Interpretation of gravity and earthquake catalog data in Western Turkey by using artificial neural networks

Son yıllarda Yapay Sinir Ağları (YSA) bilim ve mühendislikteki çeşitli problemlerin çözümünde yaygın olarak kullanılmaktadır. Jeofizik alanındaki uygulamaları da giderek artmaktadır. Özellikle sismik, elektromanyetik ve özdirenç gibi yöntemlerin ters çözümünde uygulanmaktadır. Ayrıca parametre tayini, önkestirim ve sınıflama gibi uygulamalarda da kullanılmaktadır. Bu çalışmada Yapay Sinir Ağlarının iki farklı türü olan Çok Katmanlı Algılayıcı (ÇKA) ve Radyal Taban Fonksiyonlu Ağlar (RTFA) kullanılmıştır. Bu yöntemler gravitede önce kuramsal modellere, daha sonra Batı Türkiye verilerine uygulanmıştır. Bölgedeki önemli tektonik unsurlar olan Gediz ve Büyük Menderes grabenlerinin tortul kalınlığının ve bölgenin kabuk kalınlığının bulunması amaçlanmıştır. Öğretmenli öğrenme temeline dayanan ÇKA ve RTFA, farklı gravite modelleri içeren eğitim setini kullanarak mevcut modellerin giriş çıkış ilişkilerini öğrenmekte ve benzer modeller için genelleme yöntemiyle çözümler üretebilmektedir. Böylece gravite yöntemindeki çok çözümlülük sorununa farklı bir bakış açısı getirmektedir. Gediz grabeni için tortul kalınlığının Salihli civarı için 1,4 ? 2 km, Alaşehir civarı için yaklaşık 2,5 km olduğu saptanmıştır. Büyük Menderes grabeninin tortul kalınlığı ise Aydın civarı için yaklaşık 1,7 km, Nazilli civarı için yaklaşık 2,2 km, Sarayköy civarı için ise yaklaşık 3,2 km olarak saptanmıştır. Bölgenin ortalama kabuk kalınlığı ise yaklaşık 32 km olarak elde edilmiştir. Gravite çalışmalarına ek olarak Yapay Sinir Ağlarının zaman serilerindeki performansını test etmek amacıyla sismoloji katalog verilerine uygulanmıştır. Batı Türkiye deprem oluş aylık frekansları hesaplanmış, ÇKA ve RTFA ile değerlendirilmiş ve ön kestirim çalışmaları yapılmıştır. Frekans verileri 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 ve 11 li girdi setleri olacak şekilde düzenlenmiş ve her iki yöntemle değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde RTFA ile elde edilen ön kestirim sonuçlarının ÇKA sonuçlarına göre daha yüksek korelasyon katsayısı ve daha düşük hata değerlerine sahip olduğu gözlenmiştir. Artificial Neural Networks (ANN) has been used in a variety of problems in the fields of science and engineering. Applications of ANN to the geophysical problems have increased within the last decade. In particular, it has been used to solve inversion problems such as seismic, electromagnetic and resistivity. Also, there are some other applications such as parameter estimation, prediction and classification. In this study, two different types of ANN, Feed Forward Neural Networks (FNN) and Radial Basis Function Networks (RBF NN) were used. These methods were applied first to synthetic gravity data and then to the Western Turkey Bouguer gravity data. The aim of the study was to obtain sediment thickness of the major structure of the regional tectonics such as the grabens of Gediz and Büyük Menderes and the crustal thickness of the region. ANN can learn input-output relation of available models by using training set, which includes various gravity models, and produce solutions for similar models via its generalization ability. Therefore ANN can provide a different perspective for the multi solution problem in gravity method. The sediment thickness of the Gediz graben was determined as 1,4- 2 km around Salihli and about 2,5 km around Alaşehir. The sediment thickness of the Büyük Menderes was determined approximately 1,7 km around Aydın and 2,2 km around Nazilli and 3,2 km around Sarayköy. Average crustal thickness was obtained as 32 km for the region. In addition to the gravity studies ANN was also applied to seismological catalog data in order to test of the performance. Monthly earthquake frequencies were calculated using seismological catalogue data of the region and then the data set were evaluated with these FNN and RBF NN methods for earthquake prediction purposes. Frequency data were arranged as 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, and 11 input sets and evaluated by using these two methods. When the results of two methods were compared, it was observed that the preliminary prediction results by using RBF NN, gave a greater correlation coefficient and less error values than FNN