• ISSN 1673-5722
  • CN 11-5429/P

基于卷积神经网络的速度大脉冲识别方法研究

牛志辉 陈波 卜春尧

文鑫涛,李华玥,段乙好,郑通彦,2021. 2020年中国大陆地震灾害损失述评. 震灾防御技术,16(4):651−656. doi:10.11899/zzfy20210406. doi: 10.11899/zzfy20210406
引用本文: 牛志辉,陈波,卜春尧,2021. 基于卷积神经网络的速度大脉冲识别方法研究. 震灾防御技术,16(3):485−491. doi:10.11899/zzfy20210307. doi: 10.11899/zzfy20210307
Wen Xintao, Li Huayue, Duan Yihao, Zheng Tongyan. Earthquake Disasters Loss on Chinese Mainland in 2020[J]. Technology for Earthquake Disaster Prevention, 2021, 16(4): 651-656. doi: 10.11899/zzfy20210406
Citation: Niu Zhihui, Chen Bo, Bu Chunyao. Identification of Pulse-like Strong Ground Motions Based on Convolution Neural Network[J]. Technology for Earthquake Disaster Prevention, 2021, 16(3): 485-491. doi: 10.11899/zzfy20210307

基于卷积神经网络的速度大脉冲识别方法研究

doi: 10.11899/zzfy20210307
基金项目: 国家重点研发计划(2019YFC1509402);中国地震局地球物理研究所基本科研业务费专项(DQJB19A0132)
详细信息
    作者简介:

    牛志辉,男,生于1992年。硕士研究生。主要从事人工智能算法的速度脉冲型地震动研究。E-mail:niuzhihui18@mails.ucas.ac.cn

    通讯作者:

    陈波,男,生于1987年。副研究员。主要从事地震动特性研究。E-mail:chenbo@cea-igp.ac.cn

Identification of Pulse-like Strong Ground Motions Based on Convolution Neural Network

  • 摘要: 含速度大脉冲的强地震动具有复杂的特性,人工提取速度大脉冲特征的方法较繁琐,故利用卷积神经网络(CNN)在图像特征自动提取方面的优势,提出基于卷积神经网络图像识别的速度大脉冲识别方法。基于美国太平洋地震工程研究中心NGA-West1数据库提供的强地震动记录,筛选出6 000条非脉冲记录和91条含有速度大脉冲的强地震动记录。采用在原始记录中加入高斯噪声和过采样的方法,使2类记录样本数量达到均衡。利用本文建立的卷积神经网络模型对2类记录速度时程图进行特征自动提取和分类识别,结果显示测试集准确率为99%,表明本文卷积神经网络模型能够自动提取速度大脉冲特征,进而复现已有结果。将本文方法与传统方法进行了对比,结果表明,对含有多个速度脉冲的强地震动记录的识别,本文方法优于传统方法,具有较高的可靠性、鲁棒性、灵活性。
  • 2020年,中国境内共发生5.0级及以上地震28次(中国大陆地区发生20次,台湾地区及海域地区发生8次),其中5.0~5.9级地震25次,6.0~6.9级地震3次,最大地震为2020年7月23日发生在西藏那曲市尼玛县的6.6级地震(表1图1)。2020年中国大陆发生的20次5.0级以上地震中有10次发生在新疆、6次发生在西藏,6.0级以上地震中有2次发生在新疆、1次发生在西藏。

