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
Institution
Boğaziçi University
Deprem Mühendisliği Bilim Dalı
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
- İş zekası uygulamalarında üretken yapay zekanın benimsenmesini etkileyen faktörlerin araştırılması(2025)
- Entanglement of labor and environment in an emerging nuclear power landscape: The Akkuyu NPP(2023)
- Darağacının ardında: Türkiye'de idam cezası, hukuk ve yasama performansı (1926-1990)(2025)
- Doğaya atfedilen değerler, doğayla bağ, çevre dostu davranış ve esenlik: İstanbul'daki kent parkları ziyaretçileri üzerine bir vaka çalışması(2025)
- Türkiye'de bölgesel kalkınma ajanslarının çevre yönetişimindeki rolü üzerine bir değerlendirme: Trakya Bölgesi üzerine bir vaka çalışması(2025)
- Türkiye'de süt üretiminin politik ekolojisi: Değişen pratikler, kırsal geçim kaynakları ve süt hayvanları(2025)