Tremblement de terre multi

Aug 06, 2023

Rapports scientifiques volume 12, Numéro d'article : 21200 (2022) Citer cet article

1378 accès

2 Citations

4 Altmétrique

Détails des métriques

Le tremblement de terre est l'une des catastrophes naturelles qui ont un impact important sur la société. Actuellement, il existe de nombreuses études sur la détection des tremblements de terre. Cependant, les vibrations qui ont été détectées par les capteurs n'étaient pas seulement des vibrations causées par le tremblement de terre, mais aussi d'autres vibrations. Par conséquent, cette étude a proposé une détection multi-classification des tremblements de terre avec des algorithmes d'apprentissage automatique qui peuvent distinguer les vibrations sismiques et non sismiques, et le vandalisme en utilisant des ondes sismiques d'accélération. De plus, la vitesse et le déplacement en tant que produits d'intégration de l'accélération ont été considérés comme des fonctionnalités supplémentaires pour améliorer les performances des algorithmes d'apprentissage automatique. Plusieurs algorithmes d'apprentissage automatique tels que Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) et Artificial Neural Network (ANN) ont été utilisés pour développer le meilleur algorithme de détection multi-classification des tremblements de terre. Les résultats de cette étude indiquent que l'algorithme ANN est le meilleur algorithme pour faire la distinction entre les vibrations sismiques et non sismiques, et les vibrations de vandalisme. De plus, il est également plus résistant à diverses fonctionnalités d'entrée. De plus, il a été prouvé que l'utilisation de la vitesse et du déplacement comme fonctionnalités supplémentaires augmentait les performances de chaque modèle.

L'Indonésie est située entre trois grandes confluences de plaques tectoniques, à savoir la plaque eurasienne, la plaque indo-australienne et la plaque pacifique1. D'après les archives de l'Agence météorologique, climatologique et géophysique (BMKG), de 2008 à 2018, il y a eu environ 5 000 à 6 000 tremblements de terre. Et en 2019, il y a eu 15 tremblements de terre destructeurs2. La détection de tremblement de terre à l'aide de capteurs accéléromètres a été faite par plusieurs chercheurs3,4,5,6, les vibrations que le capteur va détecter ne sont pas seulement des vibrations causées par le tremblement de terre, mais aussi d'autres vibrations telles que des vibrations dues à des objets lourds tombés sur le sol, des véhicules lourds qui passent, des explosions ou lorsque quelqu'un essaie de casser la boîte. En raison de la similitude des ondes sismiques et de ces bruits sismiques, les systèmes d'alerte précoce aux tremblements de terre sont parfois déclenchés accidentellement et provoquent une fausse alerte. Par conséquent, il est nécessaire de classer le tremblement de terre et le bruit sismique pour éviter les erreurs de détection7,8.

Plusieurs chercheurs ont également mené des études sur l'utilisation de l'apprentissage automatique dans le domaine sismique. Selon Nishita Narvekar9, les signaux sismiques enregistrés aux stations sismiques sont souvent mêlés de bruit. Par conséquent, il est nécessaire de supprimer le bruit avant que les données ne soient transmises à l'algorithme d'apprentissage automatique à l'aide de techniques de filtrage. De plus, l'application de la transformée de Fourier rapide (FFT) comme l'une des méthodes largement utilisées dans le monde de la sismologie sur le signal sismique peut être utilisée pour réduire le temps de calcul10,11. Il a été prouvé que sa combinaison avec des algorithmes d'apprentissage automatique donne les meilleurs résultats. De plus, l'expérience de comparaison des algorithmes SVM, DT et RF pour distinguer les vibrations et les bruits sismiques montre que les algorithmes RF donnent de meilleures performances sur la base de cette recherche.

Certains chercheurs12 ont proposé un système de détection sismique qui peut être mis en œuvre à la station sismique en utilisant ANN et SVM qui peuvent classer les tremblements de terre locaux et les autres possibilités de vibration. Les données ont été collectées à partir de la station PVAQ au Portugal. Les données sont réparties en 60 % de données de formation, 20 % de données de test et 20 % de données de validation. Les performances du modèle montrent que ANN a pu obtenir une valeur supérieure à 95% alors que SVM est capable d'obtenir une classification presque parfaite.

