MACHINE LEARNING-BASED GROUND MOTION PREDICTION MODELS FOR WEST JAVA, INDONESIA. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Final_Thesis_Andy.pdf Restricted to Repository staff only until 2 January 2026. Download (6MB)

Arabic Abstract

إندونيسيا، واحدة من أكثر الدول عرضة للزلازل في العالم، تعمل حاليًا على تطوير نظام الإنذار المبكر للزلازل (EEW). يعتمد أحد المكونات الرئيسية لهذا النظام، وهو نظام الإنذار المبكر الإقليمي (Regional EEW)، على نماذج التنبؤ بحركة الأرض (GMPMs) لإصدار تنبيهات للمستخدمين النهائيين. ومع ذلك، في جاوة الغربية، وهي إحدى المناطق التجريبية لهذا المشروع، هناك نقص في نماذج GMPMs الخاصة بالمنطقة، وهي ضرورية للتحذيرات المبكرة الدقيقة .تقليديًا، تُطوَّر نماذج GMPMs باستخدام الانحدار الخطي المستند إلى معادلات رياضية معقدة وقيم معاملات محددة مسبقًا. ولكن التعلم الآلي يوفر ميزة تجاوز الحاجة إلى معادلات محددة مسبقًا، والقدرة على التقاط السلوك غير الخطي الموجود في بيانات حركة الأرض بشكل فعال. لمعالجة هذه الفجوة، قمنا بتقييم ثلاثة خوارزميات تعلم آلي: التعزيز التصنيفي (Categorical Boosting - CB)، التعزيز التدريجي (Gradient Boosting - GB)، والغابات العشوائية (Random Forest - RF)، لتطوير نماذج GMPMs لثلاث فئات تكتونية: الزلازل القشرية الضحلة (Shallow-crustal)، وزلازل الحدود التكتونية (Interface)، والزلازل داخل اللوح التكتوني (Intraslab).استخدمت هذه النماذج للتنبؤ بالتسارع الأقصى للأرض (PGA) في جاوة الغربية، باستخدام 3561 تسجيلًا قويًا لحركة الأرض من 365 زلزالًا تتراوح قوتها بين 2.4 و7، وبمسافات بين المركز السطحي للزلزال ونقاط القياس بين 5.5 و867 كم، مسجلة منذ عام 2010. أظهرت النتائج أن نموذج التعزيز التصنيفي (Categorical Boosting) تفوق على النماذج الأخرى في جميع الفئات التكتونية الثلاث، حيث حقق أدنى قيم لمتوسط الخطأ التربيعي (0.72، 0.48، 0.69)، وأدنى انحراف معياري للبواقي (0.85، 0.69، 0.83)، وأعلى معامل ارتباط بيرسون (0.86، 0.90، 0.91)، وأعلى معامل تحديد (0.75، 0.81، 0.82) لفئات الزلازل القشرية الضحلة، والحدودية، وداخل اللوح التكتوني على التوالي، مما يدل على دقة قوية في التنبؤ بـ PGA. تم التحقق من صحة النموذج باستخدام بيانات زلازل حديثة من عام 2024، وأظهرت النتائج توافقًا جيدًا مما أكد متانته. وكانت المسافة بين المركز السطحي للزلزال وحجمه الزلزالي من أكثر العوامل تأثيرًا في التنبؤ بـ PGA من بين ستة متغيرات تفسيرية استخدمت في هذه الدراسة .تسلط هذه النتائج الضوء على إمكانات نماذج التعلم الآلي في تحسين دقة التنبؤ بهزات الأرض، مما يساهم في نجاح نظام الإنذار المبكر للزلازل في إندونيسيا. الكلمات المفتاحية: تنبؤ حركة الأرض، زلازل، تعلم آلي، نظام الإنذار المبكر للزلازل في إندونيسيا

English Abstract

Indonesia, one of the most earthquake-prone countries in the world, is currently developing an Earthquake Early Warning (EEW) system. A key component of this system, the Regional EEW, relies on Ground Motion Prediction models (GMPMs) to issue end-user alerts. However, in West Java, one of the pilot regions for this project, there is a lack of region-specific GMPMs essential for accurate early warnings. Traditionally, GMPMs are developed using linear regression based on complex, predefined mathematical equations and coefficients. However, Machine learning offers the advantages of bypassing the need for predefined equations and effectively capturing the nonlinear behavior present in ground motion data. To address this gap, we evaluated three machine learning algorithms (i.e. Categorical Boosting [CB], Gradient Boosting [GB], and Random Forest [RF]) to develop GMPMs for three tectonic categories: Shallow-crustal, Interface, and Intraslab. These models were used to predict Peak Ground Acceleration (PGA) in West Java, utilizing 3561 strong ground motion records from 383 earthquakes with moment magnitude ranging from 2.4 to 7 and epicentral distance between 5.5 to 867 km, recorded since 2010. Our results show that The Categorical Boosting model outperformed the others across all three tectonic categories, with the lowest Mean Squared Error values (0.72, 0.48, 0.69), and Standard Deviation of Residuals (0.85, 0.69, 0.83), as well as the highest Pearson correlation coefficient-value (0.86, 0.90, 0.91) and Coefficient of Determination (0.75, 0.81, 0.82) for Shallow-crustal, Interface, and Intraslab events, respectively, demonstrating strong accuracy in predicting PGA. The model was further validated with recent earthquake data and from 2024 showing good agreement and confirming its robustness. Epicentral Distance and Moment Magnitude were the most influential in predicting PGA among the six explanatory variables used in this study. These findings highlight the potential of machine learning models to improve the accuracy of ground-shaking predictions, contributing to Indonesia's Earthquake Early Warning System (EEWS) success. Keywords: Ground Motion Prediction, Earthquake, Machine Learning, Indonesia's Earthquake Early Warning System

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Kaka, SanLinn
Committee Members:	Koeshidayatullah, Ardiansyah and Dia, Ben Mansour
Depositing User:	ANDY RACHMADAN (g202208460)
Date Deposited:	05 Jan 2025 10:31
Last Modified:	05 Jan 2025 10:31
URI:	http://eprints.kfupm.edu.sa/id/eprint/143218