Artçı Şokların Şifresi скачать в хорошем качестве

Artçı Şokların Şifresi

00:00 - Giriş: Beklenmedik Bölgede Deprem ve Etkileri 00:19 - 5 Nisan 2024 New Jersey Depremi: Mw 4.8 Tewksbury Olayı 00:51 - Depremin Özellikleri ve Tarihsel Nadirliği 01:17 - Artçı Sarsıntı Tahmininin Önemi 01:47 - Klasik Coulomb Kırılma Gerilimi Yaklaşımı 02:21 - Coulomb Modelinin Sınırlılıkları ve Örnek Görsel 02:55 - Yapay Zeka Tabanlı Yeni Yaklaşım 03:11 - Derin Öğrenme Modeli: Veri Seti ve Eğitim Süreci 03:35 - Modelin Görevi ve Devrimci Yönü 03:52 - Karşılaştırmalı Sonuçlar: Coulomb vs. Yapay Zeka 04:16 - Doğruluk Skoru: AUC Değerleri 04:46 - Yapay Zekanın Keşfettiği Fiziksel Desen 05:18 - Von Mises Akma Kriteri ile Uyum 05:45 - Fiziksel Anlam ve Yeniden Keşif 06:09 - Pratik Uygulamalar ve Hayat Kurtarma Potansiyeli 06:56 - Yapay Zekanın Bilimsel Keşif Potansiyeli 07:33 - Sonuç: Gelecekteki Olanaklar Güncelleme Transkript, 5 Nisan 2024 Mw 4.8 Tewksbury (New Jersey) depremini örnek göstererek Coulomb gerilme transferi modelinin sınırlılıklarını ve derin öğrenme tabanlı bir yaklaşımın üstünlüğünü vurgular. Bu olay gerçekten meydana gelmiş olup yaklaşık 2000 artçı sarsıntı üretmiş, makine öğrenimi destekli kataloglama ile detaylı incelenmiştir. Ancak transkriptte bahsedilen Nature makalesi ve von Mises akma kriterinin doğrudan bu depreme uygulanması genel bir 2018 çalışmasına dayanır (DeVries vd., Nature 2018); o çalışma büyük depremler sonrası artçı desenlerini analiz etmiş ve yapay zekanın von Mises kriterine yakın bir stres metriği öğrendiğini göstermiştir. Coulomb modelinin düşük performansı (AUC ~0.58) ile karşılaştırıldığında derin öğrenme (AUC ~0.85) üstündür, ancak von Mises'in deprem fiziğindeki rolü mühendislik prensiplerinden türetilmiş olup kabuk malzemelerinin akma davranışı ile ilişkilendirilir. Güncel kataloglar (Beaucé vd., 2025) Tewksbury artçılarının dar, eğimli bir fay düzleminde yoğunlaştığını ve olgunlaşmamış/rough bir fay olduğunu doğrular; bu da Coulomb'un yetersiz kalabileceği immatüre fay dinamiklerini destekler. Yapay zeka tabanlı artçı tahmini operasyonel fayda sağlar fakat gerçek zamanlı yüksek çözünürlüklü kataloglarla birleştirildiğinde daha etkili olur. Referanslar 1. Beaucé, E., Waldhauser, F., Schaff, D., Kim, W.-Y., & Kolawole, F. (2025). The 5 April 2024 Mw4.8 Tewksbury, New Jersey aftershock sequence resolved with machine-learning-enhanced detection methods. *Geophysical Research Letters, 52*(12), e2024GL113598. https://doi.org/10.1029/2024GL113598 2. Bi, J., Cao, F., & Ma, Y. (2025). Seismicity characteristics based on the spatiotemporal ETAS model in North China from the perspective of different cut-off magnitude. *PLOS One, 20*(7), e0327295. https://doi.org/10.1371/journal.pone.... 3. Bregman, Y., & Rabin, N. (2018). Aftershock identification using diffusion maps. Seismological Research Letters. https://doi.org/10.1785/0220180291 4. DeVries, P. M. R., Viégas, F., Wattenberg, M., & Meade, B. J. (2018). Deep learning of aftershock patterns following large earthquakes. *Nature, 560*(7720), 632–634. https://doi.org/10.1038/s41586-018-04... 5. Vijay, R. K., Nanda, S. J., & Sharma, A. (2025). A review on clustering algorithms for spatiotemporal seismicity analysis. *Artificial Intelligence Review, 58*(231). https://doi.org/10.1007/s10462-025-11... Dipnot: Bu video özeti tamamen yukarıda belirtilen bilimsel kaynaklar temel alınarak hazırlanmıştır.