Dans une autre étude13, DT est utilisé pour résoudre deux problèmes de classification impliquant des signaux. Le but est d'apprendre la logique temporelle du signal (STL) pour trouver un modèle dans les données qui ne sont pas conformes au comportement attendu (détection d'anomalies). Le résultat montre que DT fournit de bonnes performances et peut être interprété sur des domaines d'application spécifiques. Dans un autre cas14, DT est appliqué pour classer les conditions d'une pale d'éolienne en évaluant le signal de vibration de la turbine. Il y a 600 échantillons de données dont 100 échantillons provenaient d'aubes en bon état. Le classificateur DT utilisé pour ce problème s'est avéré très efficace pour diagnostiquer ce problème. Sur la base de ces études, il montre que l'algorithme DT est bon pour la classification des signaux et des vibrations.

Selon Saman Yaghmaei-Sabegh15, les caractéristiques du mouvement du sol sismique sont une chose incertaine. Son étude a proposé de classer le mouvement du sol sismique à l'aide du réseau K-means clustering et de la carte auto-organisatrice (SOM) comme deux puissantes techniques de clustering non supervisées en utilisant 6 indicateurs de contenu de fréquence scalaires différents. Il existe deux ensembles de données synthétisées et réelles utilisées dans cette étude. Le résultat montre que le paramètre T0 (la période spectrale prédominante lissée) a montré les meilleures performances parmi tous les indicateurs scalaires. De plus, le clustering K-means a obtenu de meilleures performances que SOM dans la procédure de reconnaissance de formes et de classification.

Parmi les différents types d'algorithmes d'apprentissage automatique qui ont été utilisés par plusieurs chercheurs, diverses études récentes dans un large éventail de domaines d'ingénierie ont déployé différents modèles d'apprentissage automatique. Sur la base de leurs conclusions, les modèles les plus fiables sont Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) et Artificial Neural Network (ANN). Par conséquent, cette étude examinera la fiabilité de ces modèles pour la détection des tremblements de terre. Ces modèles seront utilisés comme comparaison pour trouver le meilleur algorithme pour la détection multi-classification des tremblements de terre. L'ensemble de données d'accélération utilisé est basé sur des événements sismiques dans la région de l'Indonésie, en particulier sur l'île de Java, enregistrés à 3 stations différentes obtenues à partir de la base de données ESM (Engineering Strong Motion)16. L'accéléromètre seul ne peut pas détecter le modèle de secousse du sol7. Par conséquent, pour surmonter ce problème, cette étude a proposé d'intégrer l'ensemble de données d'accélération pour obtenir la vitesse et le déplacement en tant que caractéristiques supplémentaires pour améliorer les performances de chaque algorithme. Par conséquent, la détection des tremblements de terre peut être effectuée avec plus de précision. Les méthodes analytiques utilisées pour analyser les performances d'apprentissage automatique dans cette étude seront l'exactitude, la précision, le rappel et F1.

La zone de cette étude est l'Indonésie, centrée sur l'île de Java. L'île de Java est considérée comme la quatrième plus grande île d'Indonésie avec la plus forte densité de population. Elle fait partie de la zone de convergence complexe entre la plaque eurasienne et la plaque indo-australienne. Pour cette raison, la région de Java a été témoin de nombreuses activités sismiques et volcaniques. Entre 2006 et 2020, les tremblements de terre et autres géorisques sur l'île de Java parsemée de volcans ont causé environ 7000 décès, et 1,8 million de personnes supplémentaires ont été blessées, déplacées ou sans abri17,18.

Les données d'accélération des ondes sismiques ont été collectées à partir de la base de données ESM à 3 stations différentes, à savoir CISI, SMRI et UGM, situées sur l'île de Java, comme le montre la figure 1.

© 2021 TerraMetrics, Données cartographiques© 2022 Google].

