Email alert
RSS
优先发表
优先发表栏目展示本刊经同行评议确定正式录用的文章，这些文章目前处在编校过程，尚未确定卷期及页码，但可以根据DOI进行引用。
显示方式:
, 最新更新时间 , doi: 10.11899/zzfy20240231
摘要
HTML全文
PDF 6692KB
摘要:
交通振动对古建筑的结构健康和长期稳定性构成了潜在威胁，尤其在现代城市环境中，交通荷载频繁且多样化，因此引入了一种结合时域分析的频率切片小波变换（Frequency Slice Wavelet Transform, FSWT ，FSWT）分析法，系统性地研究交通振动对古建筑的影响。首先，对清远楼进行了现场振动测试，采用时域分析对交通振动信号进行初步处理，获取振动响应的基本特性；通过FSWT分析法对信号进行详细的时频分析，揭示振动信号的频率特性及其随时间变化的规律，分解出各个频率成分在不同时间段的能量分布，最后，建立有限元模型进一步验证其方法的可靠性。研究结果显示：以时频能量为参考值更能反映出振动信号的实际变化规律及结构最易受影响的位置，即交通振动在古建筑中的传播具有明显的层次性特征：0～10 Hz频段的振动能量随着高度增加而逐渐增大，在10～20 Hz频段，振动能量主要集中在台基结构，且随着频率的升高，能量逐渐集中于台基底部。此外，分析结果还揭示了木结构与台基在动态响应中的差异，为交通振动对古建筑的影响分析及易损部位的识别提供了科学依据。
交通振动对古建筑的结构健康和长期稳定性构成了潜在威胁，尤其在现代城市环境中，交通荷载频繁且多样化，因此引入了一种结合时域分析的频率切片小波变换（Frequency Slice Wavelet Transform, FSWT ，FSWT）分析法，系统性地研究交通振动对古建筑的影响。首先，对清远楼进行了现场振动测试，采用时域分析对交通振动信号进行初步处理，获取振动响应的基本特性；通过FSWT分析法对信号进行详细的时频分析，揭示振动信号的频率特性及其随时间变化的规律，分解出各个频率成分在不同时间段的能量分布，最后，建立有限元模型进一步验证其方法的可靠性。研究结果显示：以时频能量为参考值更能反映出振动信号的实际变化规律及结构最易受影响的位置，即交通振动在古建筑中的传播具有明显的层次性特征：0～10 Hz频段的振动能量随着高度增加而逐渐增大，在10～20 Hz频段，振动能量主要集中在台基结构，且随着频率的升高，能量逐渐集中于台基底部。此外，分析结果还揭示了木结构与台基在动态响应中的差异，为交通振动对古建筑的影响分析及易损部位的识别提供了科学依据。
, 最新更新时间 , doi: 10.11899/zzfy20250146
摘要:
为了探索和建立适用于我国的现地峰值加速度（PGA）预测模型，以及提高现地PGA预测的可靠性，本研究提出了一种基于时空图神经网络的现地PGA预测模型（TSGNN-PGA），并采用中国强震数据对TSGNN-PGA模型进行训练和测试。测试结果表明：P波触发后3s，和Pd-PGA方法相比，TSGNN-PGA模型对于PGA预测有更小的平均绝对误差（MAE）和标准差（STD），以及更大的决定系数，且分别为0.205、0.261和0.688；同时，和Pd-PGA方法相比，在不同的震中距、震级和信噪比范围下，TSGNN-PGA模型对于PGA预测有更小的MAE和STD，这意味着TSGNN-PGA模型对于震中距、震级和信噪比的敏感性更弱，且受影响更小。此外，在漾濞6.4级地震、芦山6.1级地震和积石山6.2级地震中，与Pd-PGA方法相比，TSGNN-PGA模型对于PGA预测表现出更强的鲁棒性。可以推断，TSGNN-PGA模型在一定程度上可以提高我国现地PGA预测的可靠性，且对于地震预警有着重要意义。
为了探索和建立适用于我国的现地峰值加速度（PGA）预测模型，以及提高现地PGA预测的可靠性，本研究提出了一种基于时空图神经网络的现地PGA预测模型（TSGNN-PGA），并采用中国强震数据对TSGNN-PGA模型进行训练和测试。测试结果表明：P波触发后3s，和Pd-PGA方法相比，TSGNN-PGA模型对于PGA预测有更小的平均绝对误差（MAE）和标准差（STD），以及更大的决定系数，且分别为0.205、0.261和0.688；同时，和Pd-PGA方法相比，在不同的震中距、震级和信噪比范围下，TSGNN-PGA模型对于PGA预测有更小的MAE和STD，这意味着TSGNN-PGA模型对于震中距、震级和信噪比的敏感性更弱，且受影响更小。此外，在漾濞6.4级地震、芦山6.1级地震和积石山6.2级地震中，与Pd-PGA方法相比，TSGNN-PGA模型对于PGA预测表现出更强的鲁棒性。可以推断，TSGNN-PGA模型在一定程度上可以提高我国现地PGA预测的可靠性，且对于地震预警有着重要意义。
, 最新更新时间 , doi: 10.11899/zzfy20250125
摘要:
长周期地震动因具有丰富的低频成分而易使超高层建筑、大跨桥梁、大型生命线工程等长周期结构产生震害，根据形成机制与特征不同，可分为近场长周期地震动和远场长周期地震动两大类。目前对于长周期地震动的界定方法尚未有统一标准，现有方法多根据单一参数判定，无法表征长周期地震动的复杂特性，且缺少对不同类型长周期地震动的界定。鉴于此，本文从人工多角度提取特征和自动拾取时空联合特征两个角度，分别基于机器学习和深度学习搭建PCA-SVM模型和CNN-LSTM-Attention模型，实现了对近、远场长周期地震动的高效判别，在测试集上分别达到了96.57%和97.06%的准确率。结果表明，本文提出的两种分类模型对近、远场长周期地震动均有较好的判别效果，且相较于传统方法更具优越性，可为长周期地震动的识别与选取提供参考。
长周期地震动因具有丰富的低频成分而易使超高层建筑、大跨桥梁、大型生命线工程等长周期结构产生震害，根据形成机制与特征不同，可分为近场长周期地震动和远场长周期地震动两大类。目前对于长周期地震动的界定方法尚未有统一标准，现有方法多根据单一参数判定，无法表征长周期地震动的复杂特性，且缺少对不同类型长周期地震动的界定。鉴于此，本文从人工多角度提取特征和自动拾取时空联合特征两个角度，分别基于机器学习和深度学习搭建PCA-SVM模型和CNN-LSTM-Attention模型，实现了对近、远场长周期地震动的高效判别，在测试集上分别达到了96.57%和97.06%的准确率。结果表明，本文提出的两种分类模型对近、远场长周期地震动均有较好的判别效果，且相较于传统方法更具优越性，可为长周期地震动的识别与选取提供参考。
