Email alert
RSS
最新录用
显示方式:
, 最新更新时间 , doi: 10.11899/zzfy20250160
摘要
PDF 523KB
摘要:
地震行业标准DB/T 93《活动断层探查 成果报告编写规则》分为3个部分，已经全部发布实施。该标准对成果报告进行分类，分为项目总报告（含竣工报告、技术报告和成果简本）和专题工作报告（涵盖9种专题），规定了各类报告名称的两段式复合法命名规则。在结构要素上，采用模块化思路将报告分为前置、正文和结尾部分，并对各部分内容、行文规范以及图表、公式等进行细化规定。项目总报告从总体展示项目情况，不同类型报告在内容和章节设置上各有侧重；专题工作报告详细体现专题工作信息，部分专题还要求进行不确定性讨论。本文将从标准的编制背景、条文内容和实施建议等方面进行解读。
地震行业标准DB/T 93《活动断层探查 成果报告编写规则》分为3个部分，已经全部发布实施。该标准对成果报告进行分类，分为项目总报告（含竣工报告、技术报告和成果简本）和专题工作报告（涵盖9种专题），规定了各类报告名称的两段式复合法命名规则。在结构要素上，采用模块化思路将报告分为前置、正文和结尾部分，并对各部分内容、行文规范以及图表、公式等进行细化规定。项目总报告从总体展示项目情况，不同类型报告在内容和章节设置上各有侧重；专题工作报告详细体现专题工作信息，部分专题还要求进行不确定性讨论。本文将从标准的编制背景、条文内容和实施建议等方面进行解读。
, 最新更新时间 , doi: 10.11899/zzfy20250124
摘要:
基于简单线性关系的分析方法在表征地震动影响因素时，往往导致预测结果与实测数据存在显著偏差。为克服这一局限性，本文基于生成式神经网络无需依赖先验地震学知识即可自动提取特征并生成完整地震动时程的优势，系统评估了三种典型生成式神经网络模型（变分自编码器VAE、生成对抗网络GAN和去噪扩散概率模型DDPM）在地震动模拟中的性能表现。研究采用PEER数据库中的1, 451条水平向地震动记录（源自23次独立地震事件）作为训练数据集，对三种模型进行统一训练和对比分析。模拟结果时域和频域的综合评估结果表明：三种模型中，DDPM展现出最优的模拟性能，GAN次之，而VAE表现相对欠佳。值得注意的是，GAN模拟结果呈现出显著的长周期成分增强特征，而VAE则表现出明显的持时延长现象。通过与四种经典地震动预测方程的对比研究发现，DDPM模拟结果与GMPEs预测值具有较好的一致性，但存在轻微的系统性低估趋势。
基于简单线性关系的分析方法在表征地震动影响因素时，往往导致预测结果与实测数据存在显著偏差。为克服这一局限性，本文基于生成式神经网络无需依赖先验地震学知识即可自动提取特征并生成完整地震动时程的优势，系统评估了三种典型生成式神经网络模型（变分自编码器VAE、生成对抗网络GAN和去噪扩散概率模型DDPM）在地震动模拟中的性能表现。研究采用PEER数据库中的1, 451条水平向地震动记录（源自23次独立地震事件）作为训练数据集，对三种模型进行统一训练和对比分析。模拟结果时域和频域的综合评估结果表明：三种模型中，DDPM展现出最优的模拟性能，GAN次之，而VAE表现相对欠佳。值得注意的是，GAN模拟结果呈现出显著的长周期成分增强特征，而VAE则表现出明显的持时延长现象。通过与四种经典地震动预测方程的对比研究发现，DDPM模拟结果与GMPEs预测值具有较好的一致性，但存在轻微的系统性低估趋势。
, 最新更新时间 , doi: 10.11899/zzfy20250120
摘要:
