Izvorni znanstveni članak
https://doi.org/10.17794/rgn.2026.5.14
FIZIČKI POTAKNUTE NEURONSKE MREŽE ZA SIMULACIJU CUNAMIJA NA OTVORENOME MORU IZAZVANIH POTRESOM NA JUŽNOJ JAVI 2006.
Sorja Koesuma
; Sebelas Maret University, Department of Physics, Surakarta, Indonesia
*
Arnida Lailatul Latifah
; National Research and Innovation Agency (BRIN), Research Center for Computing, Cibinong, Indonesia
Angger Zufan Hanggara
; Sebelas Maret University, Department of Physics, Surakarta, Indonesia
Ahmad Fauzi Pohan
; Andalas University, Department of Physics, Padang, Indonesia
Sismanto Sismanto
; Gadjah Mada University, Department of Physics, Yogyakarta, Indonesia
Budi Eka Nurcahya
; Gadjah Mada University, Department of Physics, Yogyakarta, Indonesia
Sugeng Purwo Saputro
; National Research and Innovation Agency (BRIN), Research Center for Geological Resources, Jakarta, Indonesia
Rian Amukti
; National Research and Innovation Agency (BRIN), Research Center of Geological Disaster, Jakarta, Indonesia
* Dopisni autor.
Sažetak
Ovo istraživanje prikazuje usporednu analizu između konvencionalnoga numeričkog modela COMCOT i fizički potaknutih neuronskih mreža (PINN) za simulaciju valova cunamija izazvanih potresom na Javi 17. srpnja 2006. godine (Mw 7,7). Okvir PINN-a bez mreže (mesh-free) integrira nelinearne plitkovodne jednadžbe izravno u funkciju gubitka om gućujući simulacije bez prostorne diskretizacije. Model je treniran za predviđanje polja visine valova primjenjujući početne uvjete dobivene iz Okadina modela rasjeda. Rezultati pokazuju da PINN model točno reproducira referentni COMCOT model uspješno hvatajući početno formiranje cunamija i kasniju dinamiku širenja. Ključne kvantitativne metrike, uključujući koeficijente korelacije (iznad 0,98 tijekom većine simulacije) i prostornu distribuciju pogreške (srednja apsolutna postotna pogreška <5 % u otvorenome oceanu), potvrđuju visoku točnost modela. Posebno je važno istaknuti da nakon treniranja PINN model generira cijelo polje visine valova za manje od jedne sekunde, što predstavlja znatnu operativnu prednost u odnosu na klasične numeričke metode temeljene na mreži. Unatoč blagom učinku zaglađivanja u obalnim područjima s velikim gradijentima, studija zaključuje da je PINN pouzdana i točna alternativa bez mreže, s velikim potencijalom za buduću primjenu u brzoj procjeni rizika od cunamija i integraciji podataka u sustave ranoga upozoravanja, pri čemu je potpuna primjena u stvarnome vremenu istaknuta kao ključni smjer budućih istraživanja.
Ključne riječi
modeliranje; COMCOT; PINN; nelinearna jednadžba plitke vode; strojno učenje
Hrčak ID:
352893
URI
Datum izdavanja:
27.10.2026.
Posjeta: 0 *