Study on the Prediction of Ground Motion Amplitude Based on Deep Neural Network
-
摘要: 地震动预测模型是灾害分析和结构设计的重要组成部分,近年来神经网络技术愈发成熟地被应用在该预测模型的开发上,但多为使用地表以下30 m范围内土层等效剪切波速(VS30)作为场地输入参数的单层全连接神经网络模型,忽略了完整土层厚度及剪切波速信息对地震动幅值的影响。本文采用卷积神经网络及全连接神经网络混合模型,选用日本KiK-net台网记录到的
3174 次地震共计39192 条地震动记录,构建了一种基于深度神经网络框架的地表地震动幅值预测模型。该模型的输入参数为震级、震源深度、震中距、场地各土层厚度、剪切波速信息和井下地震动幅值,输出为相应的地表地震动幅值(PGA或PGV或PGD)。对模型进行训练并计算其各项评价指标予以评估,结果表明:(1)该混合神经网络模型的决定系数超过了0.85,模型残差服从正态分布,均值残差接近于0,模型表现出无偏的特性。(2)与现有经验公式相比,混合网络模型的PGA、PGV和PGD预测精度分别提升约26.9%、16.5%和11.6%。与使用VS30作为场地参数的全连接神经网络模型相比,该框架下模型预测值与真实值的Person相关系数及各项评价指标均有所提升,模型残差的均值和标准差更小,PGA、PGV和PGD模型预测精度提升约6.3%、3.9%和3.4%,能更好地对地震动幅值进行预测。Abstract: The ground motion prediction model is a critical component in disaster analysis and structural design. In recent years, neural network technology has increasingly been applied to develop such prediction models. However, most existing models are single-layer fully connected neural networks that use the equivalent shear wave velocity of soil layers within 30 meters below the surface (VS30) as the site input parameter. This approach often overlooks the impact of the complete soil layer thickness and shear wave velocity information on ground motion amplitude. In this paper, a combined convolutional neural network (CNN) and fully connected neural network model is proposed. A dataset comprising39192 ground motion records from3174 earthquakes recorded by KiK-net is used to build a ground motion amplitude prediction model based on deep neural network technology. The model's input parameters include the magnitude, source depth, epicenter distance, thickness of each soil layer, shear wave velocity information, and underground ground motion amplitude. The output is the corresponding ground motion amplitude (PGA, PGV, or PGD). The model is trained and its evaluation indexes are calculated. The results indicate that: (1) The coefficient of determination (R2) of the mixed input neural network model exceeds 0.85. The model residual follows a normal distribution, and the mean residual is close to 0, demonstrating an unbiased characteristic. (2) Compared to the empirical formula, the prediction accuracy of the hybrid network model improves by 26.9%, 16.5%, and 11.6% for PGA, PGV, and