توسعه مدل یادگیری ماشین برای تحلیل و پیشبینی آسیبهای زلزلههدف از این پروژه، توسعه یک مدل یادگیری ماشین قابل فهم و کارآمد برای پیشبینی آسیبهای ناشی از زلزله به ساختمانها در منطقه هاتای ترکیه است. مدل باید بهگونهای طراحی شود که نتایج آن بتوانند به صورت مستند و سادهسازی شده به آییننامه زلزله ترکیه پیشنهاد شوند.
جزئیات:
تمیزسازی دادهها:
دادههای لرزهنگاری شامل شتاب اوج زمین (PGA)، سرعت اوج زمین (PGV)، و دادههای آسیب ساختمان (سال ساخت، تعداد طبقات، نوع سازه و غیره) باید تمیزسازی شوند.
این بخش از کد باید در یک سلول جداگانه در Google Colab ارائه شود.
توسعه مدل یادگیری ماشین:
استفاده از تکنیکهای یادگیری ماشین (Random Forest، XGBoost، یا شبکههای عصبی).
هدف رسیدن به دقت پیشبینی حداقل R²=80% است.
تمام فرآیند کدنویسی در این بخش باید در یک سلول جداگانه قرار گیرد و قابل اجرا به صورت مستقل باشد.
ایجاد نمودار گلسباکس سادهشده:
تولید نمودارهای قابل توضیح برای نشان دادن تأثیر متغیرهای ورودی بر نتایج مدل (Tree SHAP یا ابزارهای مشابه).
نمودارها باید به زبان ساده و قابل درک برای متخصصان آییننامه و سیاستگذاران ارائه شوند.
گزارش نتایج:
نمایش مقادیر ارزیابی مدل (R²، MSE، RMSE) در یک سلول جداگانه.
نمودارهای بصریسازی ساده برای نتایج پیشبینی و تحلیل آسیب.
ساختار کد:
کدها در Google Colab باید به صورت ماژولار باشند:
بخش تمیزسازی دادهها
آموزش مدل
نمایش نتایج و نمودارها
هر بخش باید مستقل اجرا شود و در یک فایل Colab قابل ارائه باشد.
مستندسازی:
مستندات باید شامل توضیحی گامبهگام از فرآیندها و تصمیمگیریها باشد.
پیشنهادات عملی برای بهبود آییننامه زلزله ترکیه، مبتنی بر نتایج مدل، باید در بخش جداگانهای از گزارش ارائه شوند.
خروجیها:
فایل Google Colab با ساختار بخشبندیشده و قابل اجرا.
نمودار گلسباکس سادهشده و مناسب برای ارائه به سیاستگذاران.
مستندات جامع به صورت PDF شامل فرآیندها و نتایج پروژه.
مهارتهای مورد نیاز:
تجربه در یادگیری ماشین و هوش مصنوعی.
تسلط بر Python و Google Colab.
آشنایی با دادههای لرزهنگاری و استانداردهای آییننامه زلزله.
توانایی مستندسازی حرفهای.