فهرست نشریات علمی دسترسی آزاد ایران

مدیریت بحران هوشمند (در سه مرحلۀ قبل، حین و پس‌ازآن)، با تأکید بر آمادگی و پیش‌بینی آسیب‌پذیری در برابر زلزله، امکان پیش‌بینی، کاهش آسیب‌پذیری و افزایش قدرت در تصمیم-سازی را فراهم می‌آورد. این مقاله بر آن است تا با استفاده از یادگیری ماشین، به ارائۀ مدل پیش-بینی‌کنندۀ آسیب‌پذیری کالبدی در برابر زلزله بپردازد. روش پژوهش کمی است. داده‌های ارائه‌شده به ماشین برای آموزش و تست، مربوط به پهنه‌های محلات منطقۀ 1 شهرداری تهران بوده‌اند (که در محدودۀ خطر گسل‌ شمال تهران قرار دارند). ویژگی‌های مورد تأکید که ماشین براساس آنها آموزش دیده تا مدل پیش‌بینی‌کننده‌ را ارائه دهد، مشتمل بر موارد زیر هستند: ویژگی‌های الگوی قطعات و ساختار ابنیه، الگوی معبر، کاربری اراضی و موقعیت نسبت به گسل اصلی و فرعی بوده‌اند. مجموعۀ داده‌ها مشتمل بر 1997 سطر و 26 ستون بوده است. برخی از داده‌ها از جی.آی.اس. منطقه استخراج و بخش دیگری از داده‌ها از تحلیل نقشۀ پهنه‌ها به دست آمد. با توجه به بهره‌گیری از رویکرد یادگیری ماشین نظارت‌شده، برچسب‌گذاری توسط محققان در پنج طیف انجام شد. برای آموزش ماشین از الگوریتم درخت تصمیم، ماشین بردار پشتیبان و شبکۀ عصبی چندلایه استفاده شد. حجم داده‌‌‌های آموزش به تست 70 به 30 در نظر گرفته شد. با بررسی دقت مدل توسط ماتریس درهم‌آمیختگی، مشخص شد که الگوریتم درخت تصمیم با دقت 99.50، حساسیت 99.42 و خطای 0.5 دارای عملکرد بهتری نسبت به دو الگوریتم دیگر است. شبکۀ عصبی نیز با دقت 97.85، حساسیت 97.57 و خطای 2.15، دارای عملکرد مناسبی است. بررسی میزان اعتمادپذیری مدل پیش‌بینی کننده با داده‌های مربوط به محلۀ جوانمرد قصاب در منطقۀ 20 نیز نشان داد که ماشین آموزش‌دیده، با دقت بالای 97 درصد قابلیت پیش‌بینی پذیری دارد. بدین‌ترتیب ماشین آموزش‌دیده با دقت و سرعت بالا می‌تواند به پیش‌بینی میزان آسیب‌پذیری بافت‌های کالبدی در برابر زلزله بپردازد.