Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi
Yıl: 2022 Cilt: 37 Sayı: 4 Sayfa Aralığı: 2133 - 2145 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.791337 İndeks Tarihi: 29-07-2022
Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi
Öz: Bu çalışmada, ileri beslemeli geri yayılımlı bir yapay sinir ağı ile depremin büyüklüğü, derinliği ve afetzedelerin merkez üssüne olan uzaklıklarına bağlı olarak deprem şiddeti tahmini yapılmıştır. Bu kapsamda, Amerika Birleşik Devletleri Jeoloji Araştırmaları Kurumu’nun veri tabanında yer alan ve önemli depremler olarak adlandırılan depremlere ilişkin bilgiler yapay sinir ağının girdisi olarak kullanılmıştır. Farklı yapay sinir ağı tasarımları için deprem şiddeti tahmin edilerek uygun bir ağ tasarımı elde edilmiştir. Ardından söz konusu uygun ağ tasarımı için farklı eğitim algoritmaları kullanılarak ağ eğitilmiş ve bu algoritmalar arasından en uygun eğitim yöntemi belirlenmiştir. Farklı ağ tasarımlarının ve eğitim algoritmalarının performansları, ortalama karesel hata ve korelasyon katsayısı cinsinden analiz edilmiştir. Performans parametrelerinin ortalaması açısından, iki gizli katman ve her bir katmanda sırasıyla beş ve on gizli nöronun bulunduğu ağ yapısı en uygun tasarım olarak belirlenmiştir. Söz konusu ağ yapısı için Bayes Düzenlemesi ile Levenberg-Marquardt eğitim algoritmasının kullanıldığı durumda performans parametreleri açısından en iyi sonuçlar gözlenmiştir.
Anahtar Kelime: Earthquake intensity estimation via an artificial neural network: Examination of different network designs and training algorithms
Öz: In this study, using a multi-layer feed-forward artificial neural network, we estimate earthquake intensity based on the magnitude and the depth of an earthquake and the distance of the disaster victims from the epicenter of the earthquake. In this context, we use significant earthquakes database of the United States Geological Survey as the inputs of the artificial neural network. We first determine an appropriate network design by estimating earthquake intensity with different artificial neural network designs and then the best training algorithm for the appropriate network design by evaluating different algorithms for the corresponding network design. These analyses are performed in terms of the mean square error and correlation coefficient. In terms of the average performance parameters, the network structure with two hidden layers and five and ten hidden neurons in each respective layer is determined as the most appropriate design. We observe the best results in terms of performance parameters by using the Levenberg-Marquardt training algorithm with Bayesian Regularization for the corresponding network structure.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- 1. Van Wassenhove L.N., Humanitarian aid logistics: supply chain management in high gear, J. Oper. Res. Soc., 57 (5), 475-489, 2006.
- 2. Erdik M., Earthquake vulnerability of buildings and a mitigation strategy: Case of Istanbul, Washington DC: World Bank, 79-92, 2003.
- 3. Kumar A., Latif Y.L., Daver F., Developing forecasting tool for humanitarian relief organizations in emergency logistics planning, International Journal of Economics and Management Engineering, 6 (11), 3194-3200, 2012.
- 4. European Commission. Action plan on the Sendai framework for disaster risk reduction 2015–2030, European Union. http://ec.europa.eu. Yayın tarihi Haziran 17, 2016. Erişim tarihi Mayıs 13, 2020.
- 5. Xu X., Qi Y., Hua Z., Forecasting demand of commodities after natural disasters, Expert Syst. Appl., 37 (6), 4313-4317, 2010.
- 6. Sheu J.B., Challenges of emergency logistics management, Transportation Research Part E: Logistics and Transportation Review, 43 (6), 655-659, 2007.
- 7. United States Geological Survey. Earthquake Hazards Program, Significant Earthquakes Archive. https://earthquake.usgs.gov/earthquakes/browse/signifi cant.php. Yayın tarihi 2011. Erişim tarihi Mart 8, 2017.
- 8. Reyes J., Morales-Esteban A., Martínez-Álvarez F., Neural networks to predict earthquakes in Chile, Appl. Soft Comput., 13 (2), 1314-1328, 2013.
