پيش بيني خوشه هاي لرزه اي پرخطر به روش شبكه هاي عصبي كوهونن

Prediction of the Seismic Clusters using Adaptation Seismogenic Nodes and Based on Kohonen Self-Organizing Neural Network - Example of West Alborz

روش تشخيص الگو در پيش يابي خوشه هاي لرزه اي پس لرزه ها، مساله اي مهم در مطالعات زلزله شناسي است. با توجه به اين كه چنين رويدادي داراي سرشت كاملاً تصادفي است، استفاده از شبكه هاي عصبي مصنوعي، راهكاري مناسب براي جداسازي خوشه ها محسوب مي-شود. الگوريتم شبكه عصبي مصنوعي كوهونن كه الهام گرفته از عملكرد مغز انسان است براي تشخيص تمركز پس لرزه هاي آينده، جايگاه مناسبي را در داده پردازي زلزله شناسي باز كرده است. در اين مقاله، جزييات الگوهاي لرزه اي در البرز باختري با استفاده از كاتالوگ پژوهشگاه بين المللي زلزله شناسي و مهندسي زلزله بررسي شده است. اگرچه بسياري از زلزله ها همگي و يا برخي از الگوها نظير پيش لرزه ها، سكوت لرزه اي و الگوي دونات را قبل از وقوع نشان مي دهند، اما جزييات اين الگوها از زلزله اي به زلزله ديگر به طور قابل توجهي تغيير مي كند. در اين پژوهش پس از شناسايي گره هاي زمين ريخت ساختاري البرز باختري، با به كارگيري شبكه هاي عصبي خود سازمانده كوهونن1 و تحليل كاتالوگ لرزه اي در محل گره-ها، خوشه هاي لرزه اي مورد مطالعه قرار گرفت و محل رخداد زمين لرزه هاي بزرگ شناسايي شد. بر اساس نتايج به دست آمده الگوي سكوت لرزه اي و الگوي دونات برجسته ترين الگوهاي لرزه اي تشخيص داده شده است. كليدواژه ها: تجزيه و تحليل خوشه، پيش يابي، شبكه عصبي كوهونن، پهنه بندي زمين ريخت ساختاري، گره هاي لرزه خيز

Pattern recognition of aftershocks distribution and aftershocks clustering is an important and complicated issue in seismology. It is difficult because of non- uniform structure in the interested region and stochastic nature of seismic signals. Recent developments of neural classifiers indicate that they are useful in solving many difficult problems in seismology such as discrimination analysis. In this paper, an approach is presented to predict the concentration and the trend of aftershocks earthquakes. The method is based on inputting first aftershocks to Kohonen artificial neural network. Kohonen neural networks consist of several neurons that effect mutually on each other to display important statistical characteristics of the input space (i.e. first aftershocks). In this article, seismic patterns of west Alborz have been investigated using IIEES catalogs. Although many earthquakes show all or some of the patterns such as foreshocks, the seismic silence pattern and Doughnut pattern before the major earthquakes, but details of these patterns in different earthquake change considerably. In this study, in western Alborz, after identifying morphostructural nodes, earthquakes clusters are studied and the event location of future large earthquakes have been identified by Using Kohonen Self-Organizing Neural Network. Based on the results, the seismic silence and the Doughnut pattern before large earthquakes are detected as the most prominent seismic patterns. Keywords: Cluster Analysis (Clustering), Prediction, Kohonen neural network (SOFM), Morphostructural zoning (MZ), Seismogenic nodes