Везде

ОНЗ Геотектоника Geotectonics

  • ISSN (Print) 0016-853X
  • ISSN (Online) 3034-4972

ОПРЕДЕЛЕНИЕ МЕСТ ВОЗМОЖНЫХ ЗЕМЛЕТРЯСЕНИЙ В ЗАПАДНОМ ТЯНЬ-ШАНЕ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ И МАТЕМАТИЧЕСКОЙ МОДЕЛИ ТЕКТОНИЧЕСКИХ ПРОЦЕССОВ

Вы можете
Код статьи
S3034497225050056-1
DOI
10.7868/S3034497225050056
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Атабеков И.У.
  • Аффилиация: Институт сейсмологии АН РУз
Атабеков А.И.
  • Аффилиация: ННИ Цифровых технологий и искусственного интеллекта при Министерстве Цифровых технологий РУз
Мамарахимов Ж.К.
  • Аффилиация: Институт сейсмологии АН РУз
Том/ Выпуск
Том / Номер выпуска 5
Страницы
92-106
Аннотация
В данной работе построена численная модель напряженного состояния земной коры Западно-Тянь-Шаньской микроплиты для использования в качестве дополнительных параметров машинного обучения. Альтернативой моделям глубокого обучения может стать нейронная сеть по генеральной теореме об аппроксимации Колмогорова–Арнольда (КАН). От существующих сетей машинного обучения КАН отличается интерпретируемостью, т.е. способностью объяснить функционирование модели и высокой точностью в сложных физических процессах. В отличие от обычных сетей, для такой нейронной сети достаточно одного или двух слоев, чтобы получить решение задачи, что существенно сокращает вычислительные мощности компьютеров. По алгоритму КАН нами впервые построена нейронная сеть классификации и регрессии, применительно к среднесрочному прогнозу землетрясения в Западно-Тяньшаньской микроплите. Полученные результаты позволили прогнозировать места возможных землетрясений с магнитудой 5 > M < 6 в окрестностях г. Ташкент – столица Республики Узбекистан. Проведенный ретроспективный анализ сильных землетрясений, произошедших в 2024 г. в пределах Западно-Тяньшаньской микроплиты, показал, что разработанная модель предсказывает места землетрясений магнитудой M < 6 с точностью географических координат ±0.1° с.ш., ±0.1° в.д. и магнитуды ΔM ± 0.4.
Ключевые слова
сейсмотектоника геодинамика напряжение земной коры землетрясение прогноз землетрясений математическое моделирование искусственный интеллект
Дата публикации
12.08.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
33

