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
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.
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
