تخمین موقعیت منبع لرزهزایی القایی با استفاده از دادههای ثبتشده در ایستگاههای لرزهنگاری بر پایه هوش مصنوعی
نویسندگان
1 دانشآموخته کارشناسیارشد گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
2 استادیار، مجتمع دانشگاهی پدافندغیرعامل، دانشگاه صنعتی مالک اشتر، تهران، ایران
doi
10.30499/ijg.2025.524794.1699چکیده
لرزههای القایی ناشی از فعالیتهای انسانی مانند استخراج و تزریق سیالات زیرسطحی میتوانند یکپارچگی زیرساختهای حیاتی را به مخاطره اندازند. این پژوهش میتواند بدون نیاز به دادههای زمینشناسی جامع و شبکه لرزهنگاری کامل موقعیت منطقهای رومرکز چشمه لرزهای را در چارچوبی چندمرحلهای تخمین زند. ابتدا، سیگنالهای لرزهای با بهرهگیری از نسبت میانگین سیگنال در پنجره کوتاهدوره به میانگین سیگنال در پنجره بلنددوره برای اصلاح جهشهای ناگهانی خطمبنا پیشپردازش شد. در ادامه، همبستگی متقابل برای شکل موجها در چهار تاخیر زمانی 5/0، 1/0، 05/0 و 01/0 ثانیه محاسبه و برای استخراج زیرمجموعه بهینه ویژگیها، روش حذف بازگشتی ویژگی بهکار گرفته شد. ویژگی حاصل به مدل طبقهبندی ترکیبی بر پایه میانگینگیری احتمالها ارائه شد که ماشین بردار پشتیبان و الگوریتم افزایش گرادیان فوقالعاده در آن تلفیق شدهاند. برای بررسی تأثیر نامتوازن بودن دادهها، فرایند آموزش مدل بدون و با نمونهبرداری افزایشی مصنوعی انجام شد. در حالت بدون نمونهبرداری ، با کاهش گام زمانی به 1/0 ثانیه، دقت طبقهبندی مدل در تعیین منطقهی رومرکز منبع لرزهای از 73/0 به 90/0 افزایش مییابد و نتایج پایدارتری را نشان میدهد. در مقیاسهای کمتر، حساسیت مدل به نوسانات نویزی موجب اشباع دقت عملکرد و افزایش اندکی در انحرافمعیار گردید؛ از این رو، گام 1/0 ثانیه بهعنوان تعادلی مطلوب معرفی شد. با اعمال نمونهبرداری ، پایداری تخمینها بهطور کلی بهبود یافته و انحرافمعیار بهنحو قابلتوجهی کاهش یافته است؛ اما در گامهای بزرگتر از 01/0 افت جزئی دقت مشاهده شد که به کیفیت نمونههای مصنوعی نسبت داده میشود. بیشترین بهرهوری با ترکیب گام 01/0 ثانیه و نمونهبرداری حاصل گردید؛ دقت طبقهبندی مدل افزایش 7/5 درصدی ارتقا یافته است. نتایج نشان میدهد که چارچوب پیشنهادی دقت و پایداری خود را حفظ کرده و برای استقرار عملیاتی مناسب است؛ اما در شرایط محدودیت محاسباتی، گام 1/0 ثانیه بدون نمونهبرداری همچنان بهینهترین سازش میان هزینه و دقت طبقهبندی را فراهم میکند.