Carte de l'île de Java avec l'emplacement des stations. (un). CISI, (b). SMRI, (c). UGM [Imagerie

Ces stations enregistrent les événements sismiques qui se sont produits autour de l'île de Java entre 2006 et 2009. Il y a 33 enregistrements du CISI, 8 enregistrements du SMRI et 17 enregistrements de l'UGM, ce qui fait un total de 58 tremblements de terre qui se sont produits et ont été enregistrés autour de l'île de Java par ces stations. Ces enregistrements contiennent 3 canaux différents qui sont HLE, HLN et HLZ avec des informations sur les ondes sismiques d'accélération pour chaque canal, comme illustré à la Fig. 2. L'onde sismique d'accélération sera intégrée pour obtenir des ondes sismiques de vitesse et de déplacement qui peuvent être utilisées comme caractéristiques pour améliorer les performances des modèles. La relation entre l'accélération, la vitesse et le déplacement peut être décrite à l'aide de l'équation mathématique19 :

Accélération:

Rapidité:

Déplacement:

où, \({v}_{0}\) est la valeur initiale de la vitesse et \({r}_{0}\) est la position initiale lorsque \(t=t-{t}_{0}\). Le résultat d'intégration de l'onde sismique d'accélération peut être vu sur la Fig. 3.

Ensemble de données non traité pour chaque canal pour 1 événement.

Résultat de l'intégration.

Les données de la base de données ESM se présentent sous la forme d'un fichier ASCII contenant des informations détaillées sur l'événement ainsi que les données d'accélération des ondes sismiques pour l'événement. Toutes les données passent par le processus FFT pour obtenir le domaine fréquentiel de l'onde sismique, puis la fréquence est utilisée pour le processus de filtrage à l'aide d'un filtre passe-bande Butterworth avec l'ordre du filtre = 2, fréquence minimale = 0,1 Hz et fréquence maximale = 30 Hz pour réduire les bruits. La figure 4 montre le résultat du processus de filtrage des données de la figure 2.

Ensemble de données traité pour chaque canal pour 1 événement.

Après le processus de filtrage, le processus d'échantillonnage des données sera effectué. Dans l'échantillonnage des données, les données d'accélération des ondes sismiques seront divisées en données sismiques et non sismiques. Les données sismiques et les données non sismiques contiennent chacune 200 données pour 1 événement sismique (équivalent à 1 s car la fréquence d'échantillonnage = 0,005 s) où les échantillons de données sismiques sont prélevés à partir du début de l'onde P, et les échantillons de données non sismiques sont prélevés à partir du début de l'onde jusqu'à l'arrivée de l'onde P. Il y a un total de 58 événements sismiques, donc chaque ensemble de données sismiques et non sismiques aura 3 colonnes (HLE, HLZ et HLZ) avec 11 600 lignes de données pour chaque colonne [11600, 3]. Ensuite, les 3 colonnes seront fusionnées en 1 [11600, 1] en utilisant les formules résultantes afin que seule l'accélération d'amplitude soit utilisée comme caractéristique. Le résultat d'amplitude résultant de l'ensemble des événements sismiques peut être vu sur la Fig. 5 pour les séismes et les non-séismes. Après cela, les informations d'étiquette seront ajoutées aux ensembles de données, 0 représente les données non sismiques et 1 représente les données sismiques.

Résultat obtenu.

Pour la vibration de vandalisme, 2 ensembles de données de vandalisme ont été enregistrés par un capteur accéléromètre. Les deux ensembles de données sur le vandalisme seront traités de la même manière que les ensembles de données sismiques et non sismiques. Les premiers ensembles de données sur le vandalisme contiennent 11 600 données et sont étiquetés comme 2 qui sont prises en secouant la table pendant que le capteur est dessus (séisme inventé). Les autres jeux de données contiennent 750 données étiquetées 3 qui sont prises par le capteur lors du passage d'un véhicule lourd. Il existe 4 jeux de données avec un total de 35 550 données. L'analyse statistique pour chaque ensemble de données est présentée dans le tableau 1. Enfin, des formules d'intégration seront appliquées à tous les ensembles de données d'accélération d'amplitude pour obtenir l'amplitude de la vitesse et du déplacement qui peuvent être utilisées comme caractéristiques supplémentaires.

