چکیده
کاملاً مشخص شده که دامنه کاربرد یک مدل تجربی پیش بینی جنبش زمین توسط دامنه¬ی متغیرهای پیش بینی کننده ای که داده های مورد استفاده در تحلیل را شامل می شوند، محدود می شود. اگرچه، در تحلیل خطرات احتمالی ناشی از زلزله (PSHA)، محدودیت های استفاده از مدل های پیش بینی جنبش زمین (GMPMs) اغلب نادیده گرفته می شوند، و روابط تجربی برون¬یابی می شوند. در این مقاله، نشان می دهیم که این برون¬یابی موجب افزایش زیاد عدم قطعیت در GMPM هنگام استفاده از آن برای پیش بینی پارامترهای شدت می شود. این افزایش، که مشخصاً ماهیت شناختی دارد، به فرم عملکردی انتخابی، ماتریس کوواریانس ضرایب رگرسیون، تکنیک های رگرسیون مورد استفاده، و کیفیت مجموعه داده ها بستگی دارد. به علاوه، به وسیله مثال هایی از پایگاه داده¬ی پروژه¬ی نسل بعدی مدل های تضعیف جنبش زمین و برخی فرم های عملی مساعد، افزایش خطرات زلزله ای به وجود آمده از برون¬یابی GMPM ها را بررسی می کنیم.
مقدمه
از آنجایی که وقوع زلزله های شدت کم و متوسط بیشتر از وقوع حوادث زمین لرزه ای بزرگ است، بیشتر پایگاه داده های جنبش زمین که در توسعه GMPM استفاده می شوند، اساساً دربردارنده شتاب نگاشت های ایجاد شده توسط زلزله های کوچک و متوسط است. در نتیجه، هرچه اندازه افزایش می یابد، مجموعه داده های جنبش های زمین پراکنده می شوند. به عنوان مثال، در پایگاه داده مورد استفاده در پروژه نسل بعدی مدل های تضعیف جنبش زمین تنها 5 زلزله با M_w>7.5 وجود دارد و دوتا از آنها فقط دو ثبت به ازای زلزله دارند. برای حوادث با M_w>6 دامنه فواصلی که این داده ها بین 30 تا 200 کیلومتر است، اگرچه مجموعه در این دامنه به وضوح پراکنده می شود. از این گذشته، پایگاه داده در فرکانس های کمتر از 0.33 هرتز، پراکنده تر نیز می شود. مشابه این عدم وجود داده، در سایر نواحی زلزله خیز مشاهده می شود. پایگاه داده جنبش زمین برای ناحیه فرورانش مکزیک تنها شامل 2 رویداد با M_w>7.5 و دو رویداد با بزرگی بین 7 تا 7.5 است. به علاوه، هیچ داده ای برای Mw بین 6.1 تا 6.5 وجود ندارد و داده ها برای فواصل بزرگتر از 200 کیلومتر پراکنده می شوند.
It is well understood that the range of application for an empirical groundmotion prediction model is constrained by the range of predictor variables covered in the data used in the analysis. However, in probabilistic seismic hazard analysis (PSHA), the limits in the application of ground-motion prediction models (GMPMs) are often ignored, and the empirical relationships are extrapolated. In this paper, we show that this extrapolation leads to a quantifiable increment in the uncertainty of a GMPM when it is used to forecast a future value of a given intensity parameter. This increment, which is clearly of epistemic nature, depends on the adopted functional form, on the covariance matrix of the regression coefficients, on the used regression technique, and on the quality of the data set. In addition, through some examples using the database of the Next Generation of Ground-Motion Attenuation Models project and some currently favored functional forms we study the increment in the seismic hazard produced by the extrapolation of GMPMs.
INTRODUCTION
Since the occurrence of small- and moderate-magnitude earthquakes is more frequent than the occurrence of large seismic events, most of ground-motion databases used in the development of GMPMs are primarily comprised of accelerograms produced by small and moderate earthquakes. Hence, as magnitude increases, the sets of ground motions become sparse. For instance, in the database used in the Next Generation of Ground-Motion Attenuation Models project (NGA; Power et al. 2008 and Chiou et al. 2008) there are only five earthquakes with Mw > 7.5 and two of them yielded only two recordings per earthquake. For events with Mw < 6, the range of distances covered by the data is between 30 km and 200 km, while for large magnitude events the range of distances covered by the data is between 1 and 300 km, although the set is clearly sparse in this range of magnitudes (see Figure 2 in Chiou et al. 2008). Moreover, the database becomes even sparser for frequencies smaller than 0.33 Hz. The same lack of data is observed in other seismic regions. The ground-motion database for the Mexican subduction zone includes only two events with Mw > 7.5 and two events with magnitudes between 7 and 7.5. Furthermore, there are no data for Mw between 6.1 and 6.5 and the data become sparse for distances greater than 200 Km (Arroyo et al. 2010).
مقدمه
روش
انتخاب مجموعه داده (بانک اطلاعاتی)
فرم های عملی
تحلیل رگرسیون
محاسبات PSHA
نتایج
INTRODUCTION
METHOD
DATA SET SELECTION
FUNCTIONAL FORMS
REGRESSION ANALYSIS
PSHA COMPUTATIONS
CONCLUSIONS