Показано доцільність використання нейронно-мережевого моделювання для розв’язання задачі розрахунку та уточнення глибини розміщення джерел і часів вступу прямої Р-хвилі місцевих землетрусів Закарпатського сейсмоактивного регіону. Обґрунтовано введення азимутального коефіцієнта qі для уточнення швидкісної моделі, яка використовується у навчальній вибірці нейронної мережі. Обчислено середні значення азимутального коефіцієнта qі для відповідних секторів із близькими значеннями qі для одно-, дво- і тришаруватого середовища у відповідності до глибини залягання вогнища землетрусу в першому, другому або третьому шарі. За допомогою нейронно-мережевого моделювання розраховано глибини розміщення вогнищ землетрусів й часів вступів Р-хвиль і уточнення даних, які вказано у сейсмологічних бюлетенях. Проведено інтерпретацію отриманих результатів та наведено приклади порівняння глибин і часів вступу Р-хвилі – прогнозованих за допомогою нейронно-мережевого моделювання і вказаних у сейсмологічних бюлетенях.
Показана целесообразность использования нейронно-сетевого моделирования для решения задачи расчета и уточнения глубины залегания источников и времен вступления прямой Р-волны местных землетрясений Закарпатского сейсмоактивного региона. Обосновано введение азимутального коэффициента qi для уточнения скоростной модели, используемой в обучающей выборке нейронной сети. Вычислены средние значения азимутального коэффициента qi для соответствующих секторов с близкими значениями qi для одно-, двух- и трехслоистой среды в соответствии с глубиной расположения очага землетрясения в первом, втором или третьем слое. С помощью нейронно-сетевого моделирования рассчитаны глубины расположения очагов землетрясений и времен вступлений Р-волн и уточнены данные, которые указаны в сейсмологических бюллетенях. Проведена интерпретация полученных результатов и даны примеры сравнения глубин и времен вступления Р-волны – прогнозируемых с помощью нейронно-сетевого моделирования и указанных в сейсмологических бюллетенях.
A neural network is a powerful data modeling tool that is able to capture and represent complex input/output relationships. The motivation for the development of neural network technology stemmed from the desire to develop an artificial system that could perform “intelligent” tasks. The purpose of this paper is to show the feasibility of using neural-network modeling for calculating and refining the depth distribution of earthquake sources and arrival times of the first seismic waves of local earthquakes in the Transcarpathians seismic active region. In this paper, use was made of the most common neural network model (the multilayer perceptron (MLP)). This type of neural network is known as a supervised network because it requires a desired output in order to learn. The goal of this type of network is to create a model that correctly maps the input to the output using historical data so that the model can then be used to produce the output when the desired output is unknown. The authors have proved justified the introduction of azimuthal coefficient qі to be used in a teaching set for neural networks as a parameter responsible for the direction of the wave propagation in a real environment. Average values of the azimuthal coefficient qі for sectors with close values of qі have been calculated for one-, two- and three-layered medium, according to the depth distribution of the earthquake source in the corresponding layer. Neural-network modeling was used to calculate the depth of the earthquake source and arrival times of P-waves, and to specify the data from seismological bulletins. 370 examples for the period 2002–2012 to train the neural network were selected to refine the depth distribution of earthquake sources and arrival times of the first seismic waves. The interpretation of the results was carried out. Comparison has been made between the depths and arrival times of the first P-waves projected using neural-network modeling with the data from the seismological bulletins. The correlation coefficient between the arrival times obtained using neural-network modeling Tpr and the data from the seismological bulletins T is equal 0.98.
