التنبؤ بالزلازل باستخدام شبكات CNN-BiLSTM: دمج المنطق الضبابي والتعلم المعزز لتحسين إدارة عدم اليقين

يظل التنبؤ بالزلازل من التحديات الشاقة، ويرجع ذلك بشكل أساسي إلى عدم اليقين التأصلي (الذاتي) في الأحداث الزلزالية. وللمعالجة ذلك، يُقدم هذا البحث نهجاً هجيناً مبتكراً يجمع بين البنيات المعمارية للتعلم العميق (DL) والأنظمة الذكية القائمة على القواعد.يعتمد هذا النموذج على الشبكات العصبية التلتفيفية (CNN) للتعرف على الأنماط المكانية، وشبكات الذاكرة القصيرة وطويلة المدى ثنائية الاتجاه (BiLSTM) ونمذجة التسلسلات الزمنية. كما يُسهم نظام الاستدلال الضبابي (FIS) في إدارة عدم اليقين في التنبؤات. وبإستخدام وكيل ذكي قائم على التعلم الآلي الخوارزمي (Q-learning)، يتم ضبط قاعدة القواعد الضبابية ديناميكياً بهدف تحسين الأداء بمرور الوقت.تم تدريب النموذج على مجموعة بيانات تضم 11,442 حدثاً زلزالياً. وأظهرت النتائج التجريبية تحسناً ملحوظاً في الأداء، حيث سجل النموذج متوسط خطأ مطلق (MAE) قدره 0.014، وجذر متوسط مربع الخطأ (RMSE) بأقل قيمة بلغت 0.019، بالإضافة إلى معامل تحديد ($R^2$) بـ 0.89 (مما يفسر 89% من تباين البيانات). تُثبت هذه النتائج القدرة الفائقة للإطار المقترح على التحكم في عدم اليقين، مما يوفر رؤى قيمة فيما يتعلق بالحد الاستباقي من المخاطر.