PGD, respectively. (3) Compared to the traditional fully connected neural network model using VS30 as the site parameter, the Pearson correlation coefficient and various evaluation indexes of the predicted values and actual values show improvement. The mean and standard deviation of the model residual are smaller, and the prediction accuracy of the PGA, PGV, and PGD models improves by about 6.3%, 3.9%, and 3.4%, respectively. This combined neural network model can better predict seismic amplitude, taking into account the complete soil layer information. -
引言
为了确定工程的场地相关反应谱,需要考虑场地条件对地震动的影响。对于横向性质变化较小的工程场地,通常采用一维模型进行土层地震反应分析。核设施土层地震反应分析工作对地震动输入和土层模型的要求较高,如自由基岩表面地震动反应谱应按确定性和概率方法的计算结果分别确定、地震动输入界面的剪切波速不小于700m/s、应根据土力学性能测定结果确定模型参数等,这些技术要求通过限制模型参数的不确定性,提高了土层地震反应分析结果的可靠性。
考虑到土层地震反应分析中的不确定性,我国的地震安全性评价规范要求进行多个钻孔场地力学模型和多个地震动时程样本的组合地震反应分析计算,再综合评判多个钻孔场地力学模型和输入多个地震动组合时的计算结果,以确定场地的地震动参数。综合评判通常采用对地震动反应谱值的平均拟合方法或者外包络法(卢寿德,2006)。美国核电厂地震危险性分析工作基于工程场地的钻孔、原位测试和室内实验结果,根据动力特性和波速分布的研究成果,随机生成土层模型,表征土层模型参数的不确定性;采用调整天然地震动或利用随机振动理论方法,确定自由地表基岩地震动输入进行土层地震反应分析;对计算出的放大系数进行统计,再以放大系数分布的均值乘以基岩地震动反应谱,确定工程的场地相关谱(Silva等,1996;USNRC,2007)。
综上所述,中美两国核设施土层地震反应分析的总体思路是一致的,都是采用地震动-土层动力学模型组合的方式来考虑土层地震反应分析结果的不确定性。可能影响分析结果的参数包括基岩地震动、土层动力特性和土层剪切波速。
石玉成等(1999)采用Monte Carlo方法对影响土层地震反应分析结果的不确定因素进行了分析;王恒知等(2009)分析了时程拟合参数对土层地震反应分析结果的影响;施春花等(2009)统计分析了北京地区不同深度粘土的动力特性,采用等效线性化方法分析了统计结果的代表性,为北京地区难以取得原状土的工程场地地震安评工作提供了参考;王玉石等(2016)总结了强震动条件下土体非线性动力特性研究的发展历程和方向;沈建文等(2010, 2011)分析了土体剪应变折减系数对土层地震反应分析结果的影响,提出了采用震级和距离参数修正土层反应的等效线性化方法,建议使用设定地震定义震级和距离;Robinson等(2006)考虑了土层厚度和波速结构的不确定性,基于实测数据,随机生成土层模型,分析了悉尼港口地区的地震危险性及其不确定性。这些研究工作的地震动输入均为与目标谱匹配的地震动时程,加速度时程是地震动随机过程的实现。由于地震动随机过程的变异性较大,为了给出土层地表加速度反应谱的稳定估计值,需要采用多条时程进行多次分析。美国核管会(U. S. Nuclear Regulatory Commission,USNRC)的管理导则中推荐了随机振动理论(Random Vibration Theory,RVT)方法,该方法以幅值谱和持时作为输入,降低了分析工作的计算量和对地震动时程的依赖,可以快速准确地估计工程场地的地表地震动(Schneider等,1991;Silva等,1996;Boore,2003;Rathje等,2006;Ozbey,2006;USNRC,2007;Rathje等,2010;Boore等,2015)。
本文以某核电厂址为例,采用随机振动理论方法确定基岩地震动输入,基于工程场地土力学和剪切波速测试数据,随机生成土层模型,进行土层地震反应分析,讨论土层波速剖面、动力特性、基岩地震动输入界面不确定性对土层地震反应分析结果的影响。
1. 基岩地震危险性和土层模型
本文重点在于土层地震反应分析,因此不再详述厂址基岩地震危险性的评价过程,评价结果见图 1。图 1中的数据为厂址特定基岩地表地震动(SL-2),是概率法和确定论方法评价结果的包络值,其中概率论方法的年平均超越概率为1×10-4。
依据我国地震安全性评价工作的规范要求,在不同位置对工程场地进行了多个钻孔测试,将其中的控制孔分别命名为zk1、zk2和zk3。钻孔岩石地层柱状图和剪切波速剖面图见图 2。
