دانشگاه قم پژوهش های زیرساخت های عمرانی 2 2 2017 03 08 Estimation of the Peak Ground Acceleration using support vector machine and neural radius-based function network models برآورد بیشینه شتاب زمین به روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور 1 12 829 10.22091/cer.2017.829 FA مهدی کماسی استادیار، دانشکده فنی و مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره) سحر آزادی چگنی دانشجوی کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره) مهرداد آزادی چگنی دانشجوی کارشناسی ارشد سازه، دانشکده فنی مهندسی، دانشگاه آیت ا...العظمی بروجردی (ره) Journal Article 2016 10 24 Prediction of the ground strong motion parameters is one way to evaluate the various earthquakes and to determine the amount of risk in each area which plays an important role in the evaluation of earthquake effects on the engineering projects design. In this study, the support vector machine (SVM) and neural radius-based function (RBF) network models as new artificial intelligence techniques were used to estimate the peak ground acceleration (PGA). For this purpose, the seismic parameters such as the magnitude, epicentral distance, focal depth, earthquake intensity were applied as input parameters of proposed models. Evaluation of obtained results for the estimation of PGA using the SVM and RBF models with empirical attenuation relationships and regression methods indicated that the presented SVM and RBF models can establish an appropriated relationship between the observed and calculated PGA values. Also, proposed models have more accuracy than classical approaches. The determination coefficient is 0.996 and 0.997 for SVM and RBF models, respectively where as the determination coefficient is 0.790 and 0.153 for linear regression and nonlinear regression, respectively. یکی از روش‌های مناسب جهت بررسی زلزله‌های مختلف و تعیین میزان خطرپذیری در هر منطقه پیش‌بینی پارامترهای جنبش نیرومند زمین می‌‌باشد که نقش مهمی را در ارزیابی اثرات زلزله در طراحی پروژه‌های مهندسی ایفا می‌کند. در پژوهش حاضر از مدل ماشین بردار پشتیبان و شبکه عصبی شعاع محور که از تکنیک‌های هوش مصنوعی هستند برای برآورد بیشینه شتاب زمین استفاده شده است. بدین منظور از پارامترهای لرزه‌ای شامل بزرگای زلزله، فاصله محل رخداد زلزله تا سایت، عمق کانونی زلزله و شدت زلزله به عنوان پارامترهای ورودی‌ مدل‌های ماشین بردار پشتیبان و شبکه عصبی شعاع محور استفاده شده است. مقایسه نتایج برآورد بیشینه شتاب زمین با ماشین بردار پشتیبان و شبکه عصبی شعاع محور با روابط کاهندگی تجربی و روش‌های رگرسیون بیانگر آن است که روش ماشین بردار پشتیبان و شبکه عصبی شعاع محور ارائه شده می‌توانند ارتباط مناسبی را میان مقادیر مشاهداتی و محاسباتی برقرار نمایند. همچنین این روش‌ها از دقت بالاتری نسبت به روش‌های کلاسیک پیشین برخوردار هستند به طوری که ضریب تبیین برای روش ماشین بردار پشتیبان 996/0 و شبکه عصبی شعاع محور 997/0 و برای روش‌های رگرسیونی خطی و رگرسیونی غیرخطی به ترتیب 790/0 و 153/0 می باشد. http://cer.qom.ac.ir/article_829_739fecd74a304d363c8f174825503e1d.pdf