Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/53608
Title: การศึกษาพฤติกรรมแผ่นดินไหวของประเทศนิวซีแลนด์ด้วยวิธีโครงข่ายประสาทเทียม
Other Titles: Investigation of earthquake activities of New Zealand using artificial neural network
Authors: สุนิสา เดียวเล๊าะ
Advisors: สันติ ภัยหลบลี้
ศรีเลิศ โชติพันธรัตน์
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์
Advisor's Email: Pailoplee.S@hotmail.com
lertc77@yahoo.com
Subjects: แผ่นดินไหว -- นิวซีแลนด์
พยากรณ์แผ่นดินไหว -- นิวซีแลนด์
นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)
Earthquakes -- New Zealand
Earthquake prediction -- New Zealand
Neural networks (Computer science)
Issue Date: 2559
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: เหตุการณ์แผ่นดินไหวถือเป็นภัยพิบัติทางธรรมชาติที่ก่อให้เกิดผลกระทบทั้งต่อชีวิตและ ทรัพย์สินแก่ผู้ประสบภัยเป็นอย่างมาก ประเทศนิวซีแลนด์เป็นหนึ่งในประเทศที่มีกิจกรรมแผ่นดินไหว เกิดขึ้นมากเป็นอันดับต้นๆ ของโลก จึงมีข้อมูลการเกิดแผ่นดินไหวที่ถูกบันทึกไว้มากมาย งานวิจัยนี้มี วัตถุประสงค์เพื่อสร้างโครงข่ายประสาทเทียม (Artificial Neural Network) ซึ่งเป็นโมเดล คอมพิวเตอร์ เพื่อใช้ในการศึกษาพฤติกรรมแผ่นดินไหวของประเทศนิวซีแลนด์ โดยใช้ข้อมูลที่ได้จาก ฐานข้อมูลแผ่นดินไหว ประกอบด้วย ละติจูด ลองจิจูด ความลึกของจุดศูนย์กลางแผ่นดินไหว วัน เดือน ปี เวลาชั่วโมง และนาที และกำหนดให้โครงข่ายทำการคาดการณ์ขนาดของแผ่นดินไหวที่ เกิดขึ้น โครงข่ายที่สร้างขึ้นเป็นโครงข่ายประสาทเทียมแบบหลายชั้น (Multilayer Neural Network) ที่มีการเรียนรู้แบบแพร่ย้อนกลับ (Feedforward Backpropagation Neural Network) ทำการหา ฟังก์ชันการเรียนรู้ที่เหมาะสมต่อพฤติกรรมการเกิดแผ่นดินไหวของประเทศนิวซีแลนด์จากทั้งหมด 12 ฟังก์ชันการเรียนรู้ นอกจากนี้ยังทำการปรับปรุงค่าพารามิเตอร์ในแต่ละฟังก์ชัน ปรับจำนวนชั้นซ่อน และจำนวนโหนดในชั้นซ่อน เพื่อให้โครงข่ายประสาทเทียมมีประสิทธิภาพมากยิ่งขึ้น จากผลการวิจัยพบว่าโครงข่ายประสาทเทียมที่เหมาะสมต่อพฤติกรรมการเกิดแผ่นดินไหว ของประเทศนิวซีแลนด์คือโครงข่ายประสาทเทียมที่มีฟังก์ชันการเรียนรู้แบบ Levenberg-Marquardt Backpropagation ที่มีจำนวนโหนดในชั้นแอบแฝงเท่ากับ 17 เป็นโครงข่ายประสาทที่มีประสิทธิภาพมากที่สุดต่อพฤติกรรมแผ่นดินไหวของประเทศนิวซีแลนด์ โดยมีค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.0889 และ 0.0232 ในข้อมูลชุดฝึกสอนและในข้อมูลชุดทดสอบ ตามลำดับ และพบว่าความหลากหลายของข้อมูลที่ใช้ในการฝึกสอนโครงข่ายมีผลต่อประสิทธิภาพการทานายโครงข่ายประสาทเทียม
Other Abstract: Earthquake is natural hazard that effects extremely lives and damages facilities in an area, which is occurred. There are lots of data has been collected due the earthquake activities in New Zealand because New Zealand is one of the country in the world, where Earthquake occurred often. The objective of this study is creating Artificial Neural Network (ANN) and computer model to investigate the earthquake of New Zealand. We use earthquake data from earthquake catalogue, which composes of latitude longitude depth date and time. We specify the ANN to predict the earthquake magnitude. We build the Multilayer Neural Network with feedforward backpropagation for learning earthquake in New Zealand. We generate 12 ANN with 12 transfer functions to find the proper one with New Zealand earthquake activities. Finally, we modify ANN by rectify parameters in the transfer functions, number of hidden layer, and number of node in hidden layer to reach the maximum effective of ANN. The result showed that the most proper ANN for earthquake activities of New Zealand is the ANN with Levenbarg-Marquardt Backpropagation transfer function together with 17 number of nodes in hidden layer. The accuracy of the prediction and coefficient of determination (R2) in training and testing step are 0.0889 and 0.0232, respectively. Moreover, our study founded that variation of data in training step has significantly influenced on evaluation efficiency of ANN.
Description: โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาธรณีวิทยา คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2559
URI: http://cuir.car.chula.ac.th/handle/123456789/53608
Type: Senior Project
Appears in Collections:Sci - Senior Projects

Files in This Item:
File Description SizeFormat 
Sunisa Dieoloh.pdf3.85 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.