图 2(a)中从左至右依次为zk1、zk2和zk3的剖面。从图 2(a)可知,工程场地的主要地层包括粘土、粉质粘土、粉砂、玄武岩、火山角砾岩、粘土岩,其中zk3未见粘土岩。图 2(b)中的红色、蓝色和黑色曲线分别代表zk1、zk2和zk3中介质剪切波速随深度的变化。由图 2(b)可以看出,粘土和砂土中的剪切波速随深度的增加逐渐变大,玄武岩和火山角砾岩中的剪切波速与土壤中的剪切波速相比,存在明显的突变,其中玄武岩的剪切波速又明显高于火山角砾岩中的剪切波速。3个钻孔位于同一场地中,相互距离处在百米量级上。土壤中剪切波速随深度的变化趋势基本一致,玄武岩和火山角砾岩中剪切波速随着风化程度的变化而变化,但是都远远高于美国西部强地面运动记录中基岩的定义值(760m/s),因此可以据此对zk3的剖面进行波速延拓,至国标定义的基岩地震动输入界面。
为了确定土层的动力非线性特性,对钻孔内各土层的典型样品分别进行了共振柱和动三轴实验,综合确定了土层样品的动剪切模量比(G/Gmax)和阻尼比(λ)随动剪应变(γ)的变化,土层样品动力非线性特征见表 1,剪切模量比和阻尼比与剪应变关系曲线如图 3所示。
表 1 土层样品动力非线性特性Table 1. The shear modulus and damping ratio vs. strain of soil samples序号 土层名称 剪切模量比与阻尼比 剪应变γ/10-4 0.05 0.1 0.5 1 5 10 50 100 1 粉质粘土 G/Gmax 0.993 0.987 0.937 0.881 0.718 0.56 0.203 0.113 λ 0.004 0.007 0.028 0.045 0.06 0.098 0.204 0.236 2 粉土 G/Gmax 0.993 0.986 0.936 0.879 0.749 0.599 0.23 0.13 λ 0.004 0.007 0.023 0.033 0.068 0.11 0.22 0.251 3 粉质粘土 G/Gmax 0.996 0.992 0.96 0.924 0.661 0.493 0.163 0.089 λ 0.005 0.009 0.032 0.047 0.065 0.103 0.192 0.215 4 粉质粘土 G/Gmax 0.991 0.983 0.919 0.87 0.762 0.678 0.316 0.188 λ 0.005 0.009 0.032 0.047 0.055 0.091 0.193 0.224 5 粉质粘土 G/Gmax 0.99 0.98 0.905 0.827 0.702 0.601 0.232 0.131 λ 0.005 0.009 0.032 0.047 0.061 0.099 0.198 0.226 6 粉砂 G/Gmax 0.989 0.978 0.947 0.906 0.822 0.716 0.371 0.227 λ 0.005 0.009 0.032 0.037 0.054 0.083 0.186 0.282 7 粉砂 G/Gmax 0.991 0.982 0.936 0.892 0.802 0.704 0.336 0.202 λ 0.005 0.009 0.032 0.047 0.067 0.091 0.189 0.219 8 粉质粘土 G/Gmax 0.992 0.985 0.938 0.896 0.801 0.703 0.321 0.191 λ 0.005 0.009 0.032 0.044 0.063 0.085 0.172 0.208 9 粉质粘土 G/Gmax 0.992 0.984 0.923 0.884 0.703 0.611 0.239 0.136 λ 0.005 0.009 0.032 0.047 0.071 0.088 0.175 0.206 10 粉质粘土 G/Gmax 0.993 0.986 0.935 0.886 0.713 0.624 0.249 0.142 λ 0.002 0.005 0.022 0.038 0.075 0.093 0.198 0.242 11 粉质粘土 G/Gmax 0.99 0.98 0.907 0.862 0.712 0.607 0.236 0.134 λ 0.021 0.032 0.061 0.078 0.118 0.143 0.179 0.198 12 粉质粘土 G/Gmax 0.992 0.984 0.924 0.859 0.633 0.463 0.147 0.079 λ 0.019 0.03 0.046 0.058 0.092 0.112 0.169 0.184 13 粉质粘土 G/Gmax 0.996 0.991 0.958 0.919 0.813 0.685 0.303 0.179 λ 0.002 0.004 0.018 0.03 0.05 0.083 0.18 0.211 14 粉质粘土 G/Gmax 0.989 0.978 0.913 0.876 0.782 0.701 0.413 0.262 λ 0.017 0.025 0.041 0.044 0.053 0.066 0.128 0.189 15 粉砂 G/Gmax 0.992 0.984 0.925 0.861 0.664 0.497 0.165 0.09 λ 0.004 0.007 0.025 0.036 0.074 0.12 