في شتى أنحاء العالم، يمثل الزلزال أحد أكبر التحديات التي تواجه المجتمعات، مما يستدعي البحث المستمر عن نماذج أكثر دقة لتقييم المخاطر المرتبطة به. هنا يأتي دور TimesNet-Gen، الإطار الجديد القائم على التعلم العميق (Deep Learning) الذي يقدم حلاً مبتكرًا لتوليد الحركات الأرضية القوية. هذه التقنية تعتمد على مجموعة من البيانات الخاصة بالموقع لتحسين دقة تقييمات الارتجاجات الأرضية.

يتميز TimesNet-Gen بأنه يستخدم استراتيجية إعادة عينة قائمة على نموذج ديريشليه (Dirichlet) في الفضاء الكامن. هذه الاستراتيجية تسمح بتوليد الحركة الأرضية الخاصة بمواقع معينة مباشرة دون الحاجة إلى إدخال شروط واضحة أو تقليل الأبعاد، وهو ما يمثل قفزة نوعية في هذا المجال.

من خلال التدريب المسبق على مجموعة بيانات AFAD عبر التعلم الذاتي (Self-supervised Learning)، أثبت النموذج قدرته على التعميم عبر المناطق المختلفة بنجاح، حيث تمكن من توليد سجلات NGA-West2 لموقع معين دون الحاجة إلى أي ضبط دقيق.

تم تقييم أداء النموذج من خلال مقارنة توزيعات السجلات المولدة والواقعية في فضاء log-HVSR، جنبًا إلى جنب مع التحليل المشترك لتسارع الأرض الأقصى وتردد الموقع الأساسي.

الغريب أن النتائج أظهرت ت alignment قوي على مستوى المواقع، وتوليد متسق للحركات الأرضية عبر المناطق، مما يدل على قدرة TimesNet-Gen على الحفاظ على العلاقات الفيزيائية الأساسية بين محتوى التردد والارتفاع القمة.

هذه النتائج تعزز من قدرة TimesNet-Gen كأداة قوية في التنبؤ بحركات الزلزال، مما يسهم في تخفيض المخاطر بشكل فعّال. لمزيد من المعلومات، يمكنك الاطلاع على الكود المتاح على [Github](https://github.com/brsylmz23/TimesNet-Gen).