Plusieurs algorithmes d'apprentissage automatique supervisés utilisés dans cette étude sont Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) et Artificial Neural Network (ANN). SVM est un algorithme d'apprentissage supervisé qui peut être utilisé pour trouver des modèles à partir d'un ensemble de données complexe. SVM est un modèle d'apprentissage automatique très puissant et diversifié, capable d'effectuer une détection linéaire, non linéaire, de régression, de classification et de valeurs aberrantes. Lorsque la théorie SVM a été introduite par Vapnik et Cortes en 1995, la SVM a été conçue pour une classification en deux groupes (classification binaire). L'idée derrière SVM a été précédemment mise en œuvre pour le cas restreint où les données d'apprentissage peuvent être séparées sans erreur. En pratique, le SVM a été appliqué pour la reconnaissance de formes et de chiffres. Cette expérience montre que SVM peut concurrencer les autres méthodes de classification telles que les arbres de décision et les réseaux de neurones20. L'approche SVM binaire peut cependant être étendue pour les scénarios multiclasses. Ceci sera atteint en décomposant le problème multiclasse en une série d'analyses binaires. Cela peut être résolu avec un SVM binaire en suivant les stratégies un contre un ou un contre tous21.

En SMV,

entrée : \({x}_{i}\in {\mathbb{R}}^{D}\), avec D = dimension de l'entité,

sortie : \(w\) (pondérations), une pour chaque caractéristique, dont la combinaison linéaire produit y (la sortie finale du modèle SVM est une décision à partir des données d'entrée).

avec b est le biais.

Pour maximiser la marge, la distance entre les points de données et l'hyperplan doit être minimisée. Lorsque l'hyperplan ne peut pas séparer parfaitement les deux classes, il est nécessaire d'ajouter une variable d'écart (\({\xi }_{i}\)) et l'hyperparamètre C. La fonction de l'hyperparamètre est de réguler l'utilisation des variables d'écart, si C est trop petit, le modèle peut être sous-ajusté, et si C est trop grand, le modèle peut être surajusté.

Lorsque les données d'entrée ne peuvent pas être séparées de manière linéaire, les données doivent être mappées à un espace de dimension supérieure. Si la nouvelle dimension est très grande, il faudra beaucoup de temps pour la cartographier. Kernel Tricks peut résoudre ce problème, cela fonctionne en ajoutant ostensiblement des fonctionnalités. Dans cette recherche, le Kernel Gaussian RBF (Radial Basis Functions) sera utilisé.

où : x = vecteur caractéristique.

l = point de repère

L'algorithme DT peut être utilisé pour la classification et la régression. Cet algorithme peut également être utilisé pour des données à sorties multiples. Il effectue la classification des données en formant un arbre. En partant du nœud racine vers le nœud feuille. À chaque nœud, il existe des informations sur les caractéristiques qui sont utilisées comme conditions pour déterminer la direction du flux de données, l'impureté Gini, le nombre d'échantillons qui arrivent au nœud, la valeur de prédiction de classe et la classe des données à ce nœud.

Pour déterminer la branche sur le DT, des informations sur l'impureté Gini des données sont nécessaires. L'impureté de Gini évalue un score compris entre 0 et 1, où 0 signifie que toutes les observations appartiennent à une classe et 1 est une distribution aléatoire des éléments au sein des classes. La caractéristique avec la plus faible impureté sera sélectionnée pour être la branche suivante22. Dans ce cas, plus l'impureté Gini est faible, meilleure est la répartition et plus la probabilité d'erreur de classification est faible. L'équation 7 est l'équation d'impureté de Gini avec \({p}_{i}\) est la probabilité de la classe k au nœud i, et n est le nombre de classes.

RF est une technique d'apprentissage d'ensemble consistant en l'agrégation d'un grand nombre T d'arbres de décision. Cette technique utilise la méthode de vote pour déterminer les résultats de la classification. Le classement de chaque DT servira à déterminer le classement final. RF utilise l'échantillonnage des lignes et des colonnes des données pour chaque arbre. De cette façon, chaque arbre est formé à l'aide de données différentes. Cet algorithme peut réduire la variance sans augmenter le biais. De plus, la précision de ce modèle peut être améliorée en augmentant l'ensemble de modèles CART (ntree)23.

Un réseau de neurones artificiels (RNA) est un système de traitement de l'information qui a des caractéristiques de performance définies en commun avec les réseaux de neurones biologiques. Les ANN sont utilisés comme modèles statistiques pour prédire des systèmes complexes en ingénierie. Leur structure extrêmement parallèle avec un nombre élevé d'unités de traitement simplement connectées, appelées neurones, permet à l'ANN d'être utilisé pour des mappages d'entrée-sortie complexes, linéaires et non linéaires24,25,26.

