• ISSN 1673-5722
  • CN 11-5429/P

东祁连山北缘断裂带基于深度学习的密集台阵地震事件快速检测与定位研究

杨少博 王炳文 高级 张海江

李丽, 赵国峰, 李吉, 景鹏旭, 蒋宏毅. 一致激励与多点激励对悬索桥地震响应影响分析[J]. 震灾防御技术, 2020, 15(2): 252-259. doi: 10.11899/zzfy20200203
引用本文: 杨少博,王炳文,高级,张海江,2022. 东祁连山北缘断裂带基于深度学习的密集台阵地震事件快速检测与定位研究. 震灾防御技术,17(1):38−45. doi:10.11899/zzfy20220104. doi: 10.11899/zzfy20220104
Li Li, Zhao Guofeng, Li Ji, Jing Pengxu, Jiang Hongyi. Analysis of the Influence of Uniform Excitation and Multi-point Excitation on the Seismic Response of Suspension Bridge[J]. Technology for Earthquake Disaster Prevention, 2020, 15(2): 252-259. doi: 10.11899/zzfy20200203
Citation: Yang Shaobo, Wang Bingwen, Gao Ji, Zhang Haijiang. Rapid Earthquake Detection and Location for Dense Array Data in the Fault Zone of the Northern Margin of the East Qilian Mountains Based on Deep Learning[J]. Technology for Earthquake Disaster Prevention, 2022, 17(1): 38-45. doi: 10.11899/zzfy20220104

东祁连山北缘断裂带基于深度学习的密集台阵地震事件快速检测与定位研究

doi: 10.11899/zzfy20220104
基金项目: 国家重点研发计划(2018YFC1504102)
详细信息
    作者简介:

    杨少博,男,生于1996年。博士。主要从事人工智能在地震学中的应用研究工作。E-mail:yang0123@mail.ustc.edu.cn

    通讯作者:

    高级,男,生于1983年。副研究员,硕士生导师。主要从事近地表地球物理成像及联合反演研究。E-mail:gaoji617@ustc.edu.cn

Rapid Earthquake Detection and Location for Dense Array Data in the Fault Zone of the Northern Margin of the East Qilian Mountains Based on Deep Learning

  • 摘要: 为监测东祁连山北缘断裂带附近的地震活动性,布设包含240台短周期地震仪的面状密集台阵,进行约30 d的连续观测。首先使用基于深度学习的多台站地震事件检测算法(CNNDetector)进行地震事件检测,然后使用震相拾取网络(PhaseNet)对地震事件进行P波和S波到时拾取,其次使用震相关联算法(REAL)进行震相关联及初定位,最后使用双差定位(hypoDD)进行地震重定位,最终的精定位地震目录中共有517个地震。在密集台阵观测期间,中国地震台网正式地震目录中共有39个位于台阵内的地震事件,相比而言,密集台阵检测到大量小于0级的地震。因此通过布设密集台阵,可提高活动断裂微地震活动性的监测能力。与历史地震空间分布相比,密集台阵地震精定位分布具有较好的一致性,表现出更明显的线性分布特征。基于地震分布,发现研究区域存在与地表断层迹线走向不同的隐伏活跃断裂。
  • 悬索桥结构主要由锚碇、索塔、缆索系统、加劲梁和附属结构组成,具有结构简单、轻便、易于标准化、构件易运输、方便悬吊拼装、施工限制较少等特点(铁道部大桥工程局桥梁科学研究所,1996钱炜,2007),是特大桥梁的主要类型(李光军,2012)。地震是造成桥梁结构破坏的主要原因之一,桥梁是联系外界与地震灾区的重要纽带,桥梁一旦破坏,将中断通往灾区的通道,影响救灾工作进展,造成较大损失(刘润舟,2008)。因此,对悬索桥结构进行地震响应分析具有重要意义。国内外学者已开展了大跨度桥梁多点激励地震响应研究,如许基厚等(2019)对非对称单侧混合梁斜拉桥多点激励地震响应进行研究,分析了行波效应对塔顶、主梁、塔底等关键位置动力响应的影响,并研究了不同入射角对桥梁动力响应的影响,认为多点激励下主塔内力计算结果偏小,而主梁内力计算结果偏大,地震激励对非对称大跨度斜拉桥内力产生较大影响,内力变化可达20%;张凡等(2016)对不同波速下斜拉桥地震响应进行了分析,认为波速的影响显著;王再荣等(2016)分析行波效应下斜拉桥地震响应,得出辅助墩耗能降低、桥塔损伤增大的结论;刘旭政等(2018)考虑2种地震波和3种视波速的不同组合,以一座实际工程高桩大跨度连续刚构桥为例,研究行波效应对桥梁地震响应的影响,认为随着视波速的增大,行波效应对桥梁内力的影响程度减小;梅泽洪等(2017)研究了考虑局部场地效应桥梁结构在非一致激励下地震响应的特点,认为下部结构响应所受影响较小,而上部结构所受影响明显,考虑行波效应的非一致激励对桥梁地震响应有减弱效果;黎璟等(2019)以铁路工程实际桥梁为例,研究了非一致激励下大跨度铁路斜拉桥地震响应规律,认为在非一致激励下塔顶位移响应峰值与墩底弯矩响应峰值均随着相位差呈周期性变化,且变化周期与结构一阶自振周期基本一致。

    本文选取某三跨两铰连续体系悬索桥,已有研究结果表明线性分析方法和非线性分析方法得到的该桥地震响应结果相近(Fleming等,1980李丽等,2018a)。因此利用大型通用有限元软件ANSYS建立三维弹性有限元模型,分析一致激励与多点激励下悬索桥地震响应,研究其抗震性能。

    桥梁结构动力响应分析方法主要包括一致激励动态时程分析方法及多点激励动态时程分析方法,目前多点激励动态时程分析方法的应用较多,该方法考虑地震行波效应和局部场地效应,对各独立基础或支撑结构输入不同的设计反应谱或加速度时程进行计算(张沧海,2011),主要包括相对运动法和大质量法(范立础等,2001Leger等,1990)。相对运动法通过支撑点的加速度时程计算非支撑点的动力响应。大质量法是对结构模型进行动力等效的分析方法,在处理多点激励问题时需解除支撑点沿地震作用方向的约束,并赋予节点大质量,其值通常远大于结构体系的总质量(苏成等,2008)。本文采用相对运动法计算悬索桥在多点激励下的响应。

    三跨连续悬索桥主跨124m,主梁设计为连续加劲梁,加劲梁采用正交异性板流线形扁平钢箱梁,梁高1.88m,宽(含风嘴)10.8m;纵向分配梁宽0.16m,厚0.28m;纵向斜腹杆,横向内侧竖杆,横向内、外侧斜腹杆截面宽度均为0.16m,厚度均为0.2m;纵向上、下弦杆截面宽度均为0.3m,厚度均为0.2m;纵向竖杆截面宽0.2m,厚0.18m;横向外侧竖杆截面宽0.2m,厚0.24m;横向上弦杆截面宽0.18m,厚0.24m;横向下弦杆截面宽0.18m,厚0.2m;抗风桁架截面宽0.12m,厚0.12m。主塔为H形,塔高36m,南、北桥塔未设置上、下横梁。塔柱截面宽2m,厚4m;柱间连接件截面宽4m,厚2m。桥面以上有3根主缆,南、北边跨吊索各12根,主跨共30根,索间距4m。主缆截面直径为0.079m,吊索截面直径为0.039m。桥梁结构各构件材料物理参数见表 1

    表 1  桥梁结构材料物理参数
    Table 1.  The material physical parameters of bridge structure
    构件 材料 弹性模量/Pa 泊松比 密度/kg·m-3
    主缆 钢丝绳 21.0×1010 0.167 7850
    吊索 钢丝绳 21.0×1010 0.167 7850
    加劲桁架、纵梁 C30混凝土 3.0×1010 0.300 2500
    桥塔、桥面板 C20混凝土 2.8×1010 0.300 2500
    下载: 导出CSV 
    | 显示表格