0.239 0.273 16 粉质粘土 G/Gmax 0.994 0.989 0.946 0.897 0.728 0.572 0.211 0.118 λ 0.005 0.009 0.03 0.041 0.062 0.086 0.189 0.228 17 粉质粘土 G/Gmax 0.993 0.986 0.943 0.905 0.834 0.763 0.439 0.281 λ 0.005 0.01 0.034 0.048 0.068 0.081 0.157 0.179 18 粉质粘土 G/Gmax 0.995 0.991 0.955 0.915 0.746 0.595 0.227 0.128 λ 0.002 0.004 0.018 0.031 0.056 0.094 0.203 0.238 19 粉细砂 G/Gmax 0.992 0.985 0.934 0.897 0.831 0.757 0.453 0.293 λ 0.001 0.003 0.012 0.018 0.035 0.05 0.104 0.12 图 3给出了表 1中土样动力非线性特征测量值的拟合曲线,由图 3(a)可知,随着剪应变的增大,剪切模量比逐渐减小。由图 3(b)可知,随着剪应变的增大,阻尼比逐渐增大。需要注意的是,由于工程场地内采集的样品进行了动三轴和共振柱实验,剪应变的变化范围较大,使得阻尼比的最大值可达20%以上。
2. 随机振动理论方法(RVT)
Schneider等于1991年首次提出了采用随机振动理论方法进行场地响应分析的思路,RVT方法的输入为傅立叶幅值谱(FAS)和持时(Tgm),不需要地震动时程,可以通过一次分析就给出场地响应的分布特征(Schneider等,1991)。Silva等(1996)将RVT方法应用于核设施土层地震反应分析中,研究了土层动力特性曲线不确定性的表征方式。Rathje等(2006)验证了RVT方法对美国东部地区的适用性,Ozbey(2006)进行了RVT方法和传统时程方法的对比研究。
RVT方法中地震动输入的FAS可以根据地震学的震源理论给出,也可以通过目标反应谱反算来确定(Brune,1970;Gasparini等,1976)。Tgm的定义可以采用震源理论计算或经验模型,Boore(2003)给出了适用于美国西部的经验公式,Boore等(2015)给出了适用于稳定大陆区域的地壳放大模型和持时模型。本文采用反应谱-幅值谱的相互关系,计算幅值谱,作为基岩地震动输入,进行土层地震反应分析。
3. 不确定性影响分析
为了分析土层模型中动力特性、剪切波速、基岩地震动输入界面位置对分析结果的影响,将变量分离,研究单个变量对评价结果的影响。首先,固定所有参数,以第2章中给出的基岩地震动和zk1的土层剖面模型作为输入,采用RVT方法进行土层地震反应分析,钻孔剖面模型zk1的加速度传递函数和土层地表加速度反应谱如图 4(a)和(b)所示。
由图 4(a)可知,zk1的土层剖面模型改变了地震动的频谱特征,1.4Hz和3.8Hz左右的放大效应非常明显,尤其是1.4Hz处,幅值被放大了接近3倍;高于6Hz部分的幅值降低明显,低于1.3Hz的频段内的幅值基本没有变化,说明zk1剖面模型的特征周期在0.7s左右,0.26s附近频谱的放大主要是近地表砂土层的影响。
由图 4(b)可知,土层地表加速度反应谱在2个周期段内数值较高,一个是0.19—0.27s,表现为较宽的平台段,一个是0.68s附近,呈尖峰状,二者之间则是一个显著的“谷地”。加速度反应谱的特征与加速度传递函数的特征相似,都说明了zk1所代表的土层模型对基岩地震动在2个频段内有明显的放大作用。
3.1 剪切波速
以zk1的剪切波速剖面为均值,采用Robinson等(2006)提出的土层剪切波速不确定性分布作为前提假设,随机生成30个土层模型,采用RVT方法进行土层地震反应分析。钻孔zk1的加速度传递函数和土层地表地震动反应谱如图 5(a)和(b)所示。
图 5(a)中的灰色曲线为每个随机模型的计算结果,黑色实线为所有结果的中值,黑色虚线为所有传递函数曲线的中值加减1倍标准差。将随机模型计算结果的幅值放大系数中值和中值加1倍标准差与剪切波速不变前提下的放大系数进行对比可知,二者的整体趋势一致,基岩上覆土层对低频部分基本没有影响,明显地放大了特征周期频段附近的幅值,降低了高频部分的幅值。不同的是,随机模型的中值在1.6Hz之后迅速降低了基岩地震动的傅立叶幅值谱,没有反映出近地表砂土对基岩地震动的影响。传递函数中值加1倍标准差的结果反映出了2个明显的放大频段,与固定参数模型的传递函数相比,2个放大频段之间的放大系数虽然也相对较小,但是其绝对值大于1,放大频段的上限也扩展到8Hz左右。
图 5(b)中的灰色曲线为每个随机模型的计算结果,黑色实线为所有结果的中值,黑色虚线为中值加减1倍标准差,黑色点虚线为固定参数模型给出的土层地表加速度反应谱。与固定参数模型分析结果相比,剪切波速随机变化模型给出的反应谱平台段较宽,除了放大效应明显的顶峰频段以外,中值加减1倍标准差反应谱基本能够包络固定参数模型分析给出的结果。
3.2 土层动力特性曲线
固定其他参数不变,以图 3给出的剪切模量比-剪应变和阻尼比-剪应变关系曲线作为中值,采用Silva等(1996)提出的土层动力特性曲线不确定性分布作为前提假设,随机生成30个土层剖面模型,采用RVT方法进行土层地震反应分析。加速度传递函数和土层地表加速度反应谱如图 6所示。