La méthode de formation ANN la plus courante est l'algorithme de rétropropagation. Pour réduire les erreurs, cela modifie les poids entre les neurones. Ce modèle est assez efficace pour identifier les modèles. Le système peut afficher une convergence lente et courir le risque d'un optimum local, mais il peut s'adapter rapidement à de nouvelles valeurs de données. Un défi important consiste à déterminer combien de couches il y a, combien de neurones se trouvent dans la couche cachée et comment ces neurones sont connectés. Les performances du réseau de neurones artificiels dépendent grandement de ces facteurs et problèmes. Chacun de ces éléments pourrait modifier considérablement les résultats. Pour différents problèmes, diverses architectures ANN produiront diverses solutions27.

Tous les modèles seront utilisés pour classer les vibrations sismiques, non sismiques et de vandalisme par des données d'entraînement et de test avec un rapport de 70:30. Ensuite, les performances des modèles seront déterminées en analysant la matrice de confusion comme l'une des méthodes courantes utilisées pour la classification. Le tableau 2 montre la structure de la matrice de confusion. À partir de la matrice de confusion, certaines informations peuvent être récupérées telles que28,29 :

Précision:

Précision:

Rappel:

F1 :

Ces performances seront utilisées comme comparaison pour savoir s'il y a un effet à ajouter la vitesse et le déplacement comme caractéristiques supplémentaires.

Une matrice de corrélation est une matrice carrée (K x K) et symétrique qui montre le coefficient de corrélation entre les colonnes i et j du jeu de données30. La figure 6 montre la matrice de corrélation entre l'accélération, la vitesse, le déplacement et les étiquettes. Le résultat observable basé sur la Fig. 6 montre que l'accélération, la vitesse et le déplacement ont une corrélation assez étroite, en particulier entre la vitesse et le déplacement qui a une valeur de 0,94 (1 est une relation linéaire parfaite) tandis que les étiquettes ont le moins de corrélation avec l'accélération, la vitesse et le déplacement.

Matrice de corrélation.

La distribution des données est une fonction qui spécifie toutes les valeurs possibles pour une variable et quantifie également la fréquence relative (probabilité de la fréquence à laquelle elles se produisent). Les distributions de données sont largement utilisées dans les statistiques. La figure 7 montre la distribution des données pour l'ensemble de données. Les données de distribution pour chaque fonctionnalité semblent bonnes, il n'y a qu'une petite partie des données incluses dans les données isolées qui rendent l'ensemble de données prêt à alimenter les algorithmes d'apprentissage automatique.

Diffusion des données. (un). Accélération en fonction de la vitesse, (b) Accélération en fonction du déplacement, (c) Vitesse en fonction du déplacement.

L'analyse des performances du modèle est effectuée en comparant les valeurs d'exactitude, de précision, de rappel et de F1 sur chaque algorithme. Sur la base des données expérimentales du tableau 3, la précision est comprise entre 0,673230 et 0,965400, la précision est comprise entre 0,656123 et 0,974964, le rappel est compris entre 0,673230 et 0,974589 et F1 est compris entre 0,65009 et 0,97458. Les deux valeurs les plus élevées des modèles dans toutes les possibilités des caractéristiques d'entrée sont dominées par ANN suivi de RF mais ANN montre une meilleure résistance à diverses caractéristiques d'entrée que RF. L'expérience montre qu'avec l'accélération en tant que caractéristique, les performances de tous les modèles semblent bonnes, mais lorsque la vitesse et le déplacement sont autonomes en tant que caractéristique, chaque modèle a de faibles performances. Cependant, lorsque la vitesse et le déplacement sont utilisés ensemble comme une caractéristique, les performances de tous les modèles augmentent de manière significative. De plus, toutes les possibilités des caractéristiques d'entrée ont été utilisées dans cette expérience. Il a été prouvé que la combinaison de l'accélération avec la vitesse et de l'accélération avec le déplacement améliore les performances des modèles basés sur les données expérimentales du tableau 3, comme le montre la figure 8. De plus, les performances de 3 modèles sur 4 montrent une amélioration lorsque 3 d'entre eux sont utilisés comme fonctionnalité, seul SVM montre une diminution des performances. Comme le montre la figure 8, les meilleures performances SVM pour l'utilisation d'une seule fonctionnalité ont été obtenues lorsque l'accélération a été utilisée. Suivi du déplacement et de la vitesse. Cela est dû au fait qu'en cas d'ajout de données d'entités moins sensibles à la sortie souhaitée, une redondance des données d'entrée peut se produire. En conséquence, le modèle peut traduire les informations supplémentaires en fausses informations, ce qui rend difficile la détection du modèle réel des données et donc une faible précision. Par conséquent, on peut conclure que seule la caractéristique hautement corrélée et importante est l'accélération. Et cela peut être confirmé lorsque l'accélération a été utilisée comme l'une des deux ou trois fonctionnalités. Par conséquent, on peut conclure que l'ajout de vitesse et de déplacement en tant que caractéristiques supplémentaires peut améliorer les performances des modèles. Par conséquent, afin d'atteindre un haut niveau de précision, l'accélération doit être incluse en tant que caractéristique de chaque modèle pour une meilleure détection des tremblements de terre.

