Azalım ilişkilerinin yapay zeka yöntemleriyle modellenmesi

Abstract

Bu çalışma, Türkiye'de meydana gelen depremlerin kuvvetli yer hareketi verileri kullanılarak doğrudan en yüksek yer ivmesinin (PGA) tahminine odaklanmıştır. Veriler İçişleri Bakanlığı Afet ve Acil Durum Yönetimi Başkanlığı (AFAD) veri tabanından derlenmiştir. PGA tahmini için Random Forest RF), M5P tree regression model, Sequential Minimal Optimization Regression (SMOREG), Gradient Boosting Modeling (GBM), Kstar ve KNearest Neighbors (KNN) yöntemleri kullanılmıştır. Bu beş yöntemde input parametreleri, depremin meydana geldiği derinlik, depremin büyüklüğü, repi, depremin meydana geldiği bölgedeki zeminin v30 değeridir. Yöntemlerin tahmin performansları, korelasyon katsayısı (R), ortalama mutlak hata (MAE), ortalama karesel hata (RMSE) vb. gibi bazı istatistiksel kriterlerle karşılaştırılmıştır. RF yöntemi ile yapılan tahminin diğer yöntemlere göre daha iyi olduğu görülmüştür. RF yönteminin R değeri 0.97, MAE ve RMSE değerleri sırasıyla 7.65 ve 19.40 idi. Sonuçlar, modellerin PGA'nın tahmini için oldukça umut verici bir yaklaşım olduğunu ve PGA ile girdi parametreleri arasındaki karmaşık ilişkiyi temsil edebildiğini ortaya koymuştur.This study directly focused on estimation of peak ground acceleration (PGA) using strong motion data of earthquakes occurred in Turkey. The data gathered from database of Ministry of Interior Disaster and Emergency Management Presidency of Turkey (AFAD). For prediction of the PGA, Random Forest (RF), M5P tree regression model, Sequential Minimal Optimization Regression (SMOREG), Gradient Boosting Modeling (GBM), Kstar and KNearest Neighbors (KNN) methods were used. In these five methods the inputs were depth of earthquake, magnitude of earthquake, repi and v30 value of soil. The prediction performance of methods was compared by some statistical criteria such as correlation coefficient (R), mean absolute error (MAE), root mean squared error (RMSE) etc. The estimation conducted by the RF method were found to be better than the other methods. The R value of RF method was 0.97, MAE and RMSE values were 7.65 and 19.40 respectively. The results revealed that the models are a fairly promising approach for the prediction of PGA and capable of representing the complex relationship between PGA and input parameters.