Depreme ilişkin olağan dışı sinyal değişiminin YSA ile saptanması

Özet

Kayaç deformasyonu sonucu oluşan piezo-elektrik kökenli elektrik alan ölçüm değerleri içinde deprem öncesi oluştuğu öngörülen özel bir örüntünün varlığı saptanmıştır. Bu çalışmada deprem ile ilişkilendirilebilen bu değişimin saptanması hedeflenmiştir, ilk aşamada, işlenen örüntü boyutunun büyük olması nedeniyle Hebbian tabanlı ilkesel bileşen analizi kullanılarak örüntü boyutu indirgenmiştir. İndirgenen örüntüler ile ağın eğitimi sağlanmıştır. Eğitilen ağın çıkışında, giriş orunlusunun içeriğine bağlı olarak olağan veya olağan dışı örüntü olduğuna ilişkin sonuç üreten bir düzenek gerçeklenmiştir. Gerçeklenen uygulamalarda, kayaç gerginliği sonucu oluşan elektriksel alanın içinde yer alan deprem haberci örüntüsü yüksek bir olasılıkla saptanmıştır.

Abstract

Earthquake is a natural event which has no linear property in time and space and cannot be modelled exactly. Estimation of an earthquake by means of pattern learning and recognition property of artificial neural networks (ANN) is the essential goal of this study. The values obtained through the sensor to measure earthquake-related monopolar electric field constitute time dependent patterns. These patterns are analysed and evaluated by the help of ANN. Phases of evaluation process can be explained briefly : the computation load of the artificial neural network was increased because of the large pattern size. So, in order to decrease this computational load the pattern size is reduced by an Hebbian based component analysis methods. In the next phase, these reduced-size patterns are used as training set for the process of artificial neural network training. At the output layer of network, a mechanism is realized that produces results related with pattern's being normal or abnormal and this result depend on the input pattern's content. As a result of applications covered in this study, the measurement of electric field resulted from regional tectonic stress and the earthquake forerunner pattern which resides in this field is detected with a high success rate. In addition, it is observed that learning is improved and success is increased by the increase in the number of pattern which includes abnormal change.