为解决竖向地震动预测不确定性较大的问题，利用NGA-West强地震动数据库，基于随机自适应神经模糊推理方法（ANFIS）建立竖向地震动强度预测模型，进而计算2022年1月8日青海门源Mw6.7地震的竖向地震动峰值加速度分布。在利用国家地震烈度速报与预警工程观测数据开展信度检验的基础之上，探讨近场强地震动的方向效应、场地放大效应及其成因机理。研究结果表明：（1）基于ANFIS方法的竖向地震动强度预测模型在门源Mw6.7地震竖向PGA预测过程中取得了较好的预测结果，其预测值与观测值的相关系数R约为0.809，均方根误差约为0.046，说明本文预测模型具有较好的可靠性，同时检验了其在我国中强破坏性地震预测中的适用性。（2）门源Mw6.7地震的竖向PGA预测值等值线整体上呈椭圆状，其长轴与发震断层走向具有较好的一致性，震中附近竖向PGA极大值约为376.3Gal。竖向PGA在随断层距增大而不断衰减的同时，呈现出较为显著的方向性效应以及一定程度上的近场大震饱和效应。（3）竖向地震动峰值加速度的场地放大效应相对弱于水平向地震动，随着的不断降低，竖向PGA相对于基岩（=1000m/s）场地的最大放大倍数约为1.14~1.27；大震条件(Mw=7.0)下软土场地（=100m/s）处放大系数约为0.79，呈现出一定的软土减震效应。
为解决竖向地震动预测不确定性较大的问题，利用NGA-West强地震动数据库，基于随机自适应神经模糊推理方法（ANFIS）建立竖向地震动强度预测模型，进而计算2022年1月8日青海门源Mw6.7地震的竖向地震动峰值加速度分布。在利用国家地震烈度速报与预警工程观测数据开展信度检验的基础之上，探讨近场强地震动的方向效应、场地放大效应及其成因机理。研究结果表明：（1）基于ANFIS方法的竖向地震动强度预测模型在门源Mw6.7地震竖向PGA预测过程中取得了较好的预测结果，其预测值与观测值的相关系数R约为0.809，均方根误差约为0.046，说明本文预测模型具有较好的可靠性，同时检验了其在我国中强破坏性地震预测中的适用性。（2）门源Mw6.7地震的竖向PGA预测值等值线整体上呈椭圆状，其长轴与发震断层走向具有较好的一致性，震中附近竖向PGA极大值约为376.3Gal。竖向PGA在随断层距增大而不断衰减的同时，呈现出较为显著的方向性效应以及一定程度上的近场大震饱和效应。（3）竖向地震动峰值加速度的场地放大效应相对弱于水平向地震动，随着的不断降低，竖向PGA相对于基岩（=1000m/s）场地的最大放大倍数约为1.14~1.27；大震条件(Mw=7.0)下软土场地（=100m/s）处放大系数约为0.79，呈现出一定的软土减震效应。
, 最新更新时间 , doi: 10.11899/zzfy20250127
摘要:
本文将灰色系统理论与梯度下降算法结合，提出了一种基于GM(1, 1)模型的动态自适应模型优化方法，用于桥梁震损预测。结合桥梁震损研究中地震动随机性强、结构破坏有界等特点，对GM(1, 1)模型进行了多项优化，并引入梯度下降算法实现参数动态优化。通过建立四跨预应力混凝土组合箱梁桥的有限元模型，并采用实测地震动记录进行非线性动力时程分析，验证了模型优化方法的可行性与精确度。结果表明，优化后的模型仅需5~6个初始数据即可有效预测桥梁地震易损性，最大误差控制在7%以内，轻微破坏预测精度最高。本研究为地震频发地区提供了轻量化预测方案，基于少量数据即可开展多烈度易损性评估。
本文将灰色系统理论与梯度下降算法结合，提出了一种基于GM(1, 1)模型的动态自适应模型优化方法，用于桥梁震损预测。结合桥梁震损研究中地震动随机性强、结构破坏有界等特点，对GM(1, 1)模型进行了多项优化，并引入梯度下降算法实现参数动态优化。通过建立四跨预应力混凝土组合箱梁桥的有限元模型，并采用实测地震动记录进行非线性动力时程分析，验证了模型优化方法的可行性与精确度。结果表明，优化后的模型仅需5~6个初始数据即可有效预测桥梁地震易损性，最大误差控制在7%以内，轻微破坏预测精度最高。本研究为地震频发地区提供了轻量化预测方案，基于少量数据即可开展多烈度易损性评估。
, 最新更新时间 , doi: 10.11899/zzfy20250108
摘要:
针对局部区域强震台站稀疏分布导致的数据驱动类场地放大效应预测模型建立困难，本研究提出了一种基于少数台站多次地震事件观测数据构建局部场地效应预测模型的方法。通过场地效应评价的标准谱比法（Surface/Basement Spectral Ratio，SBSR）和广义反演法（Generalized Inversion Technique，GIT）确定场地放大指标，结合卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆网络（Long Short-term Memory Networks，LSTM），构建了四类智能预测模型（CNN-SBSR、CNN-GIT、LSTM-SBSR和LSTM-GIT）。其中SBSR类模型选取了震源参数（震级、震中距、震源深度）、场地参数（剪切波速、基岩记录加速度峰值）及空间坐标（经纬度）等为输入参数，而GIT类模型则依赖场地特性和空间信息等相关参数。与传统场地预测方法的区别在于所建立的预测模型可直接学习单次地震事件的观测数据，而非基于台站平均谱比曲线进行回归，从而有效解决了传统方法难以外推至无台站区域的局限性。基于所提出的方法利用新西兰下哈特盆地5个台站数据所构建预测模型的交叉验证结果表明：LSTM类模型凭借其优异的时序特征提取能力展现出更高的预测精度，而CNN模型在参数较少时表现出更好的稳健性。GIT方法因强化场地参数作用，整体性能优于SBSR方法。其中，LSTM-GIT组合模型表现最优。本研究提出的技术方案，为稀疏台站区域的场地放大预测提供了兼具精度与可靠性的解决方法。
针对局部区域强震台站稀疏分布导致的数据驱动类场地放大效应预测模型建立困难，本研究提出了一种基于少数台站多次地震事件观测数据构建局部场地效应预测模型的方法。通过场地效应评价的标准谱比法（Surface/Basement Spectral Ratio，SBSR）和广义反演法（Generalized Inversion Technique，GIT）确定场地放大指标，结合卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆网络（Long Short-term Memory Networks，LSTM），构建了四类智能预测模型（CNN-SBSR、CNN-GIT、LSTM-SBSR和LSTM-GIT）。其中SBSR类模型选取了震源参数（震级、震中距、震源深度）、场地参数（剪切波速、基岩记录加速度峰值）及空间坐标（经纬度）等为输入参数，而GIT类模型则依赖场地特性和空间信息等相关参数。与传统场地预测方法的区别在于所建立的预测模型可直接学习单次地震事件的观测数据，而非基于台站平均谱比曲线进行回归，从而有效解决了传统方法难以外推至无台站区域的局限性。基于所提出的方法利用新西兰下哈特盆地5个台站数据所构建预测模型的交叉验证结果表明：LSTM类模型凭借其优异的时序特征提取能力展现出更高的预测精度，而CNN模型在参数较少时表现出更好的稳健性。GIT方法因强化场地参数作用，整体性能优于SBSR方法。其中，LSTM-GIT组合模型表现最优。本研究提出的技术方案，为稀疏台站区域的场地放大预测提供了兼具精度与可靠性的解决方法。
, 最新更新时间 , doi: 10.11899/zzfy20250106
摘要:
工程结构加固是指为满足新的功能需求、安全标准或抗震设防要求对既有结构进行的加固补强。加固方案的选择往往依托技术人员的专业技术水平和工程经验，具有一定的主观性。本文采用机器学习中的随机森林算法作为数据分析工具，以结构信息和结构问题两方面共14个影响因素为输入特征，以结构整体加固和局部加固方案为输出特征，构建了结构加固策略智能化分析模型，有效解决结构加固方案复杂且组合情况众多而难以构建有效机器学习模型的问题。本文以122个实际工程案例为样本构建数据集，通过5个独立随机森林模型（整体结构、墙、柱、梁、板）的构建与整合实现了结构整体加固和局部加固方案的预测，分析了全部特征、重要特征和简单特征三种不同输入特征组合的随机森林模型预测结果以探究不同输入特征对模型准确率的影响。结果表明：基于全部特征和基于重要特征的机器学习模型的准确率相近，5个模型中准确率均可达到69％以上，其中部分模型可以达到80％左右；而基于简单特征的随机森林模型的准确率较低。由此可见，选取的重要特征与随机森林模型的预测准确率相关性高，而简单特征难以构建可靠的预测模型。本文研究成果可为结构加固领域的智能化决策和分析提供参考。
