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。
-
关键词:
- 强地震动 /
- 速度脉冲 /
- 卷积神经网络(CNN) /
- 图像识别
Abstract: Aiming at the tedious problem of strong ground motion containing big velocity pulse, which has complex characteristics and requires manual feature extraction. Taking advantage of the Convolutional Neural Network (CNN) in the automatic extraction of image features, we propose a big velocity pulse recognition method based on CNN image recognition. Firstly, based on the strong motion records provided by the NGA-West1 database of the Pacific Earthquake Engineering Research Center of the United States, 6000 non-pulse records and 91 strong ground motion records containing big velocity pulse were screened out. Secondly, using the method of adding Gaussian noise and oversampling to the original record, the number of samples of the two types is balanced, and the number of samples of each type is 6000. Then, the CNN model established in this paper is used to automatically extract features and classify and recognize the two types of recording speed time history graphs, the results show that the accuracy of the test set is 99%. Finally, the method in this paper is compared with the traditional method, and it is better than the traditional method in identifying multiple velocity pulses. It shows that the method in this paper can automatically extract high-speed pulse information for identification, and has high effectiveness, robustness and flexibility.-
Key words:
- Strong ground motion /
- Velocity pulse /
- Convolution neural network /
- Image recognition
-
引言
近断层速度脉冲型强地震动以其独特的地震动特征及对近断层工程结构特殊的破坏作用,引起地震工程界的广泛关注。速度大脉冲往往具有幅值大、特征周期长、瞬时累积能量大、非平稳性强等特点(谢俊举等,2011;罗全波等,2018),这些特点有别于一般地震动记录的特征,使结构在速度脉冲记录和一般地震动记录作用下的响应具有很大差异。1957年Port Hueneme地震中,首次记录到了含有速度大脉冲的地震动,该次地震矩震级仅为4.7,但其造成的灾难是同等震级地震中前所未有的,地震动速度时程所含的脉冲特性是造成众多建筑结构发生严重破坏的重要原因。与之类似的2014年云南鲁甸地震震级虽较小,却造成了严重的人员伤亡和财产损失,鲁甸地震强地震动记录中的速度大脉冲(曲哲等,2016)是造成严重灾害的重要原因,灾区经济相对落后、房屋抗震能力较差等因素是造成严重灾害的原因历史上多次地震灾害现象和众多试验研究均表明脉冲型地震动的特殊破坏作用,因此准确识别此类地震动记录,对准确评估工程场地地震危险性并合理确定地震动输入具有重要意义(杨成等,2017)。