图 6(a)中的黑色曲线为土层动力特性曲线随机变化模型的加速度传递函数,红色实线为传递函数的中值,红色虚线为中值加减1倍标准差,红色点虚线为固定参数模型的传递函数。从图中可以看出,土层动力特性曲线随机变化模型的统计结果可以反映土层模型对基岩地震动的影响,放大频段特征与固定参数的结果相似,曲线形状非常相似。固定参数模型的传递函数与参数随机变化模型相比,除了放大频段以外,与两者的中值相近;1.4Hz附近明显高于中值,略低于中值加1倍标准差;3.8—4.8Hz范围内介于中值和中值加1倍标准差之间。
图 6(b)中的黑色曲线为每个土层动力特性曲线随机变化模型的土层地表加速度反应谱,红色实线为反应谱的中值,红色虚线为中值加减1倍标准差,红色点虚线为固定参数模型的土层地表加速度反应谱。从图中可以看出,随机模型的统计结果可以反映土层地表加速度反应谱的形状特征,同样都是在0.18—0.28s范围内表现为明显的平台段,在0.70s附近表现为明显的尖峰。数值上固定参数的反应谱在周期低于0.36s时介于中值和中值加1倍标准差之间,高于0.36s时,固定参数的反应谱基本上与随机模型反应谱的中值一致。
3.3 基岩地震动输入界面
本小节的思路与前2小节相同,随机模拟基岩地震动输入界面的位置,即固定土层波速结构模型,令输入界面的深度在给定范围内均匀分布。加速度传递函数和土层地表加速度反应谱的对比结果如图 7所示。
图 7中的黑色曲线为基岩地震动输入界面深度随机变化模型的加速度传递函数和土层地表加速度反应谱,红色实线为计算结果的中值,红色虚线为中值加减1倍标准差,红色点虚线为固定参数模型的传递函数。从加速度传递函数图中的对比情况可知,固定参数模型的传递函数与地震动输入界面深度随机变化模型传递函数统计结果的形状相似,在1.5Hz附近和3.4—5.4Hz之间高于随机模型传递函数统计结果的中值加1倍标准差。
通过对比土层地表加速度反应谱可知,固定参数模型的土层地表加速度反应谱与地震动输入界面深度随机变化模型反应谱统计结果的形状相似,自振周期低0.34s时,前者介于后者的中值和中值加1倍标准差之间,高于0.34s时,前者基本与后者的中值相一致。
3.4 综合影响
综合土层剖面模型的不确定性,即参数随机变化模型中剪切波速、动力特性、基岩界面位置同时变化,土层地震反应分析的结果如图 8所示。
图 8中的黑色曲线为剪切波速、动力特性、基岩界面位置同时随机变化的加速度传递函数和反应谱,红色实线为计算结果的中值,红色虚线为中值加减1倍标准差,红色点虚线为固定参数模型的传递函数和反应谱。从图 8(a)中可以看出,参数随机变化模型分析结果的中值加1倍标准差可以反映场地对基岩地震动的影响,在1.4Hz附近和3.6Hz附近明显放大了地震动幅值,放大倍数与固定参数模型分析结果相一致。其余频段中,固定模型放大倍数与随机模型分析结果的中值基本一致。
通过图 8(b)可知,参数随机变化模型分析结果统计特征的平台段较宽,中值加1倍标准差可以包络固定参数模型的分析结果。
4. 结论
本文介绍了随机振动理论方法在核设施一维土层地震反应分析工作中的应用,基于某核电厂工程场地实测数据和土层剖面模型参数的不确定性分布,随机生成土层模型,采用随机振动理论方法分析了剪切波速、土层动力特性和基岩地震动输入界面位置的不确定性对核设施一维土层地震反应分析结果的影响。
加速度传递函数结果表明,与固定参数模型相比,采用土层参数随机变化模型和随机振动理论方法可以反映工程场地对地震动的影响。
土层地表加速度反应谱结果表明,土层剖面模型的不确定性中,剪切波速的不确定性对评价结果影响最大,使得加速度反应谱的平台段较宽,随机模型评价结果的中值加1倍标准差,除尖峰位置外,可以包络固定参数模型的评价结果。
土层动力特性曲线和基岩地震动输入界面位置的不确定性对评价结果的影响相当,固定参数模型的分析结果介于土层参数随机变化模型分析结果的中值和中值加1倍标准差之间。
-
表 1 数据参数范围
Table 1. Data parameter range
输入参数 范围 震级MW 1.9 ~ 9.0 震源深度/km 3 ~682 震中距/km 0.22~ 1217.50 地表峰值加速度/Gal 1~ 2430 表 2 NERPH场地分类标准
Table 2. NERPH site classification criteria
地表以下30 m范围内土层等效剪切波速
VS30 /(m·s−1)场地类别 VS30 > 1500 A 760<VS30≤ 1500 B 360<VS30≤760 C 180<VS30≤360 D VS30≤180 E 表 3 各神经网络模型散点拟合斜率
Table 3. Scatter fitting weight of neural network models
网络模型 PGA PGV PGD 训练集 测试集 训练集 测试集 训练集 测试集 DNN 0.800 0.802 0.870 0.866 0.841 0.836 CNN+DNN 0.899 0.903 0.922 0.922 0.876 0.870 表 4 不同模型评价指标
Table 4. Evaluation indexes of different models
