Отправить статью по E-mail Характеризация грунтовых условий на сейсмостанциях Северного Кавказа с применением методов машинного обучения
- Авторы: Савадян Т.С.1, Павленко О.В.1
-
Учреждения:
- Институт физики Земли им. О.Ю. Шмидта РАН
- Выпуск: № 1 (2025)
- Страницы: 180-196
- Раздел: Статьи
- URL: https://journals.eco-vector.com/0002-3337/article/view/686124
- DOI: https://doi.org/10.31857/S0002333725010127
- EDN: https://elibrary.ru/ABZUKI
- ID: 686124
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
Для расширения возможностей использования записей местных землетрясений (для построения региональных уравнений прогноза движений грунта, оценки сейсмической опасности и др.) выполнена классификация сейсмостанций Северного Кавказа по грунтовым условиям. Разработана методика, позволяющая сделать оценку грунтовых условий посредством сравнения спектров слабых землетрясений, выбранных в узких диапазонах магнитуд и гипоцентральных расстояний, на разных станциях. Применение методов машинного обучения показало сложность задачи, но в то же время использование логических операций и методик позволило определить наиболее эффективные подходы для ее решения. В результате выполнена классификация 70-ти сейсмостанций Северного Кавказа по грунтовым условиям; грунтовые условия характеризуются одним безразмерным параметром, основанным на расчете спектральных характеристик. В будущем предполагается уточнить эти оценки.
Полный текст
Об авторах
Т. С. Савадян
Институт физики Земли им. О.Ю. Шмидта РАН
Автор, ответственный за переписку.
Email: olga@ifz.ru
Россия, г. Москва
О. В. Павленко
Институт физики Земли им. О.Ю. Шмидта РАН
Email: olga@ifz.ru
Россия, г. Москва
Список литературы
- Акимов В. А. и др. Карты сейсмической опасности Северо-Западного и Центрального Кавказа в детальном масштабе // Вопросы инженерной сейсмологии. 2019. Т. 46. №. 4. С. 57–74.
- Векслер В. А. Машинное обучение на основе алгоритма “k-ближайших соседей”. Вызовы цифровой экономики: итоги и новые тренды. 2019. С. 110–115.
- Виноградова Е. П., Головин Е. Н. Метрики качества алгоритмов машинного обучения в задачах классификации. Научная сессия ГУАП. 2017. С. 202–206.
- Габсатарова И. П. и др. Северный Кавказ // Землетрясения Северной Евразии. 2018. №. 21 (2012). С. 79–94.
- Габсатарова И. П. и др. Северный Кавказ. Землетрясения России в 2020 году. Обнинск: ФИЦ ЕГС РАН. 2022. 204 с.
- Генрихов И. Е., Дюкова Е. В. Классификация на основе полных решающих деревьев //Журнал вычислительной математики и математической физики. 2012. Т. 52. №. 4. С. 750–761.
- Гусев А.А., Мельникова В.Н. Связи между магнитудами — среднемировые и для Камчатки // Вулканология и сейсмология. 1990. № 6. С. 55–63.
- Дьяконов И. Д., Новикова С. В. Решение задачи прогнозирования при помощи градиентного бустинга над решающими деревьями. Научный форум: технические и физико-математические науки. 2018. С. 9–12.
- Кузьмина С. В., Ефимов А. И. Актуальные методы машинного обучения в области классификации. Актуальные проблемы современной науки и производства. 2018. С. 34–38.
- Наумов В. Н., Жиряева Е. В., Падерно П. И. Анализ данных и машинное обучение. Методы и инструментальные средства. 2020.
- Павленко О. В. Сейсмические волны в грунтовых слоях: нелинейное поведение грунта при сильных землетрясениях последних лет. Науч. мир. 2009.
- Пруцкий Н. И. и др. Геология и минерагения Северного Кавказа-современное состояние (Геологический атлас Северного Кавказа м-ба 1: 1 000 000) // Региональная геология и металлогения. 2005. №. 25. С. 27–38.
- Рогожин Е.А. Сейсмическая опасность на Северном Кавказе // Экологический Вестник научных центров ЧЭС. 2012. № 1. С. 124–128.
- Boore D.M. Simulation of Ground Motion Using the Stochastic Method // Pure Appl. Geophys. 2003. V. 160. P. 635–676.
- Brink H., Richards J., Fetherolf M. Real-world machine learning. Simon and Schuster. 2016.
- Oppenheim A. V. Discrete-time signal processing. Pearson Education India. 1999.
Дополнительные файлы