    表 1  2020年中国5.0级及以上地震事件目录及成灾事件
    Table 1.  Catalogue of earthquakes (MS≥5.0) and disaster - causing events in China, 2020
    序号时间纬度/°经度/°震中位置震级/M成灾事件
    12020-01-16 16:32:3841.2183.6新疆阿克苏地区库车市5.6(1)
    22020-01-18 00:05:5039.8377.18新疆喀什地区伽师县5.4
    32020-01-19 21:27:5539.8377.21新疆喀什地区伽师县6.4(2)
    42020-01-19 22:23:0139.8977.46新疆克孜勒苏州阿图什市5.2
    52020-01-25 06:56:0531.9895.09西藏昌都市丁青县5.1
    62020-01-29 07:39:2927.16126.6东海海域5.3
    72020-02-03 00:05:4130.74104.46四川成都市青白江区5.1
    82020-02-15 19:00:0723.95121.49台湾花莲县5.4
    92020-02-21 02:01:4034.5685.68西藏阿里地区改则县5.0
    102020-02-21 23:39:1439.8777.47新疆喀什地区伽师县5.1
    112020-03-10 02:12:1132.8485.52西藏阿里地区改则县5.0
    122020-03-12 23:44:0332.8885.55西藏阿里地区改则县5.1
    132020-03-20 09:33:1528.6387.42西藏日喀则市定日县5.9
    142020-03-23 03:21:3941.7581.11新疆阿克苏地区拜城县5.0
    152020-04-01 20:23:2733.0498.92四川甘孜州石渠县5.6(3)
    162020-05-03 11:24:4023.29121.6台湾台东县海域5.4
    172020-05-06 18:51:0039.7174.1新疆克孜勒苏州乌恰县5.0
    182020-05-09 23:35:5940.7778.76新疆阿克苏地区柯坪县5.2
    192020-05-18 21:47:5927.18103.16云南昭通市巧家县5.0(4)
    202020-06-14 04:18:5924.29122.41台湾宜兰县海域5.5
    212020-06-26 05:05:2035.7382.33新疆和田地区于田县6.4(5)
    222020-07-12 06:38:2539.78118.44河北唐山市古冶区5.1
    232020-07-13 09:28:0244.4280.82新疆伊犁州霍城县5.0
    242020-07-23 04:07:2033.1986.81西藏那曲市尼玛县6.6
    252020-07-26 20:52:2724.27122.48台湾花莲县海域5.5
    262020-09-29 04:50:5322.29121.1台湾台东县海域5.0
    272020-09-30 12:37:1824.85122.14台湾宜兰县海域5.0
    282020-12-10 21:19:5824.74121.99台湾宜兰县海域5.8
    注:“()”中表示为地震灾害事件。
    下载: 导出CSV 
    | 显示表格
    图 1  2020年中国5.0级及以上地震事件及成灾事件空间分布图
    Figure 1.  Spatial distribution of earthquakes (MS≥5.0) in China, 2020

    2020年,中国大陆地区共发生地震灾害事件5次,造成5人死亡,30人受伤,直接经济损失约18.47亿元(表2)。其中,灾害损失最严重的地震为1月19日新疆伽师6.4级地震,造成1人死亡,2人受伤,直接经济损失15.26亿元。人员伤亡最严重的地震为5月18日云南巧家5.0级地震,造成4人死亡,28人受伤,直接经济损失约1.04亿元。

    表 2  2020年中国大陆地震灾害损失
    Table 2.  Losses caused by earthquake disasters in China mainland, 2020
    序号时间震中位置震级/M死亡人数/人受伤人数/人直接经济损失/万元
    12020-01-16 16:32新疆阿克苏地区库车市5.600712
    22020-01-19 21:27新疆喀什地区伽师县6.412152 642
    32020-04-01 20:23四川甘孜州石渠县5.60019 242.69
    42020-05-18 21:47云南昭通市巧家县5.042810 430
    52020-06-26 05:05新疆和田地区于田县6.4001 650
    下载: 导出CSV 
    | 显示表格

    (1)地震成灾事件总体偏少

    2020年共发生5次地震灾害事件,低于2000年以来平均水平。

    (2)地震灾害相对集中

    5次地震灾害事件中有3次发生在新疆维吾尔自治区,共造成1人死亡,2人受伤,直接经济损失约15.5亿元。地震造成的人员伤亡主要集中在云南省,其中云南省巧家县5.0级地震虽未造成巨大的直接经济损失,但造成4人死亡,28人受伤。