Tableau de précision des modèles.

Cette recherche s'est concentrée sur la multi-classification des vibrations sismiques et non sismiques grâce à l'application de l'apprentissage automatique. Trois algorithmes différents largement adoptés ont été développés, à savoir : Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT) et Artificial Neural Network (ANN). Ces modèles ont été utilisés dans la détection multi-classification des vibrations, à savoir les tremblements de terre, les non-séismes, les tremblements de terre inventés et les véhicules lourds qui passent. Les résultats des modèles ont été évalués selon quatre critères de performance différents : exactitude, précision, rappel et score F1. En comparant ces critères de performances de SVM, RF, DT et ANN, cette étude conclut que ANN surpasse les autres algorithmes d'apprentissage automatique dans 6 possibilités sur 7 des caractéristiques d'entrée. De plus, ANN montre une meilleure résistance à diverses caractéristiques d'entrée. Par conséquent, ANN a été proposé comme le meilleur algorithme pouvant être utilisé pour la détection de tremblements de terre multi-classification basée sur cette expérience. De plus, l'accélération, la vitesse et le déplacement montrent une bonne corrélation avec le résultat qu'il a été prouvé que la combinaison de l'accélération, de la vitesse et du déplacement peut être utilisée pour améliorer les performances du modèle. En résumé, la combinaison de ces caractéristiques améliore la précision des modèles RF et ANN respectivement à 0,974589 et 0,965400. pour les recherches futures, des études futures devraient être menées sur la détection des tremblements de terre multi-classification en utilisant spécifiquement ANN et l'implémenter dans le matériel, afin de prouver davantage sa capacité à détecter les tremblements de terre multi-classification en temps réel. Malgré une valeur de précision acceptable pour classer la détection des tremblements de terre, des défauts et des limitations subsistent. Il est nécessaire de restructurer le modèle pour obtenir le meilleur modèle d'architecture possible et optimal afin que le modèle puisse distinguer les vibrations avec plus de précision. Et la fiabilité des modèles proposés à l'avenir pourrait être validée en utilisant davantage de données disponibles.

Les ensembles de données générés au cours de l'étude en cours ne sont pas accessibles au public, ce qui est considéré comme un droit d'auteur entre l'agence financée et l'université, mais sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

InaTEWS, système d'alerte précoce aux tsunamis en Indonésie. http://inatews2.bmkg.go.id/new/tentang_eq.php..

CNN Indonésie, Les tremblements de terre en Indonésie ont augmenté au cours des 5 dernières années, 01-Dec-2019. https://www.cnnindonesia.com/teknologi/20191201065329-199-453026/gempa-di-indonesia-meningkat-dalam-5-tahun-terakhir.

Priyana, Y., Laumal, F., Husni, E. Développement d'un système d'alerte précoce aux tremblements de terre à l'aide de l'accéléromètre ADXL335. 27 mars 2018. https://osf.io/preprints/inarxiv/sq9xr/.

Groover, V., Sharma, A. (2015) Prévision des tremblements de terre à l'aide d'un capteur d'accéléromètre à 3 axes (ADXL335) et ARDUINO UNO. Int. J. Sci. Recherche (IJSR) ISSN. https://www.ijsr.net/archive/v6i9/ART20176803.pdf

Sinha, PK, Saraiyan, S., Ghosh, M. & Nath, V. Conception d'un système d'indicateur de tremblement de terre utilisant ATmega328p et ADXL335 pour la gestion des catastrophes. Dans Lecture Notes in Electrical Engineering (eds Nath, V. & KumarMandal, J.) (Springer, Singapour, 2019). https://doi.org/10.1007/978-981-13-0776-8_53.