近年来,速度大脉冲的识别引起了众多学者的广泛关注,并提出了一系列不同的识别方法,多数方法依赖主观判断,不同学者给出的结果差异较大(Mavroeidis等,2003;Somerville,2003)。为探索客观可复现的量化识别脉冲型地震动记录方法,Baker(2007)基于小波分析提出了定量脉冲识别方法,该方法采用四阶Daubechies小波基,利用小波分解方法提取地震动速度时程中最大速度脉冲,通过分析残余记录与原始记录的能量比和峰值速度比,给出了速度脉冲的定量判别标准;Zhai等(2013)利用Dickinson函数模型描述速度脉冲时程形状,采用峰点法(PPM)结合最小二乘法(LSF)判断脉冲周期,将周期范围内的地震动速度脉冲能量与整条地震动能量的比值作为识别速度脉冲的指标;Zhao等(2016)基于三角函数的性质,提出了定量识别方法,采用检测到的脉冲能量相对于原始地震动能量的值作为判别标准,并细化识别单脉冲和多脉冲方法。总体而言,上述研究提出的速度大脉冲识别方法通过统计分析确定一个或多个量化评价指标,复现经验判别的速度大脉冲记录结果。由于地震动的复杂性,针对某一特定问题提取的特征可能不适用于其他问题,且人工提取的特征涵盖所有速度大脉冲特征是极其困难的,这也是目前尚未提出速度脉冲统一界定标准的原因之一。因此,有必要通过模型自动提取特征代替人工提取特征,从而得到更好的特征结果。
基于上述原因,目前相关领域的国内外学者提出了基于深度学习的地震震相识别方法,Perol等(2018)应用卷积神经网络(CNN)对俄克拉荷马地区的连续记录波形进行了识别与定位;Ross等(2018)利用南加州273 882多个地震事件建立数据集,并训练CNN模型,得到的模型具有较强的泛化能力;Zhu等(2019)搭建的卷积神经网络PhaseNet对拾取地震到时具有较好效果;赵明等(2019)提出了基于CNN的地震波形自动分类方法。震相识别虽与强地震动识别不同,但以上研究证明了深度学习方法对地震数据自动提取特征的能力,因此深度学习方法在识别速度大脉冲方面具有可行性。
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CNN在图像特征自动提取方面的优势,提出基于CNN图像识别的速度大脉冲识别方法。基于NGA-West1数据库提供的6 000条非脉冲强地震动记录和91条含有速度大脉冲的强地震动记录,通过在原始记录中加入高斯噪声和随机过采样的方法,将91条含有速度大脉冲的强地震动扩充到6 000条。在此基础上划分数据集,以速度时程波形图作为输入,利用本文搭建的深度为7的CNN模型进行训练、验证和测试。本文建立的CNN模型能够用于速度大脉冲的识别,为准确评估工程场地地震危险性并合理确定地震动输入奠定基础。
1. CNN模型与评价指标
1.1 CNN概况与设计
CNN是带有卷积计算、深度结构的前馈神经网络,属于深度学习的经典算法。本文利用CNN模型,避免了前期复杂的预处理。不通过人工提取特征,由模型自动完成,提取的特征能够用于速度大脉冲识别。常见的CNN模型结构一般包括输入层、卷积层、池化层、全连接层、输出层等(图1)。卷积层、池化层、全连接层进行数据端到端特征提取,通过SoftMax函数输出识别结果。
卷积层又叫特征提取层,是CNN最基本、最重要的作用层,由若干卷积单元组成,每个卷积单元的参数均通过反向传播算法最优化得到。由前一层的特征图与1个可学习的卷积核进行卷积后,加偏置再经过激活函数得到的输出结果组成。因此该层的每个神经元输入与前一层的局部感受野相连。通过卷积核提取该局部的特征,一旦该局部特征被提取后,其与其他特征之间的位置关系随之确定(段友祥等,2016)。卷积核是CNN的核心,其作用是对不同维度的原始数据进行稀疏连接,在提取特征的同时减少参数量,得出输出特征。本文选取在深度学习中使用较广泛的ReLU函数进行非线性变换,卷积层输出可表示为:
$$ {{{c}}_{{i}}} = \sigma \left[ {\sum\limits_{j = 1}^n {{{({w^j})}^T}x_{i:i + n - 1}^j + b} } \right] $$ (1) 式中,X=[x1, x2, x3, ···, xn]为模型输入数据集;σ为激活函数;b为输出偏置;wj为第j个权重;n为卷积核尺寸;T表示转置。
池化层又叫采样层或特征映射层,作用是对卷积层进行优化。引入池化层将进一步减少上一层输出特征参数,并保留其主要特征信息。当前较常用的池化函数包括最大、平均池化函数,本文选取最大池化函数,其表达式为:
$$ p_i^j = \mathop {\max }\limits_{r \in R} ({\text{c}}_{i t + r}^j) $$ (2) 式中,r为池化尺寸,t为池化层移动步长。
随着卷积层和池化层的堆叠,这种稀疏的连接方式在逐层提取输入数据深层特征的同时,可极大减少参数量。
在本模型中增加了局部响应归一化层(LRN),归一化层是Krizhevsky等(2012)为防止在ReLU函数激活后数据过拟合而提出的处理方法。
全连接层是传统的神经网络层,将其置于卷积层和池化层后,全连接层对自动提取的特征做加权和,然后联合SoftMax层进行分类。SoftMax函数表达式如式(3)所示,输出识别的脉冲与非脉冲概率,用于识别地震动记录。
$$ {y_k} = \frac{{\exp ({z_k})}}{{\displaystyle\sum\nolimits_{k = 1}^{{N_{\rm{c}}}} {\exp ({z_k})} }} $$ (3) 式中,k为标识地震动是否为速度大脉冲的索引,一般用0、1表示,0代表非脉冲,1代表脉冲;zk为全连接层输出;Nc为所有地震动记录的数量;yk为输入概率。
通过上述过程即可完成CNN的前向传播。为评价预测地震动类型与实际地震动类型的距离,即判断识别是否正确,目标函数选取为分类交叉损失函数:
$$ {E_0} = - \frac{1}{m}\left[\sum\limits_{i = 1}^m {\sum\limits_{k = 1}^{{N_{\rm{c}}}} {{\rm{label}}_k^i\log ({y_k})} } \right] $$ (4) 式中,m为样本输入量;label为真实地震动类型标签的独热编码。
在反向传播过程中,为使权重w和偏置b更新更稳定、快速,本文使用Adam算法与小批量随机梯度下降算法相结合的方法加快训练速度,其中小批量随机梯度下降算法能够综合考虑随机梯度下降和批量梯度下降,实现对每次选取部分的小批量数据的梯度更新,同时Adam算法能够节省内存,进而更精准快速地计算梯度值。
为提高模型特征提取能力,本文在基本结构的基础上加深网络深度,增加了卷积层、池化层和全连接层数量,建立了深度为7的CNN模型,如图2所示。
1.2 评价指标
本文利用准确率Acc作为模型的评价指标,在评价过程中准确率值越大,代表该模型的效果越理想,Acc计算式为:
$$ {A_{{\rm{cc}}}} = \frac{{T_{\rm{P}} + T_{\rm{N}}}}{{T_{\rm{P}} + T_{\rm{N}} + F_{\rm{P}} + F_{\rm{N}}}} $$ (5) 式中,TP和TN分别为正确识别的速度大脉冲和不包含速度大脉冲的地震动记录数量,FN和FP分别为错误识别的速度大脉冲和不包含速度大脉冲的地震动记录数量。
2. 数据收集与预处理
本文使用的地震动记录来源于美国太平洋地震工程研究中心提供的强震数据库NGA-West1,该数据库为本研究利用卷积神经网络进行速度大脉冲识别提供了必要的训练数据和测试数据。
2.1 数据集收集
Baker(2007)提出的速度大脉冲识别方法是目前较成熟的方法(杨福剑等,2019),广泛应用于速度大脉冲识别中,基于NGA-West1数据库识别的91条脉冲型地震动记录,为本文提供了宝贵的数据集,另在NGA-West1数据库中收集了6 000条非速度脉冲型地震动。
当地震动记录满足以下条件,则该记录含有速度大脉冲,反之该地震动记录为非脉冲型地震动:
(1)原始记录峰值速度PGV>30 cm/s。
(2)脉冲指标PI>0.85(PI<0.15则不含速度大脉冲;PI为0.15~0.85则需人工进行处理)。
$$ {{\rm{PGV}}_{{\text{ra}}{\rm{tio}}}} = \frac{{{{\rm{PGV}}_{{\text{residual}}}}}}{{{{\rm{PGV}}_{{\rm{original}}}}}} $$ (6) 式中,PGVresidual为提取速度脉冲后的残余记录的峰值速度;PGVorginal为原始记录的峰值速度。
$$ {{\rm{Energy}}_{{\text{ratio}}}}{\text{ = }}\frac{{{{\rm{Energy}}_{{\rm{residual}}}}}}{{{{\rm{Energy}}_{{\rm{original}}}}}} $$ (7) 式中,Energyresidual为提取速度脉冲后的残余能量;Energyoriginal为原始记录的能量。
$$ {\rm{PI}} = \frac{1}{{1 + {{\rm{e}}^{ - 23.3 + 14.6{{\rm{PGV}}_{{\rm{ratio}}}} + 20.5{{\rm{Energy}}_{{\rm{ratio}}}}}}}} $$ (8) (3)速度大脉冲应出现在速度时程的早期,判定标准如下:
$$ {t_{20\% ,{\rm{original}}}} > {t_{10\% ,{\rm{pulse}}}} $$ (9) 式(9)中,t20%,original为原始记录速度时程的累计速度平方法达到其总累计速度平方法20%的时刻,t10%,pulse为速度脉冲的累计速度平方法达到其总累计速度平方法10%的时刻。
2.2 数据集预处理
大样本数据是开展深度学习的必要前提,否则会导致模型识别能力不足和过拟合,本文收集的91条含有速度大脉冲的记录难以满足模型训练需求。此外,数据集中含有速度大脉冲的记录与非速度脉冲型地震动记录数量出现严重的不均衡。遇到不均衡数据集时,常用的深度学习算法无法获得较好的效果,此类算法通常以总体的最大准确率作为目标函数,这会造成算法过多地关注多数类,造成模型对少数类样本分类性能的降低。
本文将依次采用以下方法解决样本不均衡问题:一是在原始速度记录中加入信噪比1~10 dB的高斯噪声,如式(10)所示;二是利用随机过采样技术随机复制少数类样本,以增加其频数,直至2类地震动记录的数量达到均衡。
$$ F({t})={{f}}({{t}})+{\rm{Gauss}}(\mu ,\sigma ) $$ (10) 式中,f(t)为原始速度记录,Gauss(μ,σ)为均值为μ、标准差为σ的高斯噪声,F(t)为加入高斯噪声后的速度记录。
经过预处理后,包含速度大脉冲的样本数量达6 000条,保证了大样本数据及数据集的均衡性。
预处理前后的波形如图3所示,由图3可知,原始记录记入噪声后,波形虽存在区别,但大致趋势未有明显改变,脉冲部分特征均较明显。为进一步研究加入噪声后对原始地震动记录脉冲特性的影响,采用Baker(2007)研究方法对原始记录和加入噪声后的记录进行脉冲时程的提取,并进行对比,结果如图4所示。由图4可知,噪声的加入几乎未对原始时程记录中脉冲特性产生任何影响。除展现出来的示例外,其他时程的对比结果也均未发现噪声带来的影响。故可证明,在原始记录中记入噪声以扩充包含速度大脉冲样本数量的方法行之有效。
3. 试验与结果分析
为保证模型的泛化能力,防止模型过拟合,按8∶1∶1的比例在打乱的原始数据集中随机抽取训练集、验证集和测试集,各数据集合样本数量分别为9 600、1 200、1 200。训练集数据用于建立CNN模型的训练,使模型能够自动提取速度大脉冲的特征信息;验证集数据用于超参数的调整;测试集数据可用于评估模型的可靠性及泛化能力。正常情况下,由于测试集数据未参与训练、调参,测试集准确率低于训练集准确率。
3.1 模型训练
本文构建的卷积神经网络模型训练的软件环境为python3.6、Tensorflow1.15深度学习框架及NumPy包,硬件环境为Intel i7 9750H和英伟达RTX 2060显卡。
为使训练集准确率达到最高,通过验证集调整超参数。网络设置参数为学习率0.000 1、批量500。图5所示为训练过程中准确率和损失值曲线,由图5可知,随着迭代次数的增加,经过400步曲线即达到稳定,准确率达99.5%,损失值为0.05,且未出现过拟合现象。结合图5的曲线变化,最终选取迭代训练800步的模型。
3.2 模型测试
为验证模型的可靠性及泛化能力,利用测试集1 200条强地震动数据(未参与模型训练和调参的数据)对保存好的模型进行测试,识别准确率达99%,用时仅为1 s,可见该方法可在极短的时间内完成测试,并保证较高的识别准确率,这为速度脉冲型地震动记录的快速准确识别奠定了基础。结果表明本文的CNN模型能够自动提取速度大脉冲的信息,进而用于速度大脉冲识别,具有较高的可靠性和泛化能力。
4. 与传统方法对比
小波分析是信号的时间-尺度或时间-频率的分析方法,是可在时间域对信号进行离散变换,在频率域进行谱分析的方法。小波分析具有非常高的分辨率,在时间域和频率域均具有表征信号局部特征的能力,是分析地震动信号的有效方法(朱继梅,1996)。Baker(2007)利用小波分解方法提出了量化识别方法,通过四阶Daubechies小波基,利用小波分解方法提取地震动速度时程中最大速度脉冲,通过分析残余记录与原始记录的能量比和峰值速度比,给出了速度脉冲的定量判别标准。当脉冲指标PI>0.85且峰值速度>30 cm/s时,该记录为速度大脉冲记录;当PI<0.15时,该记录不包含速度大脉冲,当PI为0.15~0.85时,无法判别该记录,需人工处理。此外,该方法对于包含多速度脉冲的地震动记录无法识别(Zhai等,2013;Zhao等,2016)。
为与Baker(2007)方法进行对比,选取6条记录,其中3条记录PI<0.15,按照Baker(2007)的判别准则,这3条记录为非速度脉冲记录;3条记录PI为0.15~0.85,需人工识别。本文的CNN模型识别结果全部为速度大脉冲,与其他学者识别结果相似(Zhai等,2013;Zhao等,2016),具体记录信息及识别结果如表1和图6、7所示。
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,2007) CNN识别结果 RSN180 Imperial Valley-06 0.23 速度脉冲 RSN292 Irpinia, Italy-01 0.13 速度脉冲 RSN1013 Northridge-01 0.08 速度脉冲 RSN1489 Chi-Chi 0.77 速度脉冲 RSN2628 Chi-Chi 0.04 速度脉冲 RSN3317 Chi-Chi 0.28 速度脉冲 由图6可知,当PI为0.15~0.85时,Baker(2007)提出的传统方法无法识别,需人工识别,而本文建立的CNN模型能够识别。图7中PI<0.15,按Baker(2007)提出的传统方法可将其判定为非速度脉冲,而由图7可明显看出存在多个脉冲(框选部分),其未被Baker(2007)提出的方法认定为脉冲记录的原因是速度时程中存在多个明显的次脉冲,次脉冲的存在降低了PI值。本文方法能够识别含有多速度脉冲强地震动记录的原因是CNN模型自动提取的速度大脉冲特征更全面。综上所述,本文提出的CNN模型判别结果明确,无须人工判别,且在识别含有多个速度脉冲的强地震动记录方面具有优势。
5. 结论与展望
利用CNN在图像特征自动提取方面的优势,提出基于CNN图像识别的速度大脉冲识别方法。利用在原始记录中加入高斯噪声与过采样的方法解决了样本不均衡问题。训练后的CNN模型能够自动提取速度大脉冲的特征,进而将速度大脉冲记录结果复现。
传统的速度大脉冲识别方法需通过统计分析构造速度大脉冲识别的特征,较繁琐、单一。本文方法能够自动从速度波形图中提取全面的速度大脉冲特征,用于速度大脉冲识别,更智能、简单。本文方法将强地震动记录转化为波形图像,将速度大脉冲识别转化为图像识别,以99%的准确率进行分类,表明本文建立的CNN模型能够自动提取速度大脉冲信息,进而可用于速度大脉冲识别中。将本文方法与传统方法进行对比,结果表明本文方法在识别含有多个速度脉冲的强地震动记录方面优于传统方法,证明了本文方法具有较高的可靠性、鲁棒性、灵活性。
本文建立的CNN模型仅对速度大脉冲进行了识别,未给出模型自动提取的速度大脉冲特征、周期及所在位置,未来的研究中将解决这些问题。另外,由于已有含多速度脉冲的记录数量较少,本文未给出较细致的对比,随着数据数量的增多,将进行深入的对比研究。
-
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,2007) CNN识别结果 RSN180 Imperial Valley-06 0.23 速度脉冲 RSN292 Irpinia, Italy-01 0.13 速度脉冲 RSN1013 Northridge-01 0.08 速度脉冲 RSN1489 Chi-Chi 0.77 速度脉冲 RSN2628 Chi-Chi 0.04 速度脉冲 RSN3317 Chi-Chi 0.28 速度脉冲 -
[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.1000-4750.2015.01.0039Qu 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.0001-5733.2011.03.012Xie 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/zzfy20190303Yang 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/cjg2019M0151Zhao 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. 期刊类型引用(2)
1. 郭茂祖,张欣欣,赵玲玲,张庆宇. 面向结构地震响应预测的Phy-LInformers方法. 智能系统学报. 2024(04): 1027-1041 . 百度学术
2. 郑史雄,雷川鹤,贾宏宇,杨健,赵灿晖. 人工智能技术在桥梁抗震领域的应用综述. 地震工程与工程振动. 2023(04): 1-13 . 百度学术
其他类型引用(1)
-