Araştırma Makalesi
BibTex RIS Kaynak Göster

PREDICTION of CRUSTAL MOTION VELOCITIES in AEGEAN REGION by the FUZZY ADAPTIVE NETWORK APPROACH

Yıl 2009, Sayı: 020, 69 - 82, 15.12.2009

Öz

Knowing crustal motion
velocities gives information about how many years the energy accumulation -that
will cause earthquake- will take form in specific region. Thus, it is very
crucial to follow crustal motions and to observe variations in velocities.
The Earth’s Crustal movements are determined by
geodetic deformation networks.

In this study, it was
aimed to predict velocity values at unobserved coordinates based on the
measurement values that had been determined by the geodetic deformation
networks regarding the crustal motion velocities.
Study
area was limited to Aegean and the vicinity of Aegean. It was used the fuzzy
adaptive network approach for the prediction Real data as regards the crustal
motion velocities is used in the application part of the study

Kaynakça

  • [1] Barka, A., Altunel, E., Akyüz, S., Sunal, G., Hartleb, R., Uslu, O. B. ve Toroman, E., Yeryüzü ve Deprem, Boyut Yayıncılık, İstanbul (2000).
  • [2] Cressie, N.A.C., Statistics for Spatial Data, John Wiley and Sons, Inc., Canada (1993).
  • [3] Tercan, A.E. ve Saraç, C., Maden Yataklarının Değerlendirilmesinde Jeoistatistiksel Yöntemler, TMMOB Jeoloji Mühendisleri Odası Yayınları: 48, Ankara (1998).
  • [4] Zadeh, L.A., “Fuzzy Sets”, Information and Control, 8, 338-353 (1965).
  • [5] Lai, Y. ve Hwang, C., Fuzzy Mathematical Programming, Gpringer-Verlag, Germany (1992).
  • [6] Klir, G.J. ve Yuan, B., Fuzzy Sets and Fuzzy Logic, Prentice Hall. PTR., A.B.D. (1995)
  • [7] Cheng, C.B. ve Lee, E.S., “Applying Fuzzy Adaptive Network to Fuzzy Regression Analysis”, Computers and Mathematics with Applications, 38, 123-140 (1999).
  • [8] Şen, Z., Bulanık Mantık ve Modelleme İlkeleri, Bilge Sanat Yapım Yay. Kağ. Turz. San. Tic. Ltd. Şti., İstanbul (2001).
  • [9] Elmas, Ç., Bulanık Mantık Denetleyiciler, Seçkin Yayıncılık, Ankara (2003).
  • [10] Jang, J.-S.R., “ANFIS: Adaptive-Network-based Fuzzy Inference Systems”, IEEE Trans. on Systems, Man, and Cybernetics, 23, 665–685 (1993)
  • [11] Ishibuchi, H. ve Tanaka, H., “Fuzzy Neural Networks with Fuzzy Weights and Fuzzy Biases”, In proceedings of 1993 IEEE International Conference on Neural Networks, San Francisco, 1650-1655 (1993).
  • [12] Erbay Dalkılıç, T. ve Apaydın, A., “Bulanık Kümelemeye Dayalı Switching Regresyon Analizi”, 4. İstatistik Günleri Sempozyumu, İzmir, 263-269 (2004).
  • [13] Jang, J-S.R. ve Sun, C.-T., “Neuro-Fuzzy Modeling and Control”, Proceedings of the IEEE, 83(3), 378-406 (1995).
  • [14] Cheng, C.B. ve Lee, E.S., “Fuzzy Regression with Radial Basis Function Network”, Fuzzy Sets and Systems, 119, 291-301 (2001).
  • [15] Celep, Z. ve Kumbasar, N. Deprem Mühendisliğine Giriş ve Depreme Dayanıklı Yapı Tasarımı, Beta Dağıtım, İstanbul (2000).
  • [16] Mertol, A. ve Mertol, H.C., Deprem Mühendisliği, Depreme Dayanıklı Yapı Tasarımı, Kozan Ofset, İstanbul (2002).
  • [17] Hekim, M., Orhan, U. ve Durusoy, G. “Veri Kümeleme Üzerine Hibrit Yaklaşım”, Eleco'2006 Elektrik-Elektronik-Bilgisayar Mühendisliği Sempozyumu ve Fuarı, Bursa (2006).
  • [18] Chiu, S.L., “Fuzzy Model Identification based on Cluster Estimation”, J.Intell. Fuzzy Systems, 2 (3), 267-278 (1994).
  • [19] Chen, M.-S. ve Wang S.-W., “Fuzzy Clustering Analysis for Optimizing Fuzzy Membership Functions”, Fuzzy Sets and Systems, 103, 239-254 (1999).
  • [20] Kim, J-H., Kim, S-H., Yang, H-S., Park, J-B. ve Park, Y-P, “Holographic Data System Using Prearranged Plan Table by Fuzzy Rule and Genetic Algorithm”, ICCAS 2005, Gyeonggi-Do, Korea (2005).
  • [21] Paiva, R. P. and Dourado, A., “Interpretability and Learning in Neuro-fuzzy Systems”, Fuzzy Sets and Systems, 147, 17–38 (2004).
  • [22] Demirli, K., Cheng, S.X. and Muthukumaran, P., “Subtractive Clustering Based Modeling of Job Sequencing with Parametric Search”, Fuzzy Sets and Systems, 137, 235-270, (2003).
  • [23] Tosunoğlu, N.G., Mekansal İstatistikte Bulanık Uyarlamalı Ağ Yaklaşımı İle Depremi Oluşturan Yerkabuğu Hareket Hızlarının Kestirimi, Doktora Tezi (basılmamış), Ankara Üniversitesi Fen Bilimleri Enstitüsü (2007).
  • [24] Isaaks, E.H. ve Srivastava, R.M., An Introduction to Applied Geostatistics, Oxford University Pres, New York (1989).

