KaydedilenlerDerginizi ekleyin

Dergiler / Black Sea Journal of Engineering and Science / 2026 / Cilt: 9 Sayı: 4

Sismik Sinyal Sınıflandırma İçin Hibrit Bir Çerçeve: Deneysel Mod Ayrıştırmanın Zaman Alanı ve Doğrusal Olmayan Özniteliklerin Kaotik Meta-Sezgisel Optimizasyonu İle Entegrasyonu

A Hybrid Framework for Seismic Signal Classification: Integrating Empirical Mode Decomposition with Chaotic Meta-Heuristic Optimization of Time-Domain and Nonlinear Features

Yunus Emre Erdoğan(BÜLENT ECEVİT ÜNİVERSİTESİ)0000-0003-3677-5564
Ali Narin(ZONGULDAK BÜLENT ECEVİT ÜNİVERSİTESİ)0000-0003-0356-2888
Sayfa
1773–1785
Yayın Tarihi
2026-07-15
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu bulgular, DMA tabanlı hibrit öznitelik setlerinin kaotik optimizasyon yöntemleriyle birleştirilmesinin deprem tespiti süreçlerinde yüksek güvenilirlik ve hassasiyet sunduğunu kanıtlamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Depremlerin hızlı ve doğru bir şekilde tespit edilmesi, erken uyarı sistemleri ve afet yönetimi süreçlerinde hayati bir rol oynamaktadır.
📊
Temel Bulgular & Veri:Çalışma kapsamında sismik sinyaller öncelikle z-skor normalizasyonu yöntemiyle ölçeklendirilmiş, ardından Deneysel Mod Ayrıştırma yöntemi kullanılarak 5 seviyeli iç mod fonksiyonlarına (IMF) ayrıştırılmıştır.
💡
Sonuç & Katkı:Bu bulgular, DMA tabanlı hibrit öznitelik setlerinin kaotik optimizasyon yöntemleriyle birleştirilmesinin deprem tespiti süreçlerinde yüksek güvenilirlik ve hassasiyet sunduğunu kanıtlamaktadır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:7 adet
⚙️Değişkenler:Deprem tespiti · IMF · Doğrusal olmayan öznitelikler

Özet

Depremlerin hızlı ve doğru bir şekilde tespit edilmesi, erken uyarı sistemleri ve afet yönetimi süreçlerinde hayati bir rol oynamaktadır. Bu çalışmada, sismik sinyallerin çevresel gürültülerden yüksek doğrulukla ayrıştırılmasına yönelik kapsamlı bir model önerilmiştir. Çalışma kapsamında sismik sinyaller öncelikle z-skor normalizasyonu yöntemiyle ölçeklendirilmiş, ardından Deneysel Mod Ayrıştırma yöntemi kullanılarak 5 seviyeli iç mod fonksiyonlarına (IMF) ayrıştırılmıştır. Öznitelik çıkarma aşamasında her bir IMF bileşeninden 7 adet doğrusal olmayan (Shannon, Log enerji, Renyi, Tsallis, Yaklaşık, Örnek ve Permütasyon entropileri) ve 3 adet zaman alanına ait (Enerji, Basıklık ve Çarpıklık) olmak üzere toplam 10 adet öznitelik elde edilmiştir. Analiz sürecinde hem her bir IMF bileşeni bağımsız olarak değerlendirilmiş hem de IMF1'den IMF5'e kadar olan tüm bileşenlerin birleşiminden oluşan bütüncül bir veri seti (IMF1-5) oluşturularak karşılaştırmalı testler yürütülmüştür. Sınıflandırma aşamasında Rastgele Orman (RO) algoritması kullanılmıştır. Model performansını optimize etmek amacıyla Parçacık Sürü Optimizasyonu (PSO), Karınca Koloni Optimizasyonu (KKO), Yapay Arı Kolonisi (YAK) algoritmaları ile bu yöntemlerin kaotik tabanlı versiyonları (Kaotik PSO, Kaotik KKO, Kaotik YAK) çalışmaya entegre edilmiştir. Elde edilen deneysel sonuçlara göre, en yüksek sınıflandırma başarısı %97,67 doğruluk oranı ile tüm IMF’lerin kullanıldığı veri seti üzerinde KKO algoritması ile elde edilmiştir. Tekil bileşenler bazında yapılan değerlendirmelerde ise en yüksek başarımın %92,30 ile IMF3 bileşeninde olduğu saptanmıştır. Bu bulgular, DMA tabanlı hibrit öznitelik setlerinin kaotik optimizasyon yöntemleriyle birleştirilmesinin deprem tespiti süreçlerinde yüksek güvenilirlik ve hassasiyet sunduğunu kanıtlamaktadır.

