İçeriğe geç
erzurumlu.dev
← Tüm çalışmalar

Sismik Analiz.

Negatif sonuç da bir bulgudur.

Deprem büyüklüğü, yalnızca geçmiş büyüklüklerden tahmin edilebilir mi?

Rol
Derin öğrenme modeli
Kapsam
4 kişi
Yıl
2025
Bi-LSTM R² = 0.10Attention LSTM R² = 0.02
model_comparison.ipynb
Bi-LSTM   R² = 0.10Gerçek büyüklükTahmin edilen
Attention LSTM   R² = 0.02Gerçek büyüklükTahmin edilen
Temsili arayüz · Örnek veriler

Doğru soru, doğru metrik.

Deprem büyüklüğünün yalnızca geçmiş büyüklüklerden tahmin edilebilir olup olmadığını derin öğrenme modelleriyle inceledim.

0deprem kaydı
0adımlık pencere
0PyTorch modeli
Çalışma süreci
Zaman serisiTarihsel büyüklükler sırayla alındı.
20 adımlık pencereler20 adımlık kaydırmalı pencereler oluşturuldu.
İki LSTM modeliBi-LSTM ve dikkat mekanizmalı LSTM.
Test setinde R²Test setinde performans değerlendirildi.

Benim katkım.

PyTorch ile Bi-LSTM ve dikkat mekanizmalı LSTM.

Bi-LSTM
20 × 1LSTMDenseŷ
PyTorch · model mimarisi
Attention LSTM
20 × 1LSTMAttentionŷ
PyTorch · model mimarisi

Bu kurulum büyüklüğü tahmin edemiyor.

Her iki model de test setinde düşük açıklama gücü elde etti. Geçmiş deprem büyüklükleri tek başına gelecek deprem büyüklüğünü tahmin etmek için yeterli görünmüyor.

Bi-LSTM · R² = 0.10Gerçek büyüklük
Attention LSTM · R² = 0.02Gerçek büyüklük

Öğrendiğim.

Veri sızıntısını önlemek, iyi görünen bir skordan daha değerli.

Teknolojiler.

  • Python
  • PyTorch
  • Jupyter
  • Bi-LSTM
  • Attention
Teknik notlar ve projenin kapsamı

Problem ve sorumluluğum

Deprem kayıtları bir zaman serisidir. Zaman serisi tahmininde iyi bilinen mimariler var. Soru şuydu: bu mimariler, geçmiş büyüklük değerlerine bakarak bir sonrakini tahmin edebilir mi?

Dört kişilik ekipteki kendi notebook’um PyTorch tabanlıdır. Ekip deposundaki TensorFlow ve Bi-GRU çalışmaları başka üyelere ait; onları kendi işim gibi göstermiyorum.

Uygulama kararları

  • 31.915 kayıtlık veri setini 20 adımlık pencerelere böldüm.
  • PyTorch ile iki model kurdum: çift yönlü LSTM ve dikkat mekanizmalı LSTM.
  • Başarıyı doğruluk (accuracy) ile değil R² ile ölçtüm — sürekli bir değeri tahmin ederken doğruluk anlamsız bir metriktir.

Sonuç ve öğrenim

Bi-LSTM R² = 0.10, dikkat mekanizmalı LSTM R² = 0.02. Yani her iki model de varyansın neredeyse tamamını açıklamakta başarısız. Sonuç: tek değişkenli bir kurulum deprem büyüklüğünü tahmin edemiyor.

Bu sayıları yukarı çekmek zor değildi — pencereleri örtüştürüp eğitim ve test setleri arasında sızıntı bırakmak, ya da metriği doğrulukla değiştirmek yeterdi. İkisi de rapora güzel bir grafik koyardı ve ikisi de yalan olurdu. Bir modelin çalışmadığını göstermek de bir bulgudur; asıl mühendislik, işe yaramayan sonucu işe yarıyor gibi göstermemektir.