参数 模型 MSE MAE R2 误差/% PGA CNN+DNN 1.62×10−3 3.12×10−2 0.901 15.3% DNN 3.26×10−3 4.48×10−2 0.805 21.6% 经验公式 4.82×10−3 5.91×10−2 0.490 42.2% PGV CNN+DNN 1.50×10−3 3.00×10−2 0.918 43.6% DNN 2.41×10−3 3.89×10−2 0.868 47.5% 经验公式 4.93×10−3 6.01×10−2 0.421 60.1% PGD CNN+DNN 3.40×10−3 4.50×10−2 0.853 61.3% DNN 3.70×10−3 4.70×10−2 0.836 64.7% 经验公式 5.22×10−3 6.31×10−2 0.396 72.9% 表 5 各网络模型残差的均值、方差、标准差统计
Table 5. Statistics of mean, variance and standard deviation of residuals of neural network models
网络模型 PGA PGV PGD 均值 方差 标准差 均值 方差 标准差 均值 方差 标准差 DNN −0.022 0.237 0.486 −0.021 0.231 0.480 −0.017 0.569 0.754 CNN+DNN 0.019 0.119 0.344 −0.018 0.139 0.373 0.015 0.518 0.720 表 6 混合网络模型在各场地中残差的均值、方差、标准差统计
Table 6. Statistics of mean, variance and standard deviation of residuals of mixed network models
场地类型网络模型 PGA PGV PGD 均值 方差 标准差 均值 方差 标准差 均值 方差 标准差 B 0.023 0.123 0.351 0.005 0.138 0.372 0.009 0.489 0.699 C 0.027 0.123 0.350 −0.008 0.151 0.389 0.039 0.538 0.734 D 0.014 0.098 0.313 −0.019 0.121 0349 −0.002 0.486 0.697 E 0.323 0.181 0.425 −0.050 0.155 0.394 0.110 0.662 0.814 -
薄景山,李秀领,刘红帅,2003. 土层结构对地表加速度峰值的影响. 地震工程与工程振动,23(3):35−40. doi: 10.3969/j.issn.1000-1301.2003.03.006Bo J. S., Li X. L., Liu H. S., 2003. Effects of soil layer construction on peak accelerations of ground motions. Earthquake Engineering and Engineering Vibration, 23(3): 35−40. (in Chinese) doi: 10.3969/j.issn.1000-1301.2003.03.006 董凯月,2020. 基于深度神经网络的地下地震动参数预测研究. 哈尔滨:哈尔滨工业大学.Dong K. Y. ,2020. Study on the Prediction of underground motion parameters based on depth neural network. Harbin:Harbin University of Technology. (in Chinese) 胡安冬,张海明,2020. 机器学习在地震紧急预警系统震级预估中的应用. 地球物理学报,63(7):2617−2626. doi: 10.6038/cjg2020N0070Hu A. D., Zhang H. M., 2020. Application of machine learning to magnitude estimation in earthquake emergency prediction system. Chinese Journal of Geophysics, 63(7): 2617−2626. (in Chinese) doi: 10.6038/cjg2020N0070 胡进军,谢礼立,2005. 地震动幅值沿深度变化研究. 地震学报,27(1):68−78. doi: 10.3321/j.issn:0253-3782.2005.01.008Hu J. J., Xie L. L., 2005. Variation of earthquake ground motion with depth. Acta Seismologica Sinica, 27(1): 68−78. (in Chinese) doi: 10.3321/j.issn:0253-3782.2005.01.008 吕悦军,彭艳菊,兰景岩等,2008. 场地条件对地震动参数影响的关键问题. 