Earthquake prediction using seismic bumps with Artificial Neural Networks and Support Vector Machines

Abstract

ÖZETÇEYer kabuğunda oluşan kırılmalar sonucu aniden ortaya çıkan titreşimlerin dalgalar halinde yayılarak yer yüzeyini sarsmaya devam etmesiyle depremler oluşur. Deprem oluşumu, bu dalgaların yer kabuğunda yayılım biçimine, bunların ölçülmesine ve ölçüm yöntemlerine, ölçümlerden elde edilen kayıtların değerlendirilmesi gibi birçok değişkene bağlıdır. Olası depremlerin tahmin edilmesi ve zararlarının en aza indirilmesi önemli unsurlardan birisidir. Burada sadece sismik darbe verileri kullanılarak depremin önceden tahmin edilmesi için karar sistemleri oluşturulabilir. Bu noktada sismik darbe verileri önce sınıflandırılacak sonra test aşamasında karşılaştırmalı sonuçları irdelenecektir. Çalışmamızda maden ocağından elde edilen hazır sismik darbe verileri kullanılarak sınıflandırma algoritmaları ile sınıflandırmaya tabi tutulur. Sınıflandırmada Yapay Sinir Ağları ve Destek Vektör Makineleri kullanılmıştır. Yapay Sinir Ağları ile sınıflandırma sonucunda %83 oranında erken tespit saptanmıştır. Destek Vektör Makineleri ile yapılan sınıflandırmada %91 oranında erken tespit saptanmıştır. ABSTRACT Earthquakes are what happens when immediate vibrations which shake earth surface, spread as waves as a result of earth crust cracks. Earthquakes depend on variables such as the way of spreading of these waves, calculation of these waves and calculating methods, evaluations of these recorded data sets. Predicting probable earthquakes and minimizing the damages are the important factors. Decision systems can be developed only through using seismic bump data. At this point, seismic data will be classified first and then comparative results will be analyzed at the test stage. We use end seismic data obtained from mine pit which are classified through classification algorithms. Artificial Neural Networks and Support Vector Machine are used in the classification. Early detection rate is calculated as 83% with the classification through Artificial Neural Network. Early detection rate is calculated as 91% with the classification through Support Vector Machine.