Библиография

  1. 1. Атабеков И.У. Опыт моделирования сейсмотектонического течения земной коры в Центральной Азии // Изв. АН СССР. Физика Земли. 2021. №1. С. 122–132. Doi: 10.31857/S0002333721010014
  2. 2. Бреббия К., Телес Ж., Вробел Л. Методы граничных элементов. ‒ М.: Мир, 1987, 524 с.
  3. 3. Гвишиани А.Д., Соловьев А.А., Дзебоев Б.А. Проблема распознавания мест возможного возникновения сильных землетрясений: актуальный обзор // Изв. АН СССР. Физика Земли. 2020. № 1. С. 5–29. Doi: 10.31857/S0002333720010044
  4. 4. Геология и полезные ископаемые Республики Узбекистан. ‒ Под ред. Т.Ш. Шаякубова, Т.Н. Далимова ‒ Ташкент: “Университет”, 1998, 723с.
  5. 5. Као Д.Ч. Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений (На примере северо-западного района Вьетнама). ‒ Дис. … к. т. н. (РУДН, г. Москва, Россия. 2013), 166 с.
  6. 6. Колмогоров А.Н. О представлении непрерывных функций многих переменных суперпозициями непрерывных функций меньшего числа переменных // Докл. АН СССР. 1956. Т. 108. № 2. С. 179–182.
  7. 7. Новый каталог сильных землетрясений на территории СССР с древнейших времен до 1974 г. ‒ Под ред. Н.В. Кондорской, Н.В. Шебалина ‒ М.: Наука, 1977.
  8. 8. Феодосьев В.И. Сопротивление материалов. – М.: МГТУ, 2010. 591 с.
  9. 9. Ashif P., Hojjat A. Neural network model for earthquake magnitude prediction using multiple seismicity indicator // Int. J. of Neural Systems. 2007. Vol. 17. No. 1. P. 13‒33. https://doi.org/10.1016/j.neunet.2009.05.003
  10. 10. Ashit K.D. Earthquake prediction using artificial neural networks // Int. J. Research and Reviews in Computer Sci. (IJRRCS). 2011. Vol. 2. No. 6. P. 2079‒2557.
  11. 11. Atabekov I. Earth Crust’s stresses variation in Central Asian earthquake’s region //Geodes. Geodynam. 2020. Vol. 11. Is. 4. P. 293‒299. https://doi.org/10.1016/j.geog.2019.12.005
  12. 12. Cybenko G. Approximation by superpositions of a sigmoidal function. // Mathematics of Control, Signals and Systems. 1989. Vol. 2. Is. 4. P. 303–314.
  13. 13. Florido E., Aznarte J.L., Morales-Esteban A., Martinez-Alvarez F. Earthquake magnitude prediction based on artificial neural networks: A survey //Croatian Operational Research Review (Zagreb). 2016. Vol. 7. Is. 2. P. 159‒169. Doi: 10.17535/crorr.2016.0011
  14. 14. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9. Is. 8. P. 1735–1780. Doi: 10.1162/neco.1997.9.8.1735
  15. 15. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. Vol. 2. Is. 5. P. 359–366.
  16. 16. Ismayilova A., Ismailov V.E. On the Kolmogorov neural networks //Neural Networks. 2024. Vol. 176. 106333. https://doi.org/10.1016/j.neunet.2024.106333
  17. 17. Lai M.-L., Shen Zh. The Kolmogorov superposition theorem can break the curse of dimensionality when approximating high dimensional functions. ‒ Cornell Univ. 2021. arXiv:2112.09963v5 [math.NA]. https://doi.org/10.48550/arXiv.2112.09963
  18. 18. Liu Z., Wang Y., Vaidya S., Ruehle F., Halverson J., Soljačić M., Hou Th.Y., Tegmark M. KAN: Kolmogorov-Arnold Networks. ‒ Cornell Univ., Int. Conference on Learning Representations (ICLR). 2024. arXiv 2404. 18756. v. 5 [cs LG]. https://doi.org/10.48550/arXiv.2404.19756
  19. 19. Mahmoudi J., Arjomand M.A., Rezaei M., Mohammadi M.H. Predicting the earthquake magnitude using the multilayer perceptron neural network with two hidden layers // Civil Engineer. Journal. 2016. Vol. 2. No. 1. P. 1–12.
  20. 20. Panakkat A., Adeli H. Recurrent neural network for approximate earthquake time and location prediction using multiple seismicity indicators // Computer-Aided Civil and Infrastructure Engineering. 2009. Vol. 24. No. 4. P. 280–292.
  21. 21. Rangulov B. New trends in earthquake prediction – A case study of performance // Earthquake. 2024. Vol. 3. Is. 1. Doi: 10.59429/ear.v3i1.8254
  22. 22. Ridzwan N.S.M., Yusoff S.H.M. Machine learning for earthquake prediction: A review (2017–2021) //Earth Sci. Inform. 2023. Vol. 16. P. 1133–1149. https://doi.org/10.1007/s12145-023-00991-z
  23. 23. Rouet-Leduc B., Hulbert C., Lubbers N., Barros K., Humphreys C.J., Johnson P.A. Machine learning pre dicts laboratory earthquakes //Geophys. Res. Lett. 2017. Vol. 44. P. 9276–9282. https://doi.org/10.1002/2017GL074677
  24. 24. Saad O.M., Chen Y., Savvaidis A., Fomel S., Jiang X., Huang D., Oboue Y.A.S., Yong S., Wang X., Zhang X., et al. Earthquake Forecasting Using Big Data and Artificial Intelligence: A 30-Week Real-Time Case Study in China // Bull. Seism. Soc. Am. 2023. Vol. 113. P. 2461–2478. Doi: 10.1785/0120230031
  25. 25. Shan W., Zhang M., Wang M., Chen H., Zhang R., Yang G., Tang Y., Teng Y., Chen J. EPM–DCNN: Earthquake prediction models using deep convolutional neural networks // Bull. Seism. Soc. Am. 2022. Vol. 112. P. 2933–2945. Doi: 10.1785/0120220058
  26. 26. Wang Q., Guo Y., Yu L., Li P. Earthquake prediction based on spatio-temporal data mining: An LSTM network approach // IEEE Transactions on Emerging Topics in Computing. 2020. Vol. 8. Is.1. P. 148‒158. Doi: 10.1109/TETC.2017.2699169
  27. 27. Wang X., Yuechen Z.Z., Li Y.Z., Jia K. Small earthquakes can help predict large earthquakes: A machine learning perspective // Appl. Sciences. 2023. Vol. 13. Art. 6424. https://doi.org/10.3390/app13116424
  28. 28. Zubovich A.V., Wang X., Scherba Y.G., Schelochkov G.G., Reilinger R., Reigber C., et al. GPS velocity field for the Tien Shan and surrounding regions // Tectonics. 2010. Vol. 29. No. 6. P. 1‒23. TC6014. Doi: 10.1029/2010TC002772
  29. 29. Uzbekistan Earthquake Report, https://earthquakelist.org/uzbekistan/#statistics. Accessed 2025.
  30. 30. PyTorch, https://docs.pytorch.org/get-started/locally/. Accessed 2025.
  31. 31. TensorFlow, https://www.tensorflow.org/install?hl=ru. Accessed 2025.
  32. 32. Topographic maps, https//ru-ru.topographic-map.com. Accessed January, 2025.
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека