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

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

中国地震局地球物理研究所，北京 100081

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

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

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

Institute of Geophysics, China Earthquake Administration, Beijing 100081, China

摘要

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。
- 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.
- Strong ground motion /
- Velocity pulse /
- Convolution neural network /
- Image recognition

HTML全文

1. 2020年中国地震概况

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 (M_S≥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
1	2020-01-16 16:32:38	41.21	83.6	新疆阿克苏地区库车市	5.6	(1)
2	2020-01-18 00:05:50	39.83	77.18	新疆喀什地区伽师县	5.4
3	2020-01-19 21:27:55	39.83	77.21	新疆喀什地区伽师县	6.4	(2)
4	2020-01-19 22:23:01	39.89	77.46	新疆克孜勒苏州阿图什市	5.2
5	2020-01-25 06:56:05	31.98	95.09	西藏昌都市丁青县	5.1
6	2020-01-29 07:39:29	27.16	126.6	东海海域	5.3
7	2020-02-03 00:05:41	30.74	104.46	四川成都市青白江区	5.1
8	2020-02-15 19:00:07	23.95	121.49	台湾花莲县	5.4
9	2020-02-21 02:01:40	34.56	85.68	西藏阿里地区改则县	5.0
10	2020-02-21 23:39:14	39.87	77.47	新疆喀什地区伽师县	5.1
11	2020-03-10 02:12:11	32.84	85.52	西藏阿里地区改则县	5.0
12	2020-03-12 23:44:03	32.88	85.55	西藏阿里地区改则县	5.1
13	2020-03-20 09:33:15	28.63	87.42	西藏日喀则市定日县	5.9
14	2020-03-23 03:21:39	41.75	81.11	新疆阿克苏地区拜城县	5.0
15	2020-04-01 20:23:27	33.04	98.92	四川甘孜州石渠县	5.6	(3)
16	2020-05-03 11:24:40	23.29	121.6	台湾台东县海域	5.4
17	2020-05-06 18:51:00	39.71	74.1	新疆克孜勒苏州乌恰县	5.0
18	2020-05-09 23:35:59	40.77	78.76	新疆阿克苏地区柯坪县	5.2
19	2020-05-18 21:47:59	27.18	103.16	云南昭通市巧家县	5.0	(4)
20	2020-06-14 04:18:59	24.29	122.41	台湾宜兰县海域	5.5
21	2020-06-26 05:05:20	35.73	82.33	新疆和田地区于田县	6.4	(5)
22	2020-07-12 06:38:25	39.78	118.44	河北唐山市古冶区	5.1
23	2020-07-13 09:28:02	44.42	80.82	新疆伊犁州霍城县	5.0
24	2020-07-23 04:07:20	33.19	86.81	西藏那曲市尼玛县	6.6
25	2020-07-26 20:52:27	24.27	122.48	台湾花莲县海域	5.5
26	2020-09-29 04:50:53	22.29	121.1	台湾台东县海域	5.0
27	2020-09-30 12:37:18	24.85	122.14	台湾宜兰县海域	5.0
28	2020-12-10 21:19:58	24.74	121.99	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 (M_S≥5.0) in China, 2020

下载: 全尺寸图片幻灯片

2. 2020年中国大陆地震灾害情况

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
1	2020-01-16 16:32	新疆阿克苏地区库车市	5.6	0	0	712
2	2020-01-19 21:27	新疆喀什地区伽师县	6.4	1	2	152 642
3	2020-04-01 20:23	四川甘孜州石渠县	5.6	0	0	19 242.69
4	2020-05-18 21:47	云南昭通市巧家县	5.0	4	28	10 430
5	2020-06-26 05:05	新疆和田地区于田县	6.4	0	0	1 650

下载: 导出CSV

| 显示表格

3. 2020年中国大陆地区地震灾害特点

（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
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	Ⅴ	Ⅵ	Ⅶ	Ⅷ
1	2020-01-16 16:32	新疆阿克苏地区库车市	5.6	Ⅵ	16	12	685	—	813.6	0	0
2	2020-01-19 21:27	新疆喀什地区伽师县	6.4	Ⅷ	16	12	279 388	—	4 945	2 397	257
3	2020-04-01 20:23	四川甘孜州石渠县	5.6	Ⅶ	10	6	—	—	360	3 140	0
4	2020-05-18 21:47	云南昭通市巧家县	5.0	Ⅵ	8	6	67 083	—	330	0	0
5	2020-06-26 05:05	新疆和田地区于田县	6.4	Ⅷ	10	—	—	—	—	—	—
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。

4. 1991—2020年主要震害情况

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，2012，2015a，2015b；陈通等，2016；文鑫涛等，2018；林向洋等，2018，2020a，2020b）如图2所示。由表4和图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
2011	15	32	506	60.11
2012	11	86	1 331	82.88
2013	14	294	15 671	995.36
2014	10	736	3 688	355.64
2015	12	33	1 217	180.00
2016	16	2	103	66.80
2017	11	37	638	217.40
2018	11	0	81	27.30
2019	13	17	411	59.12
2020	5	5	30	18.47
2011—2020	118	1242	23 676	2 063.08
2001—2010	108	72372	398 917	8 984.90
1991—2000	130	564	52 668	120.18

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

下载: 全尺寸图片幻灯片

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。

5. 结语

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

下载: 全尺寸图片幻灯片

图 2 本文搭建的CNN模型结构

Figure 2. Convolutional neural network structure

下载: 全尺寸图片幻灯片

图 3 预处理前后的波形图

Figure 3. Waveform before and after preprocessing

下载: 全尺寸图片幻灯片

图 4 预处理前后提取的脉冲时程

Figure 4. Pulse extracted before and after preprocessing

下载: 全尺寸图片幻灯片

图 5 评价指标曲线

Figure 5. Evaluation indication curve

下载: 全尺寸图片幻灯片

图 6 PI为0.15～0.85

Figure 6. PI is between 0.15 and 0.85

下载: 全尺寸图片幻灯片

图 7 PI小于0.15

Figure 7. PI is less than 0.15

下载: 全尺寸图片幻灯片

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

下载: 导出CSV

参考文献(17)

[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.