دانلود ترجمه مقاله پیش بینی زلزله بر اساس تقسیم جامعه (ساینس دایرکت – الزویر 2018) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

پیش بینی زلزله بر اساس تقسیم جامعه

Earthquake Prediction Based on Community Division

چکیده

1- مقدمه

2- ساخت شبکه زلزله

A- استراتژی 1

B- استراتژی 2

3- الگوریتم تقسیم بندی جامعه

4- تحلیل شبیه سازی

5- نتیجه گیری

چکیده

در حوزه تاثیر زمان- فضا، دو شبکه زلزله وزندار جهت دار براساس تعداد زلزله و ماکزیمم دامنه کالیفرنیای جنوبی، ساختاربندی شده است. روش پیش بینی زلزله مبتنی بر مینیموم وزن لبه است. با الگوریتم تقسیم بندی جامعه CNM ( روش تشخیص جامعه)، شبکه به جوامع مختلفی تقسیم شده است و 10 جامعه برتر مطابق تعداد گره ها انتخاب می شوند. بالاخره، صحت شبکه تقسیم شده و شبکه فاقد تقسیم بندی جامعه را باهم مقایسه می کنیم. نتایج شبیه سازی نشان می دهد که تقسیم بندی جامعه، صحت پیش بینی زلزله را بهبود می بخشد.

5- نتیجه گیری

در این مقاله، دو شبکه زلزله وزندار و جهتدار مبتنی بر حوزه تاثیر زمان- فضا تولید می کنیم. استراتژی 1 بر مبنای تعداد زلزله و استراتژی 2 برمبنای ماکزیمم دامنه است. سپس، با ترکیب اینها با الگوریتم تقسیم بندی جامعه CNM، شبکه به جوامع مختلفی تقسیم شده و 10 جامعه برتر را مطابق تعداد گره ها انتخاب می کنیم. بدیهی است 10 جامعه برتر شبکه محتوی اکثر گره ها هستند، زیرا هر چه مینیموم وزن لبه کوچکتر باشد، به همان نسبت تعداد لبه های شبکه زلزله بیشتر است. بنابراین، برای مطالعه بهترصحت پیش بینی زلزله، با تغییرتعداد زلزله، زلزله را براساس مینیموم وزن لبه پیش بینی می کنیم. با وجود تعداد زیاد گره های جامعه، تعداد زلزله متناسب با تعداد گره ها است. بنابراین، برای مطالعه بهتر تاثیر تقسیم بندی جامعه بر صحت پیش بینی زلزله، این مقاله صحت پیش بینی و تعداد زلزله ها را نرمال نموده و آنها را با صحت پیش بینی بدون تقسیم بندی جامعه مقایسه می نماید. شبیه سازیها نشان می دهند که با تقسیم بندی جامعه، صحت پیش بینی زلزله شبکه را می توان افزایش داد.

Abstract

In time-space influence domain, two directed weighted earthquake network are structured based on the earthquake number and the maximum magnitude of Southern California. The earthquake prediction method is proposed based on the minimum edge weight. By CNM (community detection method) community division algorithm, the network is divided into several communities and the top 10 communities can be selected according to the number of nodes. Finally, we compare the accuracy of the divided network with the network without community division. The simulation results show that the community division can improve the accuracy of the earthquake prediction.

V- CONCLUSION

In this paper, we generate two directed weighted earthquake networks based on time-space influence domain. Strategy 1 is based on the earthquake number. Strategy 2 is based on the maximum magnitude. Then combining with the CNM community division algorithm, the network is divided into several communities and we select the top 10 communities according to the number of nodes. It is obvious that the top 10 communities of the network contain most nodes. Because the smaller the minimum edge weight is, the more the edge of the earthquake network is. So in order to better study the earthquake prediction accuracy as the earthquake number changes, we make earthquake prediction based on the minimum edge weight. Although there are many community nodes, the number of earthquake is not proportional to the number of nodes. So in order to better study the influence of community division on the earthquake prediction accuracy, this paper normalizes the prediction accuracy and the earthquakes number, and compares with the prediction accuracy without community division. The simulations show that the network earthquake prediction accuracy can be improved by community division.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی زلزله بر اساس تقسیم جامعه

Earthquake Prediction Based on Community Division