Abstract

The rapid and accurate detection of earthquakes plays a vital role in early warning systems and disaster management processes. This study proposes a comprehensive model for the accurate separation of seismic signals from environmental noise. In this study, seismic signals were first scaled using the z-score normalization method, and then decomposed into 5-level internal mode functions (IMFs) using the Empirical Mode Decomposition method. In the feature extraction phase, a total of 10 features were obtained from each IMF component: 7 nonlinear features (Shannon, Log energy, Renyi, Tsallis, Approximate, Sample, and Permutation entropies) and 3 time-domain features (Energy, Kurtosis, and Skewness). In the analysis process, each IMF component was evaluated independently, and a comprehensive dataset (IMF1-5) consisting of all components from IMF1 to IMF5 was created for comparative testing. The Random Forest (RF) algorithm was used in the classification phase. To optimize model performance, Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), and Artificial Bee Colony (ABC) algorithms, along with their chaotic-based versions (Chaotic PSO, Chaotic ACO, Chaotic BAC), were integrated into the study. According to the experimental results, the highest classification success rate of 97.67% was achieved with the ACO algorithm on the dataset using all IMFs. In evaluations based on individual components, the highest success rate of 92.30% was found in the IMF3 component. These findings demonstrate that combining EMD-based hybrid feature sets with chaotic optimization methods offers high reliability and sensitivity in earthquake detection processes.

🔖

Bu Makaleye Atıf Yap

Erdoğan, Y. E., Narin, A. (2026). Sismik Sinyal Sınıflandırma İçin Hibrit Bir Çerçeve: Deneysel Mod Ayrıştırmanın Zaman Alanı ve Doğrusal Olmayan Özniteliklerin Kaotik Meta-Sezgisel Optimizasyonu İle Entegrasyonu. Black Sea Journal of Engineering and Science, Cilt: 9 Sayı: 4, 1773–1785. https://doi.org/10.34248/bsengineering.1943722

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (21)

