توسعه روشهای شناسایی الگو های پیچیده مکانی زمین لرزه ها در کمربند لرزه خیز البرز

مجری پروژه:

مصطفی علامه زاده

همکاران:
مهرداد مصطفی زاده
لیلا مهشاد نیا

روش تشخیص الگو در پیش یابی خوشه های لرزه ای پس لرزه ها، مسأله مهمی در مطالعات زلزله شناسی است. با توجه به سرشت کاملاً تصادفی این رویداد، استفاده از شبکه های عصبی مصنوعی، راهکاری مناسب برای جداسازی خوشه ها محسوب می شود. الگوریتم شبکه عصبی مصنوعی کوهونن، برای تشخیص تمرکز پس لرزه های آینده، در داده پردازی زلزله شناسی جایگاه مناسبی دارد. در این پژوهش، جزئیات الگوهای لرزه ای در البرز باختری با استفاده از کاتالوگ پژوهشگاه بررسی شده است. اگر چه بسیاری از زلزله  ها همگی و یا برخی از الگوها نظیر پیش لرزه ها، سکوت لرزه ای و الگوی دونات را قبل از وقوع نشان می دهند، اما جزئیات آنها از زلزله ای به زلزله دیگر متغیر است.
در این تحقیق، پس از شناسایی گرههای زمین ریخت ساختاری البرز باختری، با بکارگیری شبکه های عصبی خود سازمانده کوهنن و تحلیل کاتالوگ لرزه ای در محل گرهها، خوشه های لرزه ای مطالعه و محل رخداد زمین لرزه های بزرگ شناسایی شد. بر اساس نتایج به دست آمده، الگوهای سکوت لرزه ای و دونات برجسته ترین الگوهای لرزه ای تشخیص داده شده است.
به دلیل غیر یکنواختی کاتالوگ های لرزه خیزی موجود، روشهای مبتنی بر استدلال تقریبی، برای تصمیم گیری رفتار فرآیندهای پیچیده کمک می نماید. شبیه سازیهایی نظیر شبکه های عصبی مصنوعی برای تحلیل این الگوها، توزیع لرزه خیزی در صفحه گسل را برجسته تر می کند.
در پژوهش حاضر، تغییرات ناحیه ای الگوها در طول پهنه های زمین ساختی البرز بررسی و یک دوره سکوت لرزه ای در این ناحیه همراه با خوشگی لرزه ای و غیر یکنواختی لرزه خیزی در طول گسلهای منطقه مشاهده شد. در این راستا، پهنه های با توان لرزه خیزی زیاد با استفاده از معیارهای زمین ریخت ساختاری استخراج شده اند. این روش بر تشخیص شواهد حرکات
زمین ساختی عهد حاضر در مرز بلوک های لیتوسفر و تشخیص غیر مستقیم بخشهایی با تمرکز تنش زیاد در طول گسلها استوار است و در تحلیل خطر و ارزیابی خطرپذیری زمین لرزه اهمیت شایانی دارد.
سوابق تاریخی حاوی اطلاعات ارزشمندی در مورد زمین لرزه های روی داده در یک منطقه، ولی فاقد داده های لازم برای برآورد خطر زمین لرزه و پیش یابی بلند مدت زلزله های ناشی از جنبش یک گسل لرزه زا است؛ بنابراین بررسیهای شبیه سازی برای تعیین پارامترهای لرزه خیزی گسلها، بررسی رفتار لرزه ای گسلها در برآورد بلند مدت احتمال رویداد زلزله و مطالعات بلند مدت پیش یابی زلزله ها ضروری است. دانش کافی از پارامترهای لرزه خیزی گسلهای یک منطقه، موجب برآورد دقیقی از احتمال خطر رویداد زلزله برای آن منطقه است. در این پژوهش، برای پیش یابی زلزله های آتی با استفاده از شبیه سازی مونت کارلو و شبکه عصبی SOFMبا حفظ ساختار مدل می توان داده های جدیدی از کاتالوگ زلزله تولید کرد و در صورت محدود بودن داده ها، حالتهای تحقق یافته بیشتری ایجاد نمود. موارد موفق استفاده از روشهای مذکور، تأیید پیش یابی
زمین لرزه های منجیل، بویین زهرا و ورزقان است.

This project is shown a new simulation network model by self-organizing neural networks model and Copula dependence structure on earthquake prediction with application to risk in Alborz region. In this rep[ort, we will cover the theoretical aspects of clustering, including error and learning, followed by an overview of popular clustering algorithms named SOM and Monte Carlo classical simulation indices. We also discuss the relative performance of these algorithms and indices and conclude with examples of the application of clustering to computational seismology to identify active fault in Alborz region.
Although earthquakes are obviously complex phenomena, acquiring knowledge by example may be the only solution. For many real-world problems, precise solutions do not exist. In such case, acquiring knowledge by example may be the only solution. When it is not possible to describe the logic of a problem or to predict behavior with analytical or numerical solutions to governing equations, traditional predictive analysis is difficult. Neural networks analysis does not rely on prescribed relation, but rather seeks its own relation and thus may have an advantage over traditional predictive analysis. The self-organization behavior of earthquakes is not a consequence of a given geometrical structure like the fractal structure in the earth system. This algorithm has shown the results of SOM and Capulas numerical simulations as a complex dynamical process to find new seismotectonic framework. Tabriz and Tehran regions are two examples in Figure 2 . In this paper we have presented several observables, the spatial seismic distribution after the Varzeghan mainshock, the geomorphology patterns, and the magnitude distribution.

Simulation, Self-Oranizing, Copula Structure, Earthquake Prediction