震灾防御技术,3(2):126−135. doi: 10.3969/j.issn.1673-5722.2008.02.003Lv Y. J., Peng Y. J., Lan J. Y., et al., 2008. Some key problems about site effects on seismic ground motion parameters. Technology for Earthquake Disaster Prevention, 3(2): 126−135. (in Chinese) doi: 10.3969/j.issn.1673-5722.2008.02.003 万永革,李鸿吉,1995. 人工神经网络在地球物理中的应用综述. 国际地震动态,16(1):9−14.Wan Y. G., Li H. J., 1995. An overview of the application of artificial neural network in geophysics. Recent Developments in World Seismology, 16(1): 9−14. (in Chinese) 徐龙军,谢礼立,胡进军,2006. 地下地震动工程特性分析. 岩土工程学报,28(9):1106−1111. doi: 10.3321/j.issn:1000-4548.2006.09.011Xu L. J., Xie L. L., Hu J. J., 2006. Analysis on engineering characteristics of sub-ground motions. Chinese Journal of Geotechnical Engineering, 28(9): 1106−1111. (in Chinese) doi: 10.3321/j.issn:1000-4548.2006.09.011 薛俊伟,刘伟庆,王曙光等,2013. 基于场地效应的地震动特性研究. 地震工程与工程振动,33(1):16−23.Xue J. W., Liu W. Q., Wang S. G., et al., 2013. Research on ground motion characteristics considering site conditions. Earthquake Engineering and Engineering Vibration, 33(1): 16−23. (in Chinese) 于子叶,储日升,盛敏汉,2018. 深度神经网络拾取地震P和S波到时. 地球物理学报,61(12):4873−4886. doi: 10.6038/cjg2018L0725Yu Z. Y., Chu R. S., Sheng M. H., 2018. Pick onset time of P and S phase by deep neural network. Chinese Journal of Geophysics, 61(12): 4873−4886. (in Chinese) doi: 10.6038/cjg2018L0725 Ahmad I., El Naggar M. H., Khan A. N., 2008. Neural network based attenuation of strong motion peaks in Europe. Journal of Earthquake Engineering, 12(5): 663−680. doi: 10.1080/13632460701758570 Atkinson G. M., 2001. An alternative to stochastic ground-motion relations for use in seismic hazard analysis in eastern North America. Seismological Research Letters, 72(2): 299−306. doi: 10.1785/gssrl.72.2.299 Borcherdt R. D. , 2012. VS30-A site-characterization parameter for use in building Codes, simplified earthquake resistant design, GMPEs, and ShakeMaps. In: The 15th World Conference on Earthquake Engineering. Lisbon: USGS. Chicco D., Warrens M. J., Jurman G., 2021. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7: e623. doi: 10.7717/peerj-cs.623 Derras B., Bard P. Y., Cotton F., 2014. Towards fully data driven ground-motion prediction models for Europe. Bulletin of Earthquake Engineering, 12(1): 495−516. doi: 10.1007/s10518-013-9481-0 Dhanya J., Raghukanth S. T. G., 2018. Ground motion prediction model using artificial neural network. Pure and Applied Geophysics, 175(3): 1035−1064. doi: 10.1007/s00024-017-1751-3 Dokht R. M. H., Kao H., Visser R., et al., 2019. Seismic event and phase detection using time-frequency representation and convolutional neural networks. Seismological Research Letters, 90(2A): 481−490. doi: 10.1785/0220180308 Kerh T., Chu D., 2002. Neural networks approach and microtremor measurements in estimating peak ground acceleration due to strong motion. Advances in Engineering Software, 33(11-12): 733−742. doi: 10.1016/S0965-9978(02)00081-9 Khosravikia F. , Zeinali Y. , Nagy Z. , et al. , 2018. Neural network-based equations for predicting PGA and PGV in Texas, Oklahoma, and Kansas. In: Brandenberg S. J. , Manzari M. T. , eds. , Geotechnical Earthquake Engineering and Soil Dynamics V: Seismic Hazard Analysis, Earthquake Ground Motions, and Regional-Scale Assessment. Austin: American Society of Civil Engineers, 538−549. Quinino R. C., Reis E. A., Bessegato L. F., 2013. Using the coefficient of determination R2 to test the significance of multiple linear regression. Teaching Statistics, 35(2): 84−88. doi: 10.1111/j.1467-9639.2012.00525.x Schober P., Boer C., Schwarte L. A., 2018. Correlation coefficients: appropriate use and interpretation. Anesthesia & Analgesia, 126(5): 1763−1768. Shahriari B., Swersky K., Wang Z. Y., et al., 2016. Taking the human out of the loop: a review of Bayesian optimization. Proceedings of the IEEE, 104(1): 148−175. doi: 10.1109/JPROC.2015.2494218 Thomas S., Pillai G. N., Pal K., et al., 2016. Prediction of ground motion parameters using randomized ANFIS (RANFIS). Applied Soft Computing, 40: 624−634. doi: 10.1016/j.asoc.2015.12.013 Wang Y. W., Li X. J., Wang Z. F., et al., 2021. Deep learning for P-wave arrival picking in earthquake early warning. Earthquake Engineering and Engineering Vibration, 20(2): 391−402. doi: 10.1007/s11803-021-2027-6 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(3)
1. 韩晓健,徐晨栋,陈锡武,杨伟. 基于边缘计算的建筑振动监测传感器应用研究. 江苏建筑. 2024(02): 24-28 . 百度学术
2. 李亮,大久保孝昭,杨建江,张大英. 东日本大地震后某校舍抗震加固改造与效果评估实验研究. 噪声与振动控制. 2024(03): 246-252 . 百度学术
3. 朱琳,赵言凯,马彩霞. 基于LS-SVM的水工闸门启闭机油缸振动监测研究. 中国机械. 2024(35): 95-98 . 百度学术
其他类型引用(6)
-