    发生在新疆维吾尔自治区的3次地震灾害事件分别为:①2020年1月16日16时32分阿克苏地区库车市发生的5.6级地震,震源深度16 km,未造成人员伤亡,直接经济损失712万元。震中位于库车市,极震区烈度为Ⅵ度,Ⅵ度区面积813.6 km2表3)。灾区场地位于塔里木盆地腹地,场地对地震动有显著的放大作用,易产生不均匀沉降,加重了建筑物震害。灾区农居房屋抗震能力普遍提高,震中“安居富民房”与农村安居房均未出现破坏,有效保护灾区群众生命财产安全,同时缓解了抗震救灾和转移安置压力,仅少数建造年代较早的抗震安居房出现破坏。②2020年1月19日21时27分喀什地区伽师县发生的6.4级地震,震源深度16 km,造成1人死亡,2人受伤,直接经济损失152 642万元。Ⅵ度及以上区总面积为7 599 km2,其中,Ⅵ度区面积4 945 km2;Ⅶ度区面积为2 397 km2;Ⅷ度区面积为257 km2,主要涉及伽师县西克尔库勒镇、古勒鲁克乡。极震区烈度为Ⅷ度,农村安居房设防烈度为8度,安居房主要承重构件未发生明显破坏,有效抵御了本次地震灾害,在保障人民群众生命财产安全及震后转移安置、余震防范中发挥了重要作用。本次地震为前震-主震-余震型,前震为5.4级,主震为6.4级,最大余震为5.2级,对震中区产生多次震害影响,自建砖木结构房屋墙体为黏土砖砌筑,震害叠加效应显著。当地群众防震减灾意识在历次地震灾害实践中不断得到加强,防震减灾意识、应急避险知识和自救互救能力等得到明显提升。③2020年6月26日5时5分,和田地区于田县发生的6.4级地震,震源深度10 km,未造成人员伤亡,直接经济损失1 650万元。于田县阿羌乡3.5 km道路出现塌方,1座中桥出现多处裂缝,1座自建木桥受损,1个涵洞严重受损,1座拱桥受损。本次地震有感范围较广,但破坏性较小。震区附近乡镇村庄居民普遍反映地震造成的晃动强度一般,大部分区域房屋抗震设防水平高,“富民安居工程”房屋和早期的抗震安居房屋基本完好,仅个别民居院内的自建砖木结构房屋出现轻微程度破坏。

    表 3  2020年中国大陆地震灾区范围统计
    Table 3.  Statistics of range of earthquake disaster area in China mainland, 2020
    序号时间震中位置震级/M极震区烈度/度震源深度/km乡镇
    /个
    人口
    /人
    各烈度区面积/km2
    12020-01-16 16:32新疆阿克苏地区库车市5.61612685813.600
    22020-01-19 21:27新疆喀什地区伽师县
    6.41612279 3884 9452 397257
    32020-04-01 20:23四川甘孜州石渠县5.61063603 1400
    42020-05-18 21:47云南昭通市巧家县5.08667 08333000
    52020-06-26 05:05新疆和田地区于田县6.410
    注:新疆伽师地震Ⅵ度区之外的部分地区也受到波及,个别老旧房屋出现破坏受损现象,为Ⅵ度异常点;四川甘孜州石渠县地震位于Ⅵ度区之外色达县泥朵镇和其他地区也受到波及,零星房屋有破坏现象。
    下载: 导出CSV 
    | 显示表格

    (3)地震次生灾害突出

    今年发生的地震灾害中,次生灾害多发,如新疆伽师地震造成震区1座水库出现险情,当地政府紧急疏散安置受影响群众,云南巧家地震次生地质灾害造成2人死亡,数人受伤,震区交通等基础设施受损,再次为各级政府敲响警钟,应对西部地区地震次生灾害引起足够重视,才能进一步减轻地震灾害。

    1991—2020年主要震害统计数据如表4所示,3个主要统计数据分布情况(许永江等,1999郑通彦等,20122015a2015b陈通等,2016文鑫涛等,2018林向洋等,20182020a2020b)如图2所示。由表4图2可知,2011—2020年共造成2 063.08亿元的经济损失,其中2013、2014年地震造成的灾害是2011年以来最严重的,这两年造成灾害最重的地震分别为2013年4月20日四川芦山7.0级地震和2014年8月3日云南鲁甸6.5级地震,这2年合计的经济损失、人员死亡(失踪)和人员受伤数量分别占2011—2020年总数的82.9%、81.8%和65.5%。

