Μονάδα:
Κατεύθυνση Εφαρμοσμένη Γεωλογία - ΓεωφυσικήΒιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2023-12-28
Συγγραφέας:
Ανυφαντή Ελένη-Αποστολία
Στοιχεία επιβλεπόντων καθηγητών:
Φίλιππος Βαλλιανάτος, Καθηγητής, Τομέας Γεωλογίας και Γεωπεριβάλλοντος, ΕΚΠΑ
Stefania Gentili, Researcher, Seismological Research Center, OGS
Γεώργιος Καβύρης, Αναπληρωτής Καθηγητής, Τομέας Γεωλογίας και Γεωπεριβάλλοντος, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Forecasting Strong Aftershocks in Greek Earthquake Clusters Using the NESTORE Machine Learning Algorithm
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Εκτίμηση Ισχυρών Μετασεισμών σε Συστάδες Σεισμών του Ελληνικού χώρου με Χρήση του Αλγορίθμου Μηχανικής Μάθησης NESTORE
Περίληψη:
Ένας αλγόριθμος ή σύνολο αλγορίθμων που μαθαίνει από δεδομένα και παράγει εκτιμήσεις σχετικά με αυτά είναι γνωστός ως μηχανική μάθηση. Η επιστήμη χρησιμοποιεί όλο και περισσότερο τεχνικές μηχανικής μάθησης, με εφαρμογές στη σεισμολογία και τη γεωφυσική που κυμαίνονται από την αναγνώριση προτύπων έως την εξαγωγή χαρακτηριστικών που μπορούν να εμβαθύνουν την κατανόηση του φυσικού κόσμου. Στην παρούσα διπλωματική, χρησιμοποιούμε την ελληνική σεισμικότητα και τον αλγόριθμο μηχανικής μάθησης NESTORE για την πρόγνωση ενός ισχυρού μετασεισμού μετά από έναν κύριο, καθώς η γνώση αυτή είναι ιδιαίτερα πολύτιμη αφού μετασεισμοί μπορούν να επιδεινώσουν τη ζημιά που έχει ήδη προκληθεί στις υποδομές των πόλεων. Η προσέγγιση με τη χρήση του αλγορίθμου NESTORE δείχνει την ανάπτυξη της γνώσης με την πάροδο του χρόνου, εξάγοντας χαρακτηριστικά μηχανικής μάθησης από τον κύριο σεισμό και αξιολογώντας τα σε αυξανόμενα χρονικά διαστήματα ενώ η σεισμικότητα κατά τη διάρκεια μιας συστάδας περιγράφεται από τα χαρακτηριστικά αυτά. Ανάλογα με το μέγεθος του ισχυρότερου μετασεισμού, ο NESTORE ταξινομεί τις συστάδες σε δύο τύπους, τύπου Α ή τύπου Β. Ακόμα, χρησιμοποιώντας τον νόμο του Uhrhammer (1986), χρησιμοποιήθηκε μια προσέγγιση με βάση τη μέθοδο του παραθύρου για τον ορισμό μιας συστάδας χωρικά και χρονικά. Προκειμένου να αξιολογήσουμε έναν σημαντικό αριθμό συστάδων, χρησιμοποιήσαμε τη βάση δεδομένων του ΑΠΘ από το 1995 έως το 2022 σε ένα σημαντικό τμήμα της Ελλάδας. Η επιτυχής συνολική εφαρμογή του NESTORE στην Ελλάδα κατέδειξε την ικανότητα του αλγορίθμου να προσαρμόζεται αυτόματα στο ερευνητικό πεδίο. Η προσέγγιση είναι ιδιαίτερα ελκυστική για χρήση στον τομέα της έγκαιρης προειδοποίησης, καθώς επιτρέπει την εκτίμηση της πιθανότητας να συμβεί ένας ισχυρός μετασεισμός μετά από έναν κύριο ενώ παρατηρήθηκε πως η μεγαλύτερη απόδοση επιτεύχθηκε για ένα χρονικό διάστημα 6 ωρών μετά τον κύριο σεισμό.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
NESTORE algorithm, Machine Learning, Supervised, Aftershocks, Features, Greek Seismicity, Clusters, Forecasting, Training Module, Testing Module, Cluster Identification, Near-Real-Time Classification Module
Αρ. σελίδων ευρετηρίου:
8
Αρ. βιβλιογραφικών αναφορών:
143
Αρχείο:
Δεν επιτρέπεται η πρόσβαση στο αρχείο έως 2024-06-28.
Master_Thesis_Anyfanti_Eleni-Apostolia.pdf
21 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο έως 2024-06-28.