    选取常用的Kobe地震波对悬索桥进行地震响应分析,顺桥向输入的加速度时程曲线如图 1,加速度峰值为0.345g,持时为24.79s。

    图 1  输入Kobe波加速度时程曲线(顺桥向)
    Figure 1.  The input Kobe wave of acceleration time history curve (Along the bridge)

    对于大跨度悬索桥,输入地震动时常将水平地震系数的1/2或2/3作为竖向地震系数,组合方式通常为顺桥向与竖向组合、横桥向与竖向组合(李国豪,2003),因此,进行一致激励下的地震响应分析时,本文将竖向地震系数取为水平地震系数的1/2,并选取顺桥向与竖向组合;进行多点激励下的地震响应分析时,将竖向地震系数取为水平地震系数的1/2,先对加速度时程曲线进行2次积分,第1次积分得到速度时程曲线,并将其进行基线校正,将校正后的速度时程曲线再次积分并进行基线校正,得到位移时程曲线,如图 2

    图 2  Kobe波位移时程曲线(顺桥向)
    Figure 2.  The input Kobe wave of displacement time history curve (Along the bridge)

    多点激励位移输入位置为图 3中①-④桥梁支座位置,计算时考虑不同支座输入波形相位滞后现象,采用对不同支座延迟输入位移时程的方法考虑行波效应(刘春城等,2004王蕾等,2006严琨等,2017),根据大跨建筑结构多点输入地震响应计算结果(李丽等,2018b景鹏旭等,2017)与抗震设计方法研究结果(江洋,2010),取视波速为1000m/s,根据支座间距计算各支座位移输入延迟时间,见表 2

    图 3  桥梁结构立面图及荷载激励点布置
    Figure 3.  The elevation and load excitation point layout of the bridge
    表 2  输入位移时程延迟时间(s)
    Table 2.  The delay time of input displacement time history (s)
    支座编号
    时间间隔 0.000 0.050 0.174 0.224
    下载: 导出CSV 
    | 显示表格

    应用大型通用有限元软件ANSYS建立悬索桥三维有限元模型(图 4),应用link10单元模拟主缆及吊索,应用beam4单元模拟加劲桁架、纵向分配梁、抗风桁架、桥塔,应用shell63单元模拟桥面板。主缆及吊索初应变设为0.0043,先对结构进行重力分析,得到结构初始应力,然后对其进行模态分析,计算桥梁结构前2阶振型圆频率,应用APDL语言编制求解瑞利阻尼系数αβ

    图 4  桥梁结构有限元模型
    Figure 4.  Finite element model of the bridge

    ALPHAD, 2*DAMPRATIO*FREQ1*2*3.1415926

    BETAD, 2*DAMPRATIO/(FREQ1*2*3.1415926)

    计算得到主梁位移及南、北桥塔塔柱沿柱高方向的位移、轴力、剪力及弯矩包络图,如图 5-7

    图 5  主梁顺桥向最大位移包络图
    Figure 5.  Envelope diagram of maximum displacement of main beam along bridge direction
    图 6  南桥塔纵向位移、轴力、剪力及弯矩包络图
    Figure 6.  The envelope of displacement, axial force, shearing force and bending moment of the occurrence bridge tower longitudinal
    图 7  北桥塔纵向位移、轴力、剪力及弯矩包络图
    Figure 7.  The envelope of displacement, axial force, shearing force and bending moment of the north bridge tower longitudinal

    图 5可知,多点激励下主梁最大位移略高于一致激励下主梁最大位移,总体变化不大。由图 6图 7可知,一致激励下南、北桥塔沿塔高的位移、轴力、剪力及弯矩计算结果相同,这符合有限元计算基本原理。多点激励下南、北桥塔计算结果不对称,说明地震波输入方式对计算结果具有一定影响,由于本研究中悬索桥跨度不大,所以一致激励和多点激励下计算结果差别不大。

    本文对某对称悬索桥在一致激励及视波速1000m/s的多点激励下的地震响应进行分析,并对计算结果进行分析。计算结果表明地震波输入方式对模拟结果具有一定影响,计算结果存在一定差异,主梁在多点激励下的位移计算结果略高于一致激励下的计算结果,桥塔最大位移发生在塔中与塔顶之间,最大弯矩、轴力、剪力均发生在塔根处。

  • 图  1  研究区域台站及历史地震事件分布

    Figure  1.  Distribution of stations and historical earthquakes in the study area

    图  2  CNNDetector检测出的2个地震事件波形

    Figure  2.  Waveforms of two seismic events detected by CNNDetector

    图  3  PhaseNet到时拾取结果和不同台站接收到的事件317的波形图

    Figure  3.  Examples of PhaseNet arrival time picking results and waveforms of event 317 received at different stations

    图  4  地震定位使用的一维速度模型

    Figure  4.  1D velocity models used for earthquake location

    图  5  REAL震相关联及初定位结果

    Figure  5.  Seismic phase association and earthquake location results by the REAL algorithm

    图  6  HypoDD定位结果

    Figure  6.  HypoDD location results

    图  7  HypoDD 迭代过程及走时残差分布

    Figure  7.  HypoDD iterative process and residual distribution

    图  8  震级分布与对比

    Figure  8.  Magnitude distribution and comparison

  • [1] 郭鹏, 韩竹军, 安艳芬等, 2017. 冷龙岭断裂系活动性与2016年门源6.4级地震构造研究. 中国科学: 地球科学, 60(5): 929—942.

    Guo P., Han Z. J., An Y. F., et al., 2017. Activity of the Lenglongling fault system and seismotectonics of the 2016 MS 6.4 Menyuan earthquake. Science China Earth Sciences, 60(5): 929—942. (in Chinese)
    [2] 郭鹏, 2019. 北祁连山冷龙岭断裂大震复发行为与危险性研究. 北京: 中国地震局地质研究所.

    Guo P., 2019. Earthquake recurrence behavior and seismic hazards of the Lenglongling Fault, northern Qilian Shan. Beijing: Institute of Geology, China Earthquake Administrator. (in Chinese)
    [3] 侯康明, 1998. 皇城-双塔断裂带的几何分段及运动学特征. 华南地震, 18(3): 28—34

    Hou K. M. , 1998. The geometric segmentation and kinematics characteristics of Huangcheng-Shuangta fault zone. South China Journal of Seismology, 18(3): 28—34. (in Chinese)
    [4] 戚帮申, 2014. 祁连山新生代构造地貌演化特征. 北京: 中国地质大学(北京).

    Qi B. S., 2014. Tectonic and geomorphological evolution features in Qilian Mountains during the Cenozoic. Beijing: China University of Geosciences Beijing. (in Chinese)
    [5] 莘海亮, 2020. 中国大陆岩石圈地震体波三维走时速度成像与地震定位研究. 合肥: 中国科学技术大学.

    Xin H. L., 2020. Three-dimensional seismic travel time tomography of lithosphere of continental China and earthquake relocations. Hefei:University of Science and Technology of China. (in Chinese)
    [6] 张培震, 沈正康, 王敏等, 2004. 青藏高原及周边现今构造变形的运动学. 地震地质, 26(3): 367—377 doi: 10.3969/j.issn.0253-4967.2004.03.002

    Zhang P. Z. , Shen Z. K. , Wang M. , et al. , 2004. Kinematics of present-day tectonic deformation of the Tibetan Plateau and its vicinities. Seismology and Geology, 26(3): 367—377. (in Chinese) doi: 10.3969/j.issn.0253-4967.2004.03.002
    [7] 赵明, 陈石, 2021a. 基于深度学习的地震检测模型在区域台网的泛化性研究. 地震, 41(1): 166—179

    Zhao M. , Chen S. , 2021a. The Generalization ability research of deep learning algorithm in seismic phase detection of regional seismic network. Earthquake, 41(1): 166—179. (in Chinese)
    [8] 赵明, 唐淋, 陈石等, 2021b. 基于深度学习到时拾取自动构建长宁地震前震目录. 地球物理学报, 64(1): 54—66