EGE BÖLGESİNDEKİ YERKABUĞU HAREKET HIZLARININ BULANIK UYARLAMALI AĞ YAKLAŞIMI ile KESTİRİMİ

Yıl 2009, Sayı: 020, 69 - 82, 15.12.2009

Öz

Yerkabuğu
hareket hızlarının bilinmesi, herhangi bir bölgede depreme yol açacak enerji
birikiminin kaç yılda oluşacağı hakkında bilgi verecektir. Bu nedenle yerkabuğu
hareketlerinin izlenmesi ve hızlardaki değişimin gözlenebilmesi deprem
çalışmaları açısından büyük önem taşımaktadır. Deprem bölgelerinde oluşan yerkabuğu
hareketleri jeodezik deformasyon ağlarının kurulması ile belirlenebilmektedir. Bu
çalışmada, jeodezik deformasyon ağları tarafından belirlenmiş yerkabuğu hareket
hızlarına ilişkin ölçüm değerleri temel alınarak, gözlenmemiş diğer
koordinatlarda hız değerinin kestirimi amaçlanmıştır. Çalışma alanı Ege
Bölgesi ve çevresini kapsayan bölge ile sınırlandırılmıştır. Kestirim için bulanık uyarlamalı ağ
yaklaşımı kullanılmıştır. Uygulama için yerkabuğu hareket hızlarının
küresel konumları ile birlikte ölçümlerine ilişkin gerçek verilerden yararlanılmıştır.