    表 4  1991—2020年主要震害统计数据
    Table 4.  The statistics of the annual damage caused by earthquakes from 1991 to 2020
    年份成灾次数/次死亡人数/人受伤人数/人直接经济损失/亿元
    2011153250660.11
    201211861 33182.88
    20131429415 671995.36
    2014107363 688355.64
    201512331 217180.00
    201616210366.80
    20171137638217.40
    20181108127.30
    2019131741159.12
    2020553018.47
    2011—2020118124223 6762 063.08
    2001—201010872372398 9178 984.90
    1991—200013056452 668120.18
    下载: 导出CSV 
    | 显示表格
    图 2  1991—2020年中国大陆成灾地震年度震害分布图
    Figure 2.  Distribution of annual earthquakes losses in China mainland from 1991 to 2020

    近10年中国大陆年均成灾地震频次较1991年以来的总体水平略低,近10年期间地震灾害造成的经济损失、人员死亡(失踪)和人员受伤数量分别占30年来的18.47%、1.67%和4.98%,可见地震灾害造成的经济损失、人员伤亡数量均低于1991年以来的平均水平。

    2020年我国大陆未发生特重大地震灾害事件,地震灾害损失总体偏轻,成灾地震次数较少,低于2000年以来的平均水平。地震灾害相对集中,5次成灾地震中3次发生在新疆维吾尔自治区,四川和云南各发生1次。地震次生灾害多发,小震致灾致亡现象突出,云南省巧家县5.0级地震造成4人死亡,28人受伤,其中次生地质灾害造成2人死亡。各级政府应对西部地区地震次生灾害引起足够重视,进而减轻人员伤亡。

  • 图  1  CNN模型结构

    Figure  1.  Basic structure of convolutional neural network basic structure

    图  2  本文搭建的CNN模型结构

    Figure  2.  Convolutional neural network structure

    图  3  预处理前后的波形图

    Figure  3.  Waveform before and after preprocessing

    图  4  预处理前后提取的脉冲时程

    Figure  4.  Pulse extracted before and after preprocessing

    图  5  评价指标曲线

    Figure  5.  Evaluation indication curve

    图  6  PI为0.15~0.85

    Figure  6.  PI is between 0.15 and 0.85

    图  7  PI小于0.15

    Figure  7.  PI is less than 0.15

    表  1  地震动记录信息及识别结果

    Table  1.   Ground motion record information and identification results

    地震动编号地震名称PI(Baker,2007CNN识别结果
    RSN180Imperial Valley-060.23速度脉冲
    RSN292Irpinia, Italy-010.13速度脉冲
    RSN1013Northridge-010.08速度脉冲
    RSN1489Chi-Chi0.77速度脉冲
    RSN2628Chi-Chi0.04速度脉冲
    RSN3317Chi-Chi0.28速度脉冲
    下载: 导出CSV
  • [1] 段友祥,李根田,孙歧峰,2016.卷积神经网络在储层预测中的应用研究.通信学报,37(S1):1—9.

    Duan Y. X., Li G. T., Sun Q. F., 2016. Research on convolutional neural network for reservoir parameter prediction. Journal on Communications, 37(S1): 1—9. (in Chinese)
    [2] 罗全波,陈学良,高孟潭等,2018.近断层速度脉冲与震源机制的关系浅析.震灾防御技术,13(3):646—661.