Chapitre Google Scholar

Wu, Y.-M. & Lin, T.-L. Un test du système d'alerte précoce des tremblements de terre à l'aide d'un accéléromètre à faible coût à Hualien Taiwan (Springer, Berlin, 2014). https://doi.org/10.1007/978-3-642-12233-0_13.

Réserver Google Scholar

Duggal, R. et al. Détection des tremblements de terre assistée par le réseau Internet des objets basé sur l'analyse structurelle des bâtiments. Internet Things 19, 100561. https://doi.org/10.1016/j.iot.2022.100561 (2022).

Article Google Scholar

Li, Z., Meier, M.-A., Hauksson, E., Zhan, Z. & Andrews, J. Discrimination des ondes sismiques par apprentissage automatique : application à l'alerte précoce en cas de tremblement de terre. Géophys. Rés. Lett. 45(10), 4773–4779. https://doi.org/10.1029/2018GL077870 (2018).

Annonces d'article Google Scholar

Narvekar, N. Distinguishing Earthquakes and Noise Using Random Forest Algorithm (San Jose State University, Washington, 2018).

Réserver Google Scholar

Cooley, JW, Lewis, PAW & Welch, PD La transformée de Fourier rapide et ses applications. IEEE Trans. Éduc. 12(1), 27–34. https://doi.org/10.1109/TE.1969.4320436 (1969).

Article Google Scholar

Cochran, WT et al. Qu'est-ce que la transformée de Fourier rapide ?. Proc. IEEE 55(10), 1664–1674. https://doi.org/10.1109/PROC.1967.5957 (1967).

Article Google Scholar

Madureira, G., et Ruano, A. (2009) Un détecteur sismique de réseau neuronal. IFAC Proc. Vol. (IFAC-PapersOnline), 2 https://doi.org/10.3182/20090921-3-TR-3005.00054.

Bombara, G., Vasile, CI, Penedo, F., Yasuoka, H., Belta, C. (2016) Une approche d'arbre de décision pour la classification des données utilisant la logique temporelle du signal. https://doi.org/10.1145/2883817.2883843

Joshuva, A. & Sugumaran, V. Diagnostic de panne de pale d'éolienne à l'aide de signaux de vibration via un algorithme d'arbre de décision. Indien J. Sci. Technol. 9(48), 107936. https://doi.org/10.17485/ijst/2016/v9i48/107936 (2016).

Article Google Scholar

Yaghmaei-Sabegh, S. Une nouvelle approche pour la classification des enregistrements de mouvements du sol sismiques. J. Seismol. 21(4), 885–907. https://doi.org/10.1007/s10950-017-9642-8 (2017).

Annonces d'article Google Scholar

Pouilles, R. et al. Service de traitement des mouvements forts : un outil pour accéder et analyser les formes d'onde des mouvements forts des tremblements de terre. Taureau. Terreq. Ing. 16(7), 2641–2651. https://doi.org/10.1007/s10518-017-0299-zS (2018).

Article Google Scholar

Pasari, S., Simanjuntak, AVH, Mehta, A., Neha, N. & Sharma, Y. L'état actuel du potentiel sismique sur l'île de Java, en Indonésie. Application pure. Géophys. 178(8), 2789–2806. https://doi.org/10.1007/s00024-021-02781-4 (2021).

Annonces d'article Google Scholar

Marfai, MA et al. Risques naturels dans la province centrale de Java, Indonésie : un aperçu. Environ. Géol. 56(2), 335–351. https://doi.org/10.1007/s00254-007-1169-9 (2008).

Annonces d'article Google Scholar

Nave, R. (2000) Mouvement d'accélération constante hyperphysique. 2000. [En ligne]. Disponible : http://hyperphysics.phy-astr.gsu.edu/hbase/acons.html.

Cortes, C. & Vapnik, V. Réseaux de vecteurs de support. Mach. Apprendre. 20(3), 273–297. https://doi.org/10.1023/A:1022627411411 (1995).

Article MATH Google Scholar

Mathur, A. & Foody, GM Classification SVM multiclasse et binaire : implications pour les utilisateurs de formation et de classification. IEEE Geosci. Télédétection Lett. 5(2), 241–245. https://doi.org/10.1109/LGRS.2008.915597 (2008).

