İşleminiz gerçekleştirilirken lütfen bekleyiniz.

Please wait


Makale Detayları

[Türkçe .pdf]
Kula (Manisa, Türkiye) ve çevresindeki depremlerin ve patlatmaların doğrusal ayırt etme fonksiyonu yöntemi ve yapay sinir ağları ile ayırt edilmesi
Başlık: Kula (Manisa, Türkiye) ve çevresindeki depremlerin ve patlatmaların doğrusal ayırt etme fonksiyonu yöntemi ve yapay sinir ağları ile ayırt edilmesi
Yazarlar: Aylin TAN, Gündüz HORASAN, Doğan KALAFAT, Ali GÜLBAĞ
Anahtar Kelimeler: Manisa, Deprem, Patlatma, Doğrusal Ayırt Etme Fonksiyonu (LDF), Yapay Sinir Ağları (YSA)
Özet:

Bu çalışmada, Manisa, Kula ilçesinde (Türkiye) ve çevresindeki sismik olaylar incelenmiş ve ardından doğal ve yapay kaynaklı sismik aktiviteler tanımlanmıştır. Boğaziçi Üniversitesi Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü Bölgesel Deprem-Tsunami İzleme Merkezi (BDTİM) tarafından oluşturulan sismik aktivite kataloğundan 2009-2014 yılları arasında büyüklüğü ML≤3.5 olan toplam 77 tane sismik olayın, sayısal düşey bileşen hız sismogramları incelenmiştir. Düşey bileşen hız sismogramlarının maksimum P-dalgası genliğinin maksimum S-dalgası genliğine oranı (Ratio), her bir sismik olay için düşey bileşen hız sismogramlarının iki zaman penceresindeki (1 ve 12 sn.) güçlerinin oranları (Complexity), sinyalin toplam süresi (Duration) hesaplanmıştır. Depremler ve patlatmalar Doğrusal Ayırt Etme Fonksiyonu (LDF) ile Yapay Sinir Ağları (YSA) öğrenme algoritmalarından biri olan Geri Yayılmalı-İleri Beslemeli Sinir Ağları (BPNN) kullanılarak, birbirinden ayırt edilmiştir. İncelenen toplam 77 sismik olayın 39’u (%51) patlatma, 38’i (%49) ise deprem olarak tanımlanmıştır. LDF ve YSA metotları Ratio-C, Ratio-logS ve Ratio-duration parametre ikilileri için birlikte ilk kez Manisa bölgesinde uygulanarak, depremler ve patlatmalar birbirinden ayırt edilmiştir. Elde edilen sonuçlar her parametre ikilisi için birbirleriyle karşılaştırılmıştır. Her iki metot da başarılıdır ancak veri sayısı yüksek olduğunda YSA metodunun doğruluk yüzdesi değerleri, LDF metodunun doğruluk yüzdesi değerlerinden daha büyüktür.

10.19111/bulletinofmre.757701

Details

[English .pdf]
Discrimination of earthquakes and quarries in Kula District (Manisa, Turkey) and its vicinity by using linear discriminate function method and artificial neural networks
Title: Discrimination of earthquakes and quarries in Kula District (Manisa, Turkey) and its vicinity by using linear discriminate function method and artificial neural networks
Authors: Aylin TAN, Gündüz HORASAN, Doğan KALAFAT, Ali GÜLBAĞ
Keywords: Manisa, Earthquake, Quarry Blast, Linear Discriminant Function (LDF), Artificial Neural Networks (ANNs)
Abstract:

In this study, seismic events in Kula district (Manisa, Turkey) and its vicinity have been investigated and then natural and artificial seismic activities are discriminated. Total of 77 digital vertical component velocity seismograms of seismic activities with ML£3.5 magnitude from seismic activity catalogs between 2009 to 2014 recorded by Manisa Kula (KULA) broadband station operated by Bogazici University, Kandilli Observatory and Earthquake Resarch Institute Regional Earthquake-Tsunami Monitoring Center (RETMC) were used in this study. The maximum S-wave and maximum P-wave amplitude ratio (Ratio) of vertical component velocity seismograms and power ratio for (1 and 12 sec.) (Complexity-C) and total signal duration (Duration) of the waveform were calculated. The earthquakes and the quarry blasts have been discriminated using linear discriminant function (LDF) and Back Propagation-Feed Forward Neural Networks (BPNNs) that is one of the learning algorithms at the artificial neural networks (ANNs) methods taking correlation between these parameters into consideration. 39 (51%) of the 77 seismic activities were identified as quarry blasts and 38 (49%) of them as earthquakes LDF and ANNs methods have been applied together for the first time for Ratio-C, Ratio-logS and Ratio-duration parameter pairs with the data of Manisa and surroundings, and earthquakes and quarry blasts have been distinguished from each other. LDF and ANNs methods were compared for each pair of parameters. Both of two methods are successful but the ANNs method has higher accuracy percentage values than LDF method when there is sufficient number of data. The accuracy percentages are different for a pair of Ratio versus C, for a pair of Ratio versus logS and for a pair of Ratio versus duration, respectively.

10.19111/bulletinofmre.757701


 
MTA Bilgi İşlem Koordinatörlüğü - 2013/2020