Μελέτη κατανομής της σεισμικότητας στη Στερεά Ελλάδα με τη χρήση αλγορίθμων μηχανικής μάθησης σε ανοιχτά δεδομένα

Πουλόπουλος, Χαράλαμπος; Poulopoulos, Charalampos

dc.contributor.author	Πουλόπουλος, Χαράλαμπος	el
dc.contributor.author	Poulopoulos, Charalampos	en
dc.date.accessioned	2022-01-21T08:26:57Z
dc.date.available	2022-01-21T08:26:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54399
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22097
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Σεισμολογία	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Γεωτεκτονική	el
dc.subject	Seismology	en
dc.subject	Machine learning	en
dc.subject	Earthquake prediction	en
dc.subject	Πρόβλεψη σεισμών	el
dc.subject	Geotectonics	en
dc.subject	Στερεά Ελλάδα	el
dc.subject	Central greece	en
dc.title	Μελέτη κατανομής της σεισμικότητας στη Στερεά Ελλάδα με τη χρήση αλγορίθμων μηχανικής μάθησης σε ανοιχτά δεδομένα	el
heal.type	bachelorThesis
heal.classification	ΤΟΜΕΑΣ ΓΕΩΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-09-09
heal.abstract	Σκοπός της συγκεκριμένης πτυχιακής εργασίας είναι η κατασκευή ενός μοντέλου που θα είναι σε θέση να προβλέπει, με όσο το δυνατόν μεγαλύτερη ακρίβεια, ένα σεισμικό γεγονός στο μέλλον. Για την επίτευξη του σκοπού αυτού, χρειάστηκε να δοκιμαστούν διάφορες τεχνικές και μοντέλα μηχανικής μάθησης και να αξιολογηθούν με βάση την απόδοση τους, ώστε το τελικό μοντέλο πρόβλεψης που θα προκύψει, να είναι όσο το δυνατόν πιο γενικευμένο. Το σύνολο δεδομένων που χρησιμοποιήθηκε, ανακτήθηκε από καταλόγους του Γεωδυναμικού Ινστιτούτου. Αρχικά, γίνεται μια σύντομη ανάλυση του γεωλογικού και σεισμοτεκτονικού υποβάθρου της γεωγραφικής περιοχής μελέτης. Έπειτα, τίθενται τα μαθηματικά θεμέλια που είναι απαραίτητα για την κατανόηση του τρόπου λειτουργίας των αλγορίθμων. Ειδικότερα, αναλύονται οι βασικότερες και πιο διαδεδομένες τεχνικές μηχανικής μάθησης που θα εφαρμοστούν στην περίπτωσή μας. Έτσι, η παρούσα εργασία μπορεί να αποτελέσει έναν οδηγό για κάποιον που καλείται να πλησιάσει στην πρόβλεψη ενός σεισμού, αντιμετωπίζοντάς την ως ένα πρόβλημα μηχανικής μάθησης. Χρησιμοποιώντας τον αλγόριθμο γραμμικής παλινδρόμησης, προσπαθούμε να εκτιμήσουμε μια εμπειρική σχέση που να συνδέει την αυξημένη συγκέντρωση σεισμικών επικέντρων με ρηξιγενείς ζώνες στην περιοχή μελέτης. Τέλος, ελέγχεται η μέθοδος των χρονοσειρών για τη διερεύνηση σεισμικότητας, βάσει των διαθέσιμων δεδομένων για το Μαλιακό Κόλπο. Παρατηρούμε ωστόσο πως η μέθοδος αυτή οδηγεί σε διαφορές μεταξύ πειραματικών και προβλεπόμενων τιμών, λόγω της πολυπλοκότητας των μηχανισμών γένεσης σεισμών και περιορισμούς στην ικανότητα πρόγνωσης.	el
heal.abstract	The aim of this thesis is the construction of a model that will be able to predict as accurately as possible a future seismic event. In order to achieve this goal, various machine learning techniques and models had to be tested and evaluated in terms of their performance so that the final prediction model that will result will be as generalized as possible. The dataset used was retrieved from catalogs of the Greek Institute of Geodynamics. First, a brief analysis of the geological and seismotectonic background of the geographical study area is provided. Then, the mathematical foundations necessary to understand how the algorithms work are laid. In particular, the most basic and widespread machine learning techniques that will also be applied to our dataset are discussed. Thus, this can be a guide for someone who is called upon to approach earthquake prediction by treating it as a machine learning problem. Using the linear regression algorithm, we attempt to estimate an empirical relationship that links the increased concentration of seismic epicenters with fault zones in the study area. Finally, we test the time series method for seismicity investigation based on the available data for the Malian Gulf. However, we observe that this method leads to differences between experimental and predicted values due to the complexity of earthquake generation mechanisms and limitations in the prediction capability.	en
heal.advisorName	Αθανασάς, Κωνσταντίνος	el
heal.committeeMemberName	Μπενάρδος, Ανδρέας	el
heal.committeeMemberName	Τσαγγαράτος, Παρασκευάς	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών. Τομέας Γεωλογικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	141 σ.	el
heal.fullTextAvailability	false