تخمين پارامترهاي گسل مسبب زلزله با استفاده از ميدان جابجايي هم‌لرزه آن و الگوريتم شبكه هاي عصبي مصنوعي

Estimation parameters of fault causing earthquake using co-seismic displacement field and artificial neural networks Case study: The 2005 Qeshm Island earthquake (Iran)

كشور ما در یك پهنه لرزه خیز واقع شده است و دارای گسل های فعال می‌باشد كه میلیون ها انسان تحت تهدید یك زلزله احتمالی در این مناطق از كشورمان زندگی می‌كنند، مطالعه گسل های فعال امری حیاتی محسوب می‌شود. هدف این مقاله بدست آوردن اطلاعات مربوط به پارامترهای گسل با استفاده از مجموعه مشاهدات تغییرشكل كه مسئله معكوس ژئوفیزیك نامیده می‌شود. در اغلب مسایل معكوس، ماتریس مشاهدات مسأله به علت وابسته بودن مشاهدات و عدم دسترسی به اطلاعات كافی دارای كمبود مرتبه است و در نتیجه سینگولار بوده و معكوس پذیر نیست .بنابراین از آنجایی كه مسئله معكوس به طور مستقیم قابل حل نیست، از روش های بهینه سازی برای حل آن ها استفاده می شود. بسیاری از مسائل بهینه سازی ژئوفیزیكی غیرخطی هستند و دارای تابع هدف بی قاعده هستند. در برخورد با این مسائل به راحتی با استفاده از روش های كلاسیك نمی توان به نتیجه مطلوب رسید و روش های غیركلاسیك یا تكاملی مطرح می‌شوند. در این تحقیق به منظور تخمین پارامتر‌های گسل مسبب زلزله از میدان جابجایی هم‌لرزه بدست آمده از مشاهدات تداخل سنجی راداری در زلزله 6 آذر 1384 جزیره قشم و الگوریتم شبكه عصبی مصنوعی استفاده شده است. نتایج بیانگر آن است كه مشاهدات تداخل سنجی راداری با یك گسل معكوس به عمق 6.1 كیلومتر و طول 7 كیلومتر و عرض 5 كیلومتر، با شیب 42 و آزیموت 251 منطبق است. این گسل دارای لغزش 88 سانتی متر بوده است. بزرگترین مؤلفه در سطح زمین مؤلفه ارتفاعی می باشد كه دارای مقادیر6 سانتی متر بالا آمدگی و فرونشست می‌باشد. همچنین ماكزیمم جابجایی سطحی زمین ناشی از این گسلش در راستای غربی-شرقی 4 سانتی متر می‌باشد.

The ultimate goal of geophysical observations is determining geological structures from the geophysical data which is very difficult due to the complex structure of the earth’s interior. Retrieving the parameters of a fault through a set of its deformation observations is called “geophysics’ inverse problem”. In this article, the Artificial Neural Network as an evolutionary method are applied to retrieve the Qeshm fault parameters. In this research, in order to estimate parameters of the fault causing the earthquake, Insar displacement observations of the earthquake occurred on The 2005 November 27 in Qeshm and also neural network have been used. Deploying this approach in co-seismic displacement field of Qeshm leaded to parameter estimation of the fault with a depth , length, widths, dip angle, strike, slip, of 6.1 km, 7.4 km, 4.6 km, 42 degrees, 251 degrees and 88 cm, respectively. Maximum difference of the reconstructed displacement field based on the estimated parameters on displacement field obtained by Insar is demonstrated as large as 1 cm in vertical direction and 4 cm in north-south direction. The results indicate that the artificial neural networks are trusted approaches in parameter estimation of faults.