    Zhao M. , Tang L. , Chen S. , et al. , 2021b. Machine learning based automatic foreshock catalog building for the 2019 MS 6.0 Changning, Sichuan earthquake. Chinese Journal of Geophysics, 64(1): 54—66. (in Chinese)
    [9] Han S. C. , Zhang H. J. , Xin H. L. , et al. , 2022. USTClitho2.0: updated unified seismic tomography models for continental china lithosphere from joint inversion of body‐wave arrival times and surface‐wave dispersion data. Seismological Research Letters, 93(1): 201—215. doi: 10.1785/0220210122
    [10] Kissling E. , Ellsworth W. L. , Eberhart‐Phillips D. , et al. , 1994. Initial reference models in local earthquake tomography. Journal of Geophysical Research: Solid Earth, 99(B10): 19635—19646. doi: 10.1029/93JB03138
    [11] Li Z. F. , Peng Z. G. , Hollis D. , et al. , 2018. High-resolution seismic event detection using local similarity for Large-N arrays. Scientific Reports, 8(1): 1646. doi: 10.1038/s41598-018-19728-w
    [12] Liu M. , Zhang M. , Zhu W. Q. , et al. , 2020. Rapid characterization of the July 2019 Ridgecrest, California, earthquake sequence from raw seismic data using machine‐learning phase picker. Geophysical Research Letters, 47(4): e2019GL086189.
    [13] McBrearty I. W. , Delorey A. A. , Johnson P. A. , 2019. Pairwise association of seismic arrivals with convolutional neural networks. Seismological Research Letters, 90(2A): 503—509. doi: 10.1785/0220180326
    [14] Meng H. R. , Ben-Zion Y. , 2018. Detection of small earthquakes with dense array data: Example from the San Jacinto fault zone, southern California. Geophysical Journal International, 212(1): 442—457. doi: 10.1093/gji/ggx404
    [15] Mousavi S. M. , Ellsworth W. L. , Zhu W. Q. , et al. , 2020. Earthquake transformer—an attentive deep-learning model for simultaneous earthquake detection and phase picking. Nature Communications, 11(1): 3952. doi: 10.1038/s41467-020-17591-w
    [16] 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
    [17] 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
    [18] Ross Z. E. , Trugman D. T. , Hauksson E. , et al. , 2019a. Searching for hidden earthquakes in southern California. Science, 364(6442): 767—771. doi: 10.1126/science.aaw6888
    [19] Ross Z. E. , Yue Y. S. , Meier M. A. , et al. , 2019b. PhaseLink: a deep learning approach to seismic phase association. Journal of Geophysical Research: Solid Earth, 124(1): 856—869. doi: 10.1029/2018JB016674
    [20] Ross Z. E. , Cochran E. S. , Trugman D. T. , et al. , 2020. 3D fault architecture controls the dynamism of earthquake swarms. Science, 368(6497): 1357—1361. doi: 10.1126/science.abb0779
    [21] Waldhauser F. , Ellsworth W. L. , 2000. A double-difference earthquake location algorithm: method and application to the northern Hayward fault, California. Bulletin of the Seismological Society of America, 90(6): 1353—1368. doi: 10.1785/0120000006
    [22] Wang R. J. , Schmandt B. , Zhang M. , et al. , 2020. Injection‐induced earthquakes on complex fault zones of the Raton Basin illuminated by machine‐learning phase picker and dense nodal array. Geophysical Research Letters, 47(14): e2020GL088168.
    [23] Xiao Z. W. , Wang J. , Liu C. , et al. , 2021. Siamese earthquake transformer: a pair‐input deep‐learning model for earthquake detection and phase picking on a seismic array. Journal of Geophysical Research: Solid Earth, 126(5): e2020JB021444.
    [24] Yang S. B. , Hu J. , Zhang H. J. , et al. , 2021. Simultaneous earthquake detection on multiple stations via a convolutional neural network. Seismological Research Letters, 92(1): 246—260. doi: 10.1785/0220200137
    [25] Zhang M. , Ellsworth W. L. , Beroza G. C. , 2019. Rapid earthquake association and location. Seismological Research Letters, 90(6): 2276—2284. doi: 10.1785/0220190052
    [26] 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(8)
计量
  • 文章访问数:  297
  • HTML全文浏览量:  76
  • PDF下载量:  52
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-02-06
  • 网络出版日期:  2022-05-31
  • 刊出日期:  2022-03-31

目录

/

返回文章
返回