- 9. Corbi F., Sandri L., Bedford J., Funiciello F., Brizzi S., Rosenau M., Lallemand S., Machine learning can predict the timing and size of analog earthquakes, Geophys. Res. Lett., 46 (3), 1303-1311, 2019.
- 10. Sankaranarayanan S., Prabhakar M., Satish S., Jain P., Ramprasad A., Krishnan A., Flood prediction based on weather parameters using deep learning, J. Water Clim. Change, 11 (4), 1766-1783, 2020.
- 11. Kuradusenge M., Kumaran S., Zennaro M, Rainfallinduced landslide prediction using machine learning models: The case of Ngororero District, Rwanda, Int. J. Environ. Res. Public Health, 17 (11), 4147, 2020.
- 12. Battarra M., Balcik B., Xu H., Disaster preparedness using risk-assessment methods from earthquake engineering, Eur. J. Oper. Res., 269 (2), 423-435, 2018.
- 13. Adeli H., Panakkat A., A probabilistic neural network for earthquake magnitude prediction, Neural networks, 22 (7), 1018-1024, 2009.
- 14. Külahcı F., İnceöz M., Doğru M., Aksoy E., Baykara O., Artificial neural network model for earthquake prediction with radon monitoring, Appl. Radiat. Isot., 67 (1), 212-219, 2009.
- 15. Alarifi A.S., Alarifi N.S., Al-Humidan S., Earthquakes magnitude predication using artificial neural network in northern Red Sea area, Journal of King Saud UniversityScience, 24 (4), 301-313, 2012.
- 16. Amit Z., Arjun S., Quantification of recent seismicity and a back propagation Neural Network for forecasting of earthquake magnitude in Northeast Region of India, Disaster Advances, 10 (6). 17-34, 2017.
- 17. Mousavi S.M., Beroza G.C., A machine‐learning approach for earthquake magnitude estimation, Geophys. Res. Lett., 47 (1), e2019GL085976, 2020.
- 18. Panakkat A., Adeli H., Neural network models for earthquake magnitude prediction using multiple seismicity indicators, Int. J. Neural Syst., 17 (01), 13-33, 2007.
- 19. Asim K.M., Martínez-Álvarez F., Basit A., Iqbal T., Earthquake magnitude prediction in Hindukush region using machine learning techniques, Nat. Hazard., 85 (1), 471-486, 2017.
- 20. Moustra M., Avraamides M., Christodoulou C., Artificial neural networks for earthquake prediction using time series magnitude data or seismic electric signals, Expert Syst. Appl., 38 (12), 15032-15039, 2011.
- 21. Juang C.H., Elton D.J., Fuzzy logic for estimation of earthquake intensity based on building damage records, Civil Engineering Systems, 3 (4), 187-191, 1986.
- 22. Kubo H., Kunugi T., Suzuki W., Suzuki S., Aoi S., Hybrid predictor for ground-motion intensity with machine learning and conventional ground motion prediction equation, Sci. Rep., 10 (1), 1-12, 2020.
- 23. Bradley B.A., Site-specific and spatially-distributed ground-motion intensity estimation in the 2010–2011 Canterbury earthquakes, Soil Dyn. Earthquake Eng., 61, 83-91, 2014.
- 24. Jozinovic D., Lomax A., Stajduhar I., Michelini A., Rapid prediction of earthquake ground shaking intensity using raw waveform data and a convolutional neural network, Geophys. J. Int., 222 (2), 1379-1389, 2020.
- 25. Nicolis O., Plaza F., Salas R., Prediction of intensity and location of seismic events using deep learning, Spatial Stat., 42, 100442, 2021.
- 26. Asif A., Dawood M., Jan B., Khurshid J., DeMaria M., PHURIE: hurricane intensity estimation from infrared satellite imagery using machine learning, Neural Computing and Applications, 32 (9), 4821-4834, 2020.
- 27. Burks L., Miller M., Zadeh R., Rapid estimate of ground shaking intensity by combining simple earthquake characteristics with tweets, 10th US National conference on earthquake engineering, Anchorage, Alaska, USA, 21-25 July, 2014.
- 28. Kropivnitskaya Y., Tiampo K.F., Qin J., Bauer M.A., Real-Time Earthquake Intensity Estimation Using Streaming Data Analysis of Social and Physical Sensors, Pure Appl. Geophys., 174 (6), 2331-2349, 2017.
