Integrierte seismische Modellierung zur Risikobewertung von Kernkraftwerken in Serpong: Einsatz hybrider maschineller Lernverfahren mit Clustering und Support Vector Machine Methoden

Zusammenfassung Die Suche nach sauberer und nachhaltiger Energie in Indonesien hat den Fokus auf Kernenergie verstärkt und Serpong in Westjava als potenziellen Standort positioniert. Während frühere Studien die regionale Seismizität adressierten, bleibt eine umfassende, hochauflösende seismische Gefährdungsbewertung – entscheidend für die Sicherheit von Kernkraftwerken (KKW) – unterentwickelt. Diese Studie schließt die Lücke durch die Implementierung eines hybriden maschinellen Lernrahmens, der DBSCAN, hierarchisches Clustering und Support Vector Machine (SVM) integriert, um seismische Quellenbereiche zu definieren und die Aktivität von Verwerfungen zu bewerten. Unsere Methodik nutzt einen aktualisierten Erdbebenkatalog bis 2024 und beinhaltet neu identifizierte seismische Quellen zur Verbesserung der Clustering-Genauigkeit. Die Analyse definiert 12 unterschiedliche seismische Zonen mit heterogenen Magnituden- und Tiefenverteilungen und identifiziert spezifische Hochrisikogebiete. Die Gutenberg-Richter-Analyse zeigt anomal niedrig b-Werte in diesen Zonen, was auf ein erhöhtes Potenzial für Erdbeben großer Magnituden hinweist. Darüber hinaus erfasst das SVM-Modell erfolgreich komplexe, nicht-lineare seismische Muster, was die Vorhersagegenauigkeit der Gefährdung wesentlich verbessert. Die Ergebnisse liefern entscheidende, datenbasierte Erkenntnisse für fundierte Standortwahl, widerstandsfähige Strukturgestaltung und proaktive Risikominderungsstrategien. Das vorgeschlagene Rahmenwerk etabliert ein robustes und übertragbares Paradigma für vorläufige seismische Gefährdungsbewertungen kritischer Infrastrukturen in seismisch aktiven Regionen weltweit.