اولیه وزنها و بایاسها از مقادیر پیش فرض نرمافزار استفاده می شود.
به منظور تحلیل شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی ابتدا داده ها نرمال شده اند. علت اینکه دادهها را نرمال میکنیم این است که وارد کردن دادهها به صورت خام باعث کاهش سرعت و دقت شبکه میشود