- 29. Zahera H.M., Sherif M.A., Ngonga Ngomo A.C., Jointly learning from social media and environmental data for typhoon intensity prediction, 10th International Conference on Knowledge Capture, Marina Del Rey, CA, USA, 231-234, 19-21 November, 2019.
- 30. Günaydın K., Günaydın A., Peak ground acceleration prediction by artificial neural networks for northwestern Turkey, Math. Probl. Eng., 2008, 1-20, 2008.
- 31. Wang Z., Zentner I., Pedroni N., Zio E., Adaptive artificial neural networks for seismic fragility analysis, 2nd International Conference on System Reliability and Safety (ICSRS), Milan, Italy, 414-420, 20-22 December, 2017.
- 32. Asim K.M., Moustafa S.S., Niaz I.A., Elawadi E.A., Iqbal T., Martínez-Álvarez F, Seismicity analysis and machine learning models for short-term low magnitude seismic activity predictions in Cyprus, Soil Dyn. Earthquake Eng., 130, 105932, 2020.
- 33. Erdik M., Şeşetyan K., Demircioğlu M.B., Hancılar U., Zülfikar C., Rapid earthquake loss assessment after damaging earthquakes, Soil Dyn. Earthquake Eng., 31 (2), 247-266, 2011.
- 34. Sebatli A., Cavdur F., Analysis of relief supplies distribution operations via simulation, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 2079-2096, 2019.
- 35. Samardjieva E., Badal J., Estimation of the expected number of casualties caused by strong earthquakes, Bull. Seismol. Soc. Am., 92 (6), 2310-2322, 2002.
- 36. Aghamohammadi H., Mesgari M.S., Mansourian A., Molaei D., Seismic human loss estimation for an earthquake disaster using neural network, Int. J. Environ. Sci. Technol., 10 (5), 931-939, 2013.
- 37. Gul M., Guneri A.F., An artificial neural network-based earthquake casualty estimation model for Istanbul city, Nat. Hazard., 84 (3), 2163-2178, 2016.
- 38. Amirifar L., Shafiee H., Estimating of Loss Human Life Caused Through Earthquake Employing Neural Network, Journal of Advances in Computer Research, 9 (2), 71-89, 2018.
- 39. Xing H., Junyi S., Jin H., The casualty prediction of earthquake disaster based on Extreme Learning Machine method, Nat. Hazard., 102 (3), 873-886, 2020.
- 40. Cui S., Yin Y., Wang D., Li Z., Wang Y., A stackingbased ensemble learning method for earthquake casualty prediction, Appl. Soft Comput., 101, 107038, 2021.
- 41. Ganguly K.K., Nahar N., Hossain B.M., A machine learning-based prediction and analysis of flood affected households: A case study of floods in Bangladesh, Int. J. Disaster Risk Reduct., 34, 283-294, 2019.
- 42. Hashemi M., Alesheikh A.A., A GIS-based earthquake damage assessment and settlement methodology, Soil Dyn. Earthquake Eng., 31 (11), 1607-1617, 2011.
- 43. So E., Spence R., Estimating shaking-induced casualties and building damage for global earthquake events: a proposed modelling approach, Bull. Earthquake Eng., 11 (1), 347-363, 2013.
- 44. Musson R.M.W., Intensity-based seismic risk assessment, Soil Dyn. Earthquake Eng., 20 (5-8), 353- 360, 2000.
- 45. Molas G.L., Yamazaki F., Neural networks for quick earthquake damage estimation, Earthquake engineering & structural dynamics, 24 (4), 505-516, 1995.
- 46. Barbosa A.R., Ribeiro F.L., Neves L.A., Influence of earthquake ground‐motion duration on damage estimation: application to steel moment resisting frames, Earthquake Engineering & Structural Dynamics, 46 (1), 27-49, 2017.
- 47. Chaurasia K., Kanse S., Yewale A., Singh V.K., Sharma B., Dattu B.R., Predicting Damage to Buildings Caused by Earthquakes Using Machine Learning Techniques, 2019 IEEE 9th International Conference on Advanced Computing (IACC), Tiruchirappalli, India, 81-86, 13-14 December, 2019.