Annonces d'article Google Scholar

Arabshahi, H. & Fazlollahtabar, H. Classification des activités innovantes à l'aide de l'arbre de décision et de l'indice de Gini. Int. J. Innov. Technol. Géré. 15(3), 1850025. https://doi.org/10.1142/S0219877018500256 (2018).

Article Google Scholar

Marhain, S., Ahmed, AN, Murti, MA, Kumar, P. & El-Shafie, A. Enquête sur l'application de l'intelligence artificielle pour la prévision des tremblements de terre à Terengganu. Nat. Haz. 108(1), 977–999. https://doi.org/10.1007/s11069-021-04716-7 (2021).

Article Google Scholar

Böse, M. (2006) Alerte précoce aux tremblements de terre pour Istanbul à l'aide de réseaux de neurones artificiels. Développement d'un système d'alerte précoce aux tremblements de terre pour Istanbul à l'aide de réseaux de neurones artificiels https://doi.org/10.5445/IR/1000005845

Yaghmaei-Sabegh, S. Une nouvelle méthode de classement et de pondération des modèles de prédiction du mouvement du sol des tremblements de terre. Sol Dyn. Terreq. Ing. 39, 78–87. https://doi.org/10.1016/j.soildyn.2012.03.006 (2012).

Article Google Scholar

Essam, Y., Kumar, P., Ahmed, AN, Murti, MA et El-Shafie, A. Exploration de la fiabilité de différentes techniques d'intelligence artificielle pour prédire les tremblements de terre en Malaisie. Sol Dyn. Terreq. Eng 147, 106826. https://doi.org/10.1016/j.soildyn.2021.106826 (2021).

Article Google Scholar

Saritas, MM & Yasar, A. Analyse des performances de l'algorithme de classification ann et naïf de Bayes pour la classification des données. Int. J. Intel. Syst. Appl. Ing. 7(2), 88–91 (2019).

Article Google Scholar

Grandini, M., Bagli, E., Visani, G. (2020) Metrics for multi-class classification: An overview. arXiv https://doi.org/10.48550/arXiv.2008.05756.

Ting, KM Matrice de confusion. Dans Encyclopedia of Machine Learning (eds Sammut, C. & Webb, GI) 209 (Springer, US, Boston MA, 2010).

Google Scholar

Ferré, J. Diagnostic de régression. Dans Comprehensive Chemometrics Vol. 3 (eds Brown, SD et al.) (Elsevier, Amsterdam, 2009).

Google Scholar

Télécharger les références

Cette étude est soutenue financièrement par la subvention DRTPM PTUPT n ° 019/SP2H/RT-JAMAK/LL4/2022 reçue du ministère indonésien de l'éducation, de la culture, de la recherche et de la technologie.

Université Telkom, Bandung, 40257, Indonésie

Muhammad Ary Murti & Rio Junior

Institute of Energy Infrastructure (IEI) and Civil Engineering Department, College of Engineering, National Energy University (UNITEN), 43000, Kajang, Selangor, Malaisie

Ali Najah Ahmed

Département de génie civil, Université de Malaya (UM), 50603, Kuala Lumpur, Malaisie

Ahmed Elshafie

Centre national de l'eau et de l'énergie, Université des Émirats arabes unis, 15551, Al Ain, Émirats arabes unis

Ahmed Elshafie

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

MAM : Conceptualisation, Validation, Curation des données, rédaction—révision et édition, supervision et financement ; RJ : Visualisation, analyse formelle, rédaction : préparation de l'ébauche originale ; ANA : visualisation, analyse formelle, rédaction—révision et édition et AE : rédaction—préparation du projet original et rédaction—révision et édition.

Correspondance à Ali Najah Ahmed.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Murti, MA, Junior, R., Ahmed, AN et al. Filtrage des données de vitesse et de déplacement basé sur la détection multi-classification des tremblements de terre à l'aide d'algorithmes d'apprentissage automatique. Sci Rep 12, 21200 (2022). https://doi.org/10.1038/s41598-022-25098-1

Télécharger la citation

Reçu : 14 septembre 2022

Accepté : 24 novembre 2022

Publié: 08 décembre 2022

DOI : https://doi.org/10.1038/s41598-022-25098-1

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.