آمار
| تعداد نشریات | 28 |
| تعداد شماره‌ها | 390 |
| تعداد مقالات | 3,802 |
| تعداد مشاهده مقاله | 6,213,948 |
| تعداد دریافت فایل اصل مقاله | 4,555,454 |
ارائه ی مدل پیش بینی کننده آسیب پذیری کالبدی محلات در برابر زلزله با استفاده از یادگیری ماشین | ||
| مطالعات ساختار و کارکرد شهری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 مهر 1402 | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/usfs.2023.25302.2350 | ||
| نویسندگان | ||
| مریم محمدی* 1؛ مرجان وثوقی نیا2 | ||
| 1دانشیار گروه شهرسازی/ دانشگاه هنر | ||
| 2گروه طراحی شهری، دانشکده معماری و شهرسازی، دانشگاه هنر، ایران. | ||
| تاریخ دریافت: 05 اردیبهشت 1402، تاریخ بازنگری: 05 شهریور 1402، تاریخ پذیرش: 09 مهر 1402 | ||
| چکیده | ||
| این مقاله بر آن است تا با استفاده از یادگیری ماشین، به ارائه ی مدل پیش بینی کننده آسیب پذیری کالبدی در برابر زلزله بپردازد. روش پژوهش کمی است. داده های ارائه شده به ماشین برای آموزش و تست، مربوط به پهنه های محلات منطقه ی 1 شهرداری تهران بوده اند (که در محدوده‌ی خطر گسل شمال تهران قرار دارند). ویژگی های مورد تاکید که ماشین براساس آنها آموزش دیده تا مدل پیش بینی کننده را ارائه دهد، مشتمل بر موارد زیر هستند: ویژگی های الگوی قطعات و ساختار ابنیه، الگوی معبر، کاربری اراضی، و موقعیت نسبت به گسل اصلی و فرعی بوده اند. مجموعه ی داده ها مشتمل بر 1997 سطر و 26 ستون بوده است. برخی از داده ها از جی.آی.اس. منطقه استخراج و بخش دیگری از داده ها از تحلیل نقشه ی پهنه ها به دست آمد. با توجه به بهره گیری از رویکرد یادگیری ماشین نظارت شده، برچسب گذاری توسط محققان در پنج طیف انجام شد. برای آموزش ماشین از الگوریتم درخت تصمیم، ماشین بردارپشتیبان و شبکه ی عصبی چندلایه استفاده شد. حجم داده های آموزش به تست 70 به 30 در نظر گرفته شد. با بررسی دقت مدل توسط ماتریس درهم آمیختگی، مشخص شد که الگوریتم درخت تصمیم با دقت 99.50، حساسیت 99.42 و خطای 0.5 دارای عملکرد بهتری نسبت به دو الگوریتم دیگر است. شبکه ی عصبی نیز با دقت 97.85، حساسیت 97.57 و خطای 2.15، دارای عملکرد مناسبی است. بررسی میزان اعتمادپذیری مدل پیش بینی کننده با داده های مربوط به محله ی جوانمرد قصاب در منطقه ی 20 نیز نشان داد که ماشین آموزش دیده، با دقت بالای 97 درصد قابلیت پیش بینی پذیری دارد. بدین ترتیب ماشین آموزش دیده با دقت و سرعت بالا می تواند به پیش بینی میزان آسیب پذیری بافت های کالبدی در برابر زلزله بپردازد. | ||
| کلیدواژه‌ها | ||
| مدل پیش‌بینی کننده؛ آسیب پذیری؛ یادگیری ماشین؛ مورفولوژی؛ زلزله | ||
| عنوان مقاله [English] | ||
| Providing a Predictive Model of Neighborhoods Physical Vulnerability against Earthquakes | ||
| نویسندگان [English] | ||
| Maryam Mohammadi1؛ Marjan Voosooghi Nia2 | ||
| 1Associate Professor / University of Art | ||
| 2MA of Urban Design, Department of Urban Design, Faculty of Urban Planning and Architecture, University of Art, Iran | ||
| چکیده [English] | ||
| This article aims to present a predictive model of physical vulnerability against earthquakes using machine learning. The research method is quantitative. The data provided to the machine for training and testing was related to the district 1 of Tehran municipality (which is located in the danger zone of the North Tehran Fault). The emphasized features based on which the machine is trained to provide the predictive model include the following: the features of the pattern of parcels and building structure, the pattern of the network, land use, and the position relative to the main and minor fault. The data collection consisted of 1997 rows and 26 columns. Some data extracted from GIS and the other parts of the data were obtained from the analysis of the map. According to the use of supervised machine learning approach, labeling was done by researchers in five spectrum. To train the machine, decision tree algorithm, support vector machine and multi layer neural network were used. The volume of training data was considered to be 30 to 70. By examining the accuracy of the model by the confusion matrix, it was found that the decision tree algorithm with an accuracy of 99.50, a sensitivity of 99.42 and an error of 0.5 has a better performance than the other two algorithms. The neural network also has a good performance with 97.85 accuracy, 97.57 sensitivity and 2.15 error. Examining the reliability of the predictive model with the data related to Javanmard Ghasab neighborhood in District 20 also showed that the trained machine has the ability to predict with a high accuracy of 97%. Thus, the trained machine can predict the vulnerability of physical tissues against earthquakes with high accuracy and speed. | ||
| کلیدواژه‌ها [English] | ||
| Predictive model, Vulnerability, Machine learning, Morphology, Earthquake | ||
|
آمار تعداد مشاهده مقاله: 12 |
||