Στατιστική ανάλυση των ιδιοτήτων των τεκτονικών Asperities και χωρικός εντοπισμός τους μέσω αλγορίθμων μηχανικής μάθησης

Περίληψη

Ο βασικός σκοπός της συγκεκριμένης διατριβής είναι η ανάλυση και αναγνώριση της σεισμικής συμπεριφοράς των τεκτονικών ρηγμάτων. Πιο συγκεκριμένα ο χωρικός εντοπισμός των asperities σε τεκτονικά ρήγματα επετεύχθη με την συνδυασμένη εφαρμογή θεωριών της Στατιστικής Σεισμολογίας και μεθοδολογιών της Τεχνητής νοημοσύνης. Μέσω της στατιστικής ανάλυσης σεισμικών ακολουθιών προσδιορίστηκαν τα κατάλληλα στατιστικά χαρακτηριστικά που μπορούν να υποδείξουν τις τοποθεσίες των asperities. Τέλος τεχνικές μηχανικής μάθησης τροφοδοτούμενες απο τα στατιστικά χαρακτηριστικά εφαρμόστηκαν για τον εντοπισμό των asperities

Περίληψη σε άλλη γλώσσα

Machine learning is a technological artifact well-known for its proven ability to classify different aspects of the same entity in different categories. The main goal of the present dissertation is to use the proper machine learning technics that will achieve the classification of rupture patches onto active fault surfaces in Asperities and Non-Asperity areas. For this purpose, the earthquakes had to be studied with the statistical principles that governs them. Therefore, a big part of this dissertation was devoted to the utilization of statistic tools for the analysis of earthquakes and also statistical features that are well-known for behaving differently on Asperity and Non-Asperity rupture patches, such as the b-value, earthquake density and recurrence interval of magnitude classes. This part of the dissertation in addition to the presentation of these statistical attributes, also leads to the creation of Self-cor, a method of calculating robust b-values for earthquake catalogs th ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/52431
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/52431
ND
52431
Εναλλακτικός τίτλος
Efficient machine learning algorithms for pattern identification and statistical properties of faults’ asperities
Συγγραφέας
Αρβανιτάκης, Κωνσταντίνος (Πατρώνυμο: Ευάγγελος)
Ημερομηνία
2022
Ίδρυμα
Ιόνιο Πανεπιστήμιο. Σχολή Επιστήμης της Πληροφορίας και Πληροφορικής. Τμήμα Πληροφορικής
Εξεταστική επιτροπή
Αυλωνίτης Μάρκος
Παπαδημητρίου Ελευθερία
Κερμανίδου Κάτια-Λήδα
Λέκκας Ευθύμιος
Βούλγαρης Νικόλαος
Μαραγκουδάκης Εμμανουήλ
Καρακώστας Βασίλειος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Διεπιστημονικές εφαρμογές επιστήμης ηλεκτρονικών υπολογιστών
Φυσικές ΕπιστήμεςΓεωεπιστήμες και Επιστήμες Περιβάλλοντος ➨ Γεωφυσική
Λέξεις-κλειδιά
Τεχνιτή νοημοσύνη; Μηχανική μάθηση; Τεκτονικά ρήγματα; Σεισμοί; Επαναδειγματοληψία δεδομένων; Κορινθιακός Κόλπος; Κεντρικά Ιόνια Νησιά; Χοκκάιντο
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
πιν., χαρτ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)