Master'sOpen Access

Makine öğrenmesi tekniklerini kullanarak kuvvetli yer hareketi parametrelerinin tahmini

Is this your thesis?

This record came from a bulk archive import. If it’s yours, link it to your profile.

Abstract (TR)

En büyük yer hızı (PGV) ve kümülatif mutlak hız (CAV), potansiyel deprem hasarını ölçmek için kullanılan önemli kuvvetli yer hareketi parametrelerindendir. Makine öğrenmesi, doğrusal olmayan ilişkilerin ele alınması, otomasyon, verimlilik ve gerçek zamanlı tahmin potansiyeli sayesinde PGV ve CAV parametrelerinin daha doğru ve güvenilir tahminlerini sağlayabilir. Bu çalışma, altı farklı makine öğrenmesi algoritmalarının PGV ve CAV tahmini için göreceli performansını kapsamlı bir şekilde karşılaştırmayı ve en güncel kuvvetli yer hareketi veri seti ile Türkiye'ye özgü yer hareketi modellerini geliştirmeyi amaçlamaktadır. Destek Vektör Makinesi (Support Vector Machine), Doğrusal Regresyon (Linear Regression), Rastgele Orman (Random Forest), Yapay Sinir Ağı (Artificial Neural Network), Bayesian Sırt Yolu Regresyonu (Bayesian Ridge Regression) ve Gradyan Artırma (Gradient Boosting) algoritmaları değerlendirilerek karşılaştırılmıştır. Modellerin öğrenme ve doğru tahmin yapma yeteneklerinin şekillendirilmesinde, 1983'ten 2023'e kadar meydana gelmiş 950'den fazla depremden oluşan Türkiye kuvvetli yer hareketi veri tabanı ve dünya çapındaki yakın alan deprem veri tabanı (moment büyüklüğü≥5.5) kullanılmıştır. PGV ve CAV parametrelerinin tahmin edilmesi amacıyla, en uygun girdi parametreleri gömülü (embedded), filtre (filter) ve kapsayıcı (wrapper) olmak üzere üç öznitelik seçim (feature selection) yöntemi ile belirlenmiştir. Algoritmalar arasında, Gradyan Artırma algoritması hem PGV hem de CAV tahmininde dikkate değer bir başarı göstermiştir. PGV tahmin performansı, tüm girdi (all) parametreleri bir arada kullanıldığında daha iyiyken, CAV tahmin yeteneği, kullanıcı tarafından seçilen (user-selected) parametreler kullanıldığında daha iyidir. Büyük depremlerin PGV ve CAV parametrelerini tahmin etmede, aykırı değerleri eleme (outlier elimination) işlemlerinin gereksiz olduğu bulunmuştur. Önerilen PGV ve CAV modelleri, moment büyüklüğü 3.5 ile 7.8 arasında değişen ve Joyner ve Boore mesafesi 200 km'ye kadar olan sığ kabuklu doğrultu atımlı ve normal faylanma depremlerine uygulanabilir.

Author

Fahrettin Kuran

How to Cite

Fahrettin Kuran (Yüksek Lisans Tezi). Makine öğrenmesi tekniklerini kullanarak kuvvetli yer hareketi parametrelerinin tahmini, 2024, Boğaziçi University.

Keywords

License

Tüm Hakları Saklıdır

This work is shared under the specified license terms.

More theses from Boğaziçi University