    Luo Q. B., Chen X. L., Gao M. T., et al., 2018. Relationship between near-fault velocity pulse and focal mechanism. Technology for Earthquake Disaster Prevention, 13(3): 646—661. (in Chinese)
    [3] 曲哲,师骁,2016.汶川地震和鲁甸地震的脉冲型地震动比较研究.工程力学,33(8):150—157. doi: 10.6052/j.issn.1000-4750.2015.01.0039

    Qu Z., Shi X., 2016. Comparative study on the pulse-like ground motions in the Wenchuan and the Ludian earthquakes. Engineering Mechanics, 33(8): 150—157. (in Chinese) doi: 10.6052/j.issn.1000-4750.2015.01.0039
    [4] 谢俊举,温增平,高孟潭等,2011.2008年汶川地震近断层地震动的非平稳特征.地球物理学报,54(3):728—736. doi: 10.3969/j.issn.0001-5733.2011.03.012

    Xie J. J., Wen Z. P., Gao M. T., et al., 2011. Non-stationary characteristics of near-fault strong motions during the 2008 Wenchuan earthquake. Chinese Journal of Geophysics, 54(3): 728—736. (in Chinese) doi: 10.3969/j.issn.0001-5733.2011.03.012
    [5] 杨成,唐泽楠,常志旺等,2017.基于经验模态分解的速度脉冲型地震动量化识别.工程力学,34(4):206—212.

    Yang C., Tang Z. N., Chang Z. W., et al., 2017. EMD-based quantitative categorization for velocity pulse-like ground motions. Engineering Mechanics, 34(4): 206—212. (in Chinese)
    [6] 杨福剑, 王国新. 2019. 一种改进的近断层脉冲型地震动模拟方法. 震灾防御技术, 14(3): 489—500. doi: 10.11899/zzfy20190303

    Yang F. J., Wang G. X., 2019. An improved approach for near-fault pulse-like ground motion simulation. Technology for Earthquake Disaster Prevention, 14(3): 489—500. (in Chinese) doi: 10.11899/zzfy20190303
    [7] 赵明,陈石,Yuen D.,2019.基于深度学习卷积神经网络的地震波形自动分类与识别.地球物理学报,62(1):374—382. doi: 10.6038/cjg2019M0151

    Zhao M., Chen S., Yuen D., 2019. Waveform classification and seismic recognition by convolution neural network. Chinese Journal of Geophysics, 62(1): 374—382. (in Chinese) doi: 10.6038/cjg2019M0151
    [8] 朱继梅,1996.小波变换及其工程应用(连载) 第二讲 小波系数的性质及变换算法.振动与冲击,15(3):94—101.
    [9] Baker J. W., 2007. Quantitative classification of near-fault ground motions using wavelet analysis. Bulletin of the Seismological Society of America, 97(5): 1486—1501. doi: 10.1785/0120060255
    [10] Krizhevsky A., Sutskever I., Hinton G. E., 2012. Imagenet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, Nevada: Curran Associates Inc., 1097—1105.
    [11] Mavroeidis G. P., Papageorgiou A. S., 2003. A mathematical representation of near-fault ground motions. Bulletin of the Seismological Society of America, 93(3): 1099—1131. doi: 10.1785/0120020100
    [12] Perol T., Gharbi M., Denolle M., 2018. Convolutional neural network for earthquake detection and location. Science Advances, 4(2): e1700578. doi: 10.1126/sciadv.1700578
    [13] Ross Z. E., Meier M. A., Hauksson E., et al., 2018. Generalized seismic phase detection with deep learning. Bulletin of the Seismological Society of America, 108(5A): 2894—2901. doi: 10.1785/0120180080
    [14] Somerville P. G., 2003. Magnitude scaling of the near fault rupture directivity pulse. Physics of the Earth and Planetary Interiors, 137(1—4): 201—212. doi: 10.1016/S0031-9201(03)00015-3
    [15] Zhai C. H., Chang Z. W., Li S., et al., 2013. Quantitative identification of near-fault pulse-like ground motions based on energy. Bulletin of the Seismological Society of America, 103(5): 2591—2603. doi: 10.1785/0120120320
    [16] Zhao G. C., Xu L. J., Xie L. L., 2016. A simple and quantitative algorithm for identifying pulse-like ground motions based on zero velocity point method. Bulletin of the Seismological Society of America, 106(3): 1011—1023. doi: 10.1785/0120150226
    [17] Zhu W. Q., Beroza G. C., 2019. PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1): 261—273.
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  188
  • HTML全文浏览量:  66
  • PDF下载量:  10
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-30
  • 刊出日期:  2021-09-30

目录

/

返回文章
返回