  1. Avcil, F., Işık, E., İzol, R., Büyüksaraç, A., Arkan, E., Arslan, M. H., Aksoylu, C., Eyisüren, O., & Harirchian, E. (2024). Effects of the February 6, 2023, Kahramanmaraş earthquake on structures in Kahramanmaraş city. Natural Hazards, 120(3), 2953–2991. https://doi.org/10.1007/s11069-023-06314-1
  2. Bhatia, M., Ahanger, T. A., & Manocha, A. (2023). Artificial intelligence based real-time earthquake prediction. Engineering Applications of Artificial Intelligence, 120, Article 105856. https://doi.org/10.1016/j.engappai.2023.105856
  3. Blum, C. (2005). Ant colony optimization: Introduction and recent trends. Physics of Life Reviews, 2(4), 353–373. https://doi.org/10.1016/j.plrev.2005.10.001
  4. Demir, F. B., Tuncer, T., & Kocamaz, A. F. (2019, June 1). Lojistik-Gauss harita tabanlı yeni bir kaotik sürü optimizasyon yöntemi [A new chaotic swarm optimization method based on logistic-Gauss map]. https://izlik.org/JA68CE32NZ
  5. Erdem, F., Derinpınar, M. A., Nasirzadehdizaji, R., Oy, S., Şeker, D. Z., & Bayram, B. (2018). Rastgele orman yöntemi kullanılarak kıyı çizgisi çıkarımı İstanbul örneği [Shoreline extraction using random forest method: A case study of Istanbul]. Geomatik, 3(2), 74–81. https://doi.org/10.29128/geomatik.362179
  6. Erdoğan, Y. E., & Narin, A. (2021). Elektrokardiyografi yardımıyla hipertansiyonun otomatik belirlenmesinde ampirik kip ayrışımının gürültülü ve gürültüsüz sinyaller üzerindeki performansının karşılaştırılması [Comparison of the performance of empirical mode decomposition on noisy and noiseless signals in automatic determination of hypertension with the help of electrocardiography]. El-Cezeri Fen ve Mühendislik Dergisi, 8(3), 1145–1156. https://doi.org/10.31202/ecjse.1009456
  7. Erdoğan, Y. E., & Narin, A. (2022). Comparison of classification algorithms for COVID19 detection using cough acoustic signals (arXiv:2201.04872). arXiv. https://doi.org/10.48550/arxiv.2201.04872
  8. Erdoğan, Y. E., & Narin, A. (2025). Büyük sismik veriler üzerinde zaman ve frekans tabanlı özniteliklerin gerçek deprem verilerinin tespitindeki etkisi [The effect of time and frequency-based features on large seismic data in the detection of real earthquake data]. Karaelmas Science and Engineering Journal, 15(3), 95–107. https://doi.org/10.7212/karaelmasfen.1706849
  9. Essam, Y., Kumar, P., Ahmed, A. N., Murti, M. A., & El-Shafie, A. (2021). Exploring the reliability of different artificial intelligence techniques in predicting earthquake for Malaysia. Soil Dynamics and Earthquake Engineering, 147, Article 106826. https://doi.org/10.1016/j.soildyn.2021.106826
  10. Hearn, E. H. (2002). Dynamics of Izmit earthquake postseismic deformation and loading of the Duzce earthquake hypocenter. Bulletin of the Seismological Society of America, 92(1), 172–193. https://doi.org/10.1785/0120000832
  11. Jiao, P., & Alavi, A. H. (2020). Artificial intelligence in seismology: Advent, performance and future trends. Geoscience Frontiers, 11(3), 739–744. https://doi.org/10.1016/j.gsf.2019.10.004
  12. Karaboga, D., & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm. Journal of Global Optimization, 39(3), 459–471. https://doi.org/10.1007/s10898-007-9149-x
  13. Kaur, R., GholamHosseini, H., Sinha, R., & Lindén, M. (2022). Melanoma classification using a novel deep convolutional neural network with dermoscopic images. Sensors, 22(3), Article 1134. https://doi.org/10.3390/s22031134
  14. Liu, C., Fang, D., & Zhao, L. (2021). Reflection on earthquake damage of buildings in 2015 Nepal earthquake and seismic measures for post-earthquake reconstruction. Structuresヌ, 30, 647–658. https://doi.org/10.1016/j.istruc.2020.12.089
  15. Magrini, F., Jozinović, D., Cammarano, F., Michelini, A., & Boschi, L. (2020). Local earthquakes detection: A benchmark dataset of 3-component seismograms built on a global scale. Artificial Intelligence in Geosciences, 1, 1–10. https://doi.org/10.1016/j.aiig.2020.04.001
  16. Majstorović, J., Giffard-Roisin, S., & Poli, P. (2021). Designing convolutional neural network pipeline for Near-Fault Earthquake catalog Extension using Single-Station waveforms. Journal of Geophysical Research: Solid Earth, 126(7), Article e2020JB021566. https://doi.org/10.1029/2020jb021566
  17. Ozkaya, S. G., Baygin, M., Barua, P. D., Tuncer, T., Dogan, S., Chakraborty, S., & Acharya, U. R. (2024). An automated earthquake classification model based on a new butterfly pattern using seismic signals. Expert Systems with Applications, 238, Article 122079. https://doi.org/10.1016/j.eswa.2023.122079
  18. Shaheed, K., Mao, A., Qureshi, I., Kumar, M., Hussain, S., Ullah, I., & Zhang, X. (2021). DS-CNN: A pre-trained Xception model based on depth-wise separable convolutional neural network for finger vein recognition. Expert Systems with Applications, 191, Article 116288. https://doi.org/10.1016/j.eswa.2021.116288
  19. Sholeh, M., & Nurnawati, E. K. (2024). Comparison of Z-score, min-max, and no normalization methods using support vector machine algorithm to predict student’s timely graduation. AIP Conference Proceedings, 3132(1), Article 040003. https://doi.org/10.1063/5.0202505
  20. Wang, D., Tan, D., & Liu, L. (2017). Particle swarm optimization algorithm: An overview. Soft Computing, 22(2), 387–408. https://doi.org/10.1007/s00500-016-2474-6
  21. Yetkin, M. (2024). 6 Şubat 2023 Depremleri İçin Kırsaldaki Yığma Yapıların Performansları Üzerine Bir Saha Araştırması: Nurdağı/Gaziantep Örneği [A field study on the performances of rural masonry structures for the February 6, 2023 Earthquakes: The case of Nurdağı/Gaziantep]. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(3), 821–837. https://doi.org/10.17780/ksujes.1430177