- 48. Mangalathu S., Sun H., Nweke C.C., Yi Z., Burton H.V., Classifying earthquake damage to buildings using machine learning, Earthquake Spectra, 36 (1), 183-208, 2020.
- 49. Cavallo E., Powell A., Becerra O., Estimating the direct economic damages of the earthquake in Haiti, The Economic Journal, 120 (546), F298-F312, 2010.
- 50. Kim J.M., Bae J., Son S., Son K., Yum S.G., Development of Model to Predict Natural DisasterInduced Financial Losses for Construction Projects Using Deep Learning Techniques, Sustainability, 13 (9), 5304, 2021.
- 51. Bi C., Fu B., Chen J., Zhao Y., Yang L., Duan Y., Shi Y., Machine learning based fast multi-layer liquefaction disaster assessment, World Wide Web, 22 (5), 1935- 1950, 2019.
- 52. Xu Y., Lu X., Tian Y., Huang Y., Real-time seismic damage prediction and comparison of various ground motion intensity measures based on machine learning, J. Earthquake Eng, 1-21, 2020.
- 53. Richter, C.F., An instrumental earthquake magnitude scale, Bull. Seismol. Soc. Am., 25 (1), 1-32, 1935.
- 54. Wood, H. O., Neumann, F. Modified Mercalli intensity scale of 1931, Bull. Seismol. Soc. Am., 21 (4), 277-283, 1931.
- 55. United States Geological Survey. The Modified Mercalli Intensity Scale. https://www.usgs.gov/naturalhazards/earthquake-hazards/science/modified-mercalliintensity-scale. Yayın tarihi 1989. Erişim tarihi Nisan 11, 2017.
- 56. MathWorks. Help Center, Deep Learning Toolbox. https://www.mathworks.com/help/deeplearning. Yayın tarihi 2020. Erişim tarihi Mayıs 4, 2020.
| APA | Sebatli-Saglam A, Cavdur F (2022). Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. , 2133 - 2145. 10.17341/gazimmfd.791337 |
| Chicago | Sebatli-Saglam Asli,Cavdur Fatih Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. (2022): 2133 - 2145. 10.17341/gazimmfd.791337 |
| MLA | Sebatli-Saglam Asli,Cavdur Fatih Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. , 2022, ss.2133 - 2145. 10.17341/gazimmfd.791337 |
| AMA | Sebatli-Saglam A,Cavdur F Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. . 2022; 2133 - 2145. 10.17341/gazimmfd.791337 |
| Vancouver | Sebatli-Saglam A,Cavdur F Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. . 2022; 2133 - 2145. 10.17341/gazimmfd.791337 |
| IEEE | Sebatli-Saglam A,Cavdur F "Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi." , ss.2133 - 2145, 2022. 10.17341/gazimmfd.791337 |
| ISNAD | Sebatli-Saglam, Asli - Cavdur, Fatih. "Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi". (2022), 2133-2145. https://doi.org/10.17341/gazimmfd.791337 |
| APA | Sebatli-Saglam A, Cavdur F (2022). Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(4), 2133 - 2145. 10.17341/gazimmfd.791337 |
| Chicago | Sebatli-Saglam Asli,Cavdur Fatih Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37, no.4 (2022): 2133 - 2145. 10.17341/gazimmfd.791337 |
| MLA | Sebatli-Saglam Asli,Cavdur Fatih Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.37, no.4, 2022, ss.2133 - 2145. 10.17341/gazimmfd.791337 |
| AMA | Sebatli-Saglam A,Cavdur F Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2022; 37(4): 2133 - 2145. 10.17341/gazimmfd.791337 |
| Vancouver | Sebatli-Saglam A,Cavdur F Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2022; 37(4): 2133 - 2145. 10.17341/gazimmfd.791337 |
| IEEE | Sebatli-Saglam A,Cavdur F "Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37, ss.2133 - 2145, 2022. 10.17341/gazimmfd.791337 |
| ISNAD | Sebatli-Saglam, Asli - Cavdur, Fatih. "Yapay sinir ağı ile deprem şiddeti tahmini: Farklı ağ tasarımlarının ve eğitim algoritmalarının incelenmesi". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 37/4 (2022), 2133-2145. https://doi.org/10.17341/gazimmfd.791337 |