Kaynakça

  • [1] Barka, A., Altunel, E., Akyüz, S., Sunal, G., Hartleb, R., Uslu, O. B. ve Toroman, E., Yeryüzü ve Deprem, Boyut Yayıncılık, İstanbul (2000).
  • [2] Cressie, N.A.C., Statistics for Spatial Data, John Wiley and Sons, Inc., Canada (1993).
  • [3] Tercan, A.E. ve Saraç, C., Maden Yataklarının Değerlendirilmesinde Jeoistatistiksel Yöntemler, TMMOB Jeoloji Mühendisleri Odası Yayınları: 48, Ankara (1998).
  • [4] Zadeh, L.A., “Fuzzy Sets”, Information and Control, 8, 338-353 (1965).
  • [5] Lai, Y. ve Hwang, C., Fuzzy Mathematical Programming, Gpringer-Verlag, Germany (1992).
  • [6] Klir, G.J. ve Yuan, B., Fuzzy Sets and Fuzzy Logic, Prentice Hall. PTR., A.B.D. (1995)
  • [7] Cheng, C.B. ve Lee, E.S., “Applying Fuzzy Adaptive Network to Fuzzy Regression Analysis”, Computers and Mathematics with Applications, 38, 123-140 (1999).
  • [8] Şen, Z., Bulanık Mantık ve Modelleme İlkeleri, Bilge Sanat Yapım Yay. Kağ. Turz. San. Tic. Ltd. Şti., İstanbul (2001).
  • [9] Elmas, Ç., Bulanık Mantık Denetleyiciler, Seçkin Yayıncılık, Ankara (2003).
  • [10] Jang, J.-S.R., “ANFIS: Adaptive-Network-based Fuzzy Inference Systems”, IEEE Trans. on Systems, Man, and Cybernetics, 23, 665–685 (1993)
  • [11] Ishibuchi, H. ve Tanaka, H., “Fuzzy Neural Networks with Fuzzy Weights and Fuzzy Biases”, In proceedings of 1993 IEEE International Conference on Neural Networks, San Francisco, 1650-1655 (1993).
  • [12] Erbay Dalkılıç, T. ve Apaydın, A., “Bulanık Kümelemeye Dayalı Switching Regresyon Analizi”, 4. İstatistik Günleri Sempozyumu, İzmir, 263-269 (2004).
  • [13] Jang, J-S.R. ve Sun, C.-T., “Neuro-Fuzzy Modeling and Control”, Proceedings of the IEEE, 83(3), 378-406 (1995).
  • [14] Cheng, C.B. ve Lee, E.S., “Fuzzy Regression with Radial Basis Function Network”, Fuzzy Sets and Systems, 119, 291-301 (2001).
  • [15] Celep, Z. ve Kumbasar, N. Deprem Mühendisliğine Giriş ve Depreme Dayanıklı Yapı Tasarımı, Beta Dağıtım, İstanbul (2000).
  • [16] Mertol, A. ve Mertol, H.C., Deprem Mühendisliği, Depreme Dayanıklı Yapı Tasarımı, Kozan Ofset, İstanbul (2002).
  • [17] Hekim, M., Orhan, U. ve Durusoy, G. “Veri Kümeleme Üzerine Hibrit Yaklaşım”, Eleco'2006 Elektrik-Elektronik-Bilgisayar Mühendisliği Sempozyumu ve Fuarı, Bursa (2006).
  • [18] Chiu, S.L., “Fuzzy Model Identification based on Cluster Estimation”, J.Intell. Fuzzy Systems, 2 (3), 267-278 (1994).
  • [19] Chen, M.-S. ve Wang S.-W., “Fuzzy Clustering Analysis for Optimizing Fuzzy Membership Functions”, Fuzzy Sets and Systems, 103, 239-254 (1999).
  • [20] Kim, J-H., Kim, S-H., Yang, H-S., Park, J-B. ve Park, Y-P, “Holographic Data System Using Prearranged Plan Table by Fuzzy Rule and Genetic Algorithm”, ICCAS 2005, Gyeonggi-Do, Korea (2005).
  • [21] Paiva, R. P. and Dourado, A., “Interpretability and Learning in Neuro-fuzzy Systems”, Fuzzy Sets and Systems, 147, 17–38 (2004).
  • [22] Demirli, K., Cheng, S.X. and Muthukumaran, P., “Subtractive Clustering Based Modeling of Job Sequencing with Parametric Search”, Fuzzy Sets and Systems, 137, 235-270, (2003).
  • [23] Tosunoğlu, N.G., Mekansal İstatistikte Bulanık Uyarlamalı Ağ Yaklaşımı İle Depremi Oluşturan Yerkabuğu Hareket Hızlarının Kestirimi, Doktora Tezi (basılmamış), Ankara Üniversitesi Fen Bilimleri Enstitüsü (2007).
  • [24] Isaaks, E.H. ve Srivastava, R.M., An Introduction to Applied Geostatistics, Oxford University Pres, New York (1989).
Toplam 24 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Nuray Güneri Tosunoğlu

Ayşen Apaydın

Yayımlanma Tarihi 15 Aralık 2009
Yayımlandığı Sayı Yıl 2009 Sayı: 020

Kaynak Göster

APA Güneri Tosunoğlu, N., & Apaydın, A. (2009). EGE BÖLGESİNDEKİ YERKABUĞU HAREKET HIZLARININ BULANIK UYARLAMALI AĞ YAKLAŞIMI ile KESTİRİMİ. Journal of Science and Technology of Dumlupınar University(020), 69-82.

HAZİRAN 2020'den itibaren Journal of Scientific Reports-A adı altında ingilizce olarak yayın hayatına devam edecektir.