工程结构加固是指为满足新的功能需求、安全标准或抗震设防要求对既有结构进行的加固补强。加固方案的选择往往依托技术人员的专业技术水平和工程经验，具有一定的主观性。本文采用机器学习中的随机森林算法作为数据分析工具，以结构信息和结构问题两方面共14个影响因素为输入特征，以结构整体加固和局部加固方案为输出特征，构建了结构加固策略智能化分析模型，有效解决结构加固方案复杂且组合情况众多而难以构建有效机器学习模型的问题。本文以122个实际工程案例为样本构建数据集，通过5个独立随机森林模型（整体结构、墙、柱、梁、板）的构建与整合实现了结构整体加固和局部加固方案的预测，分析了全部特征、重要特征和简单特征三种不同输入特征组合的随机森林模型预测结果以探究不同输入特征对模型准确率的影响。结果表明：基于全部特征和基于重要特征的机器学习模型的准确率相近，5个模型中准确率均可达到69％以上，其中部分模型可以达到80％左右；而基于简单特征的随机森林模型的准确率较低。由此可见，选取的重要特征与随机森林模型的预测准确率相关性高，而简单特征难以构建可靠的预测模型。本文研究成果可为结构加固领域的智能化决策和分析提供参考。
, 最新更新时间 , doi: 10.11899/zzfy20250165
摘要:
数十年间，地震学家及地震工程学家通力合作，为包括地震构造特征、地震活动性、震源特性、地震动预测模型及场地效应等多个关键问题的解决提供了支撑，形成了地球科学与工程科学交叉具有独特性的工程地震学科，并取得了系统的应用性研究成果。作为工程地震学重要分支的强震动地震学得到了迅猛发展，为地震区划和工程抗震研究奠定了坚实基础，为城乡建设和核电、交通、能源等多类型行业的发展提供了地震安全性的保障。近年来，随着算力、算法及算料（数据）等人工智能关键要素的大力发展，使得进一步实现强震动地震学与信息学科交叉成为可能，也迅速成为本领域的热点问题。论文首先分析了强震动地震学研究进展与关键问题，探讨了其与人工智能交叉的框架。而后，从知识嵌入、数据-知识融合及知识发现三个层面，综述了行业研究成果，重点介绍：（1）地震波动相关的控制方程与边界、初始条件物理嵌入理论与求解方法；（2）数据与物理机制联合驱动的人工智能地震动模型构建理论与方法；（3）强震动人工智能生成模型等。最后，讨论了目前强震动地震学与人工智能交叉研究亟需解决的关键问题，并对未来的发展方向进行了展望。
数十年间，地震学家及地震工程学家通力合作，为包括地震构造特征、地震活动性、震源特性、地震动预测模型及场地效应等多个关键问题的解决提供了支撑，形成了地球科学与工程科学交叉具有独特性的工程地震学科，并取得了系统的应用性研究成果。作为工程地震学重要分支的强震动地震学得到了迅猛发展，为地震区划和工程抗震研究奠定了坚实基础，为城乡建设和核电、交通、能源等多类型行业的发展提供了地震安全性的保障。近年来，随着算力、算法及算料（数据）等人工智能关键要素的大力发展，使得进一步实现强震动地震学与信息学科交叉成为可能，也迅速成为本领域的热点问题。论文首先分析了强震动地震学研究进展与关键问题，探讨了其与人工智能交叉的框架。而后，从知识嵌入、数据-知识融合及知识发现三个层面，综述了行业研究成果，重点介绍：（1）地震波动相关的控制方程与边界、初始条件物理嵌入理论与求解方法；（2）数据与物理机制联合驱动的人工智能地震动模型构建理论与方法；（3）强震动人工智能生成模型等。最后，讨论了目前强震动地震学与人工智能交叉研究亟需解决的关键问题，并对未来的发展方向进行了展望。
