انجمن مهندسی سازه ایران مهندسی سازه و ساخت 2476-3977 12 12 2026 02 20 Detection of pulse-type earthquakes using machine learning algorithms: A novel approach to improve detection and accuracy تشخیص زلزله‌های پالس‌گونه با بهره گیری از الگوریتم های یادگیری ماشین: رویکردی نوین برای بهبود دقت شناسایی و ارزیابی 134 162 224611 10.22065/jsce.2025.500882.3632 FA حسین زنگنه کارشناس ارشد، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران حمید صفاری دانشیار، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران 0000-0001-5058-3177 Journal Article 2025 02 28 Pulse liked accelerograms, characterized by large amplitude and short duration pulses, significantly affect the dynamic response of structures. Accurate simulation of these types of earthquakes and analysis of their effects on structures and infrastructure are key requirements in earthquake engineering. In assessing the seismic hazards of a region, pulsed liked accelerograms are considered an important indicator because they can significantly increase the seismic hazard level. Modern methods such as wavelet transform can be used to accurately identify velocity pulses and extract key features from the earthquake time history. Also, recent advances in the field of machine learning have enabled more accurate classification of earthquake accelerograms. Machine learning algorithms, with their continuous learning and automatic updating capabilities, are effective tools for accurate detection and classification of seismic events. In this study, in order to identify pulse-type earthquakes, 60 seismic records from Iran with high acceleration and velocity were selected and analyzed. Using an approach that combines wavelet analysis to extract key signal features with the random forest machine learning algorithm, 11 events were classified as pulse-type earthquakes. This combined wavelet transform and machine learning method showed a high ability to recognize the distinctive features of pulse-type earthquakes. Performance evaluation of the algorithms used showed that the random forest, classification boosting, and extreme gradient boosting methods have very favorable performance in classifying pulse-type accelerograms with an accuracy of 0.94. These results indicate the high potential of machine learning in analyzing and classifying seismic data, which can play an effective role in risk management and structural retrofitting design. شتاب‌نگاشت‌های پالس‌گونه، با ویژگی پالس‌هایی با دامنه بزرگ و مدت‌زمان کوتاه، به‌طور چشمگیری بر پاسخ دینامیکی سازه‌ها تأثیر می‌گذارند. شبیه‌سازی دقیق این نوع زلزله‌ها و تحلیل اثرات آن‌ها بر سازه‌ها و زیرساخت‌ها، از جمله الزامات کلیدی در مهندسی زلزله به شمار می‌رود. در ارزیابی خطرات لرزه‌ای یک منطقه، شتاب‌نگاشت‌های پالس‌گونه به‌عنوان یک شاخص مهم مدنظر قرار می‌گیرند، زیرا می‌توانند به‌طور قابل‌توجهی سطح خطر لرزه‌ای را افزایش دهند. از روش‌های نوین مانند تبدیل موجک می‌توان برای شناسایی دقیق پالس‌های سرعت و استخراج ویژگی‌های کلیدی از تاریخچه زمانی زلزله بهره برد. همچنین، با پیشرفت‌های اخیر در حوزه یادگیری ماشین، امکان طبقه‌بندی دقیق‌تر شتاب‌نگاشت‌های زلزله فراهم شده است. الگوریتم‌های یادگیری ماشین، با قابلیت یادگیری مستمر و به‌روزرسانی خودکار، ابزارهای مؤثری برای تشخیص و طبقه‌بندی دقیق رویدادهای لرزه‌ای محسوب می‌شوند. در این پژوهش، به‌منظور شناسایی زلزله‌های پالس‌گونه، 60 رکورد لرزه‌ای از ایران که دارای شتاب و سرعت بالا بودند، انتخاب و تحلیل شدند. با استفاده از رویکردی که تحلیل موجک را برای استخراج ویژگی‌های کلیدی سیگنال با الگوریتم یادگیری ماشین جنگل تصادفی ترکیب می‌کند، 11 رویداد به‌عنوان زلزله‌های پالس‌گونه طبقه‌بندی شدند. این روش تلفیقی تبدیل موجک و یادگیری ماشین توانایی بالایی در تشخیص ویژگی‌های متمایز زلزله‌های پالس‌گونه از خود نشان داد. ارزیابی عملکرد الگوریتم‌های مورد استفاده حاکی از آن است که روش‌های جنگل تصادفی، تقویت طبقه‌بندی و تقویت گرادیان شدید با دقت بالای94/0 عملکرد بسیار مطلوبی در طبقه‌بندی شتاب‌نگاشت‌های پالس‌گونه دارند. این نتایج نشان‌دهنده پتانسیل بالای یادگیری ماشین در تحلیل و طبقه‌بندی داده‌های لرزه‌ای است که می‌تواند نقش مؤثری در مدیریت ریسک و طراحی مقاوم‌سازی سازه‌ها ایفا کند. https://www.jsce.ir/article_224611_017ea46a2848f450a373ab90e07a006f.pdf