爱情岛亚洲论坛入口首页 ,免费看又黄又爽又猛的视频软件,奇米四色7777中文字幕

資訊內容

研究亮點

基于循環(huán)神經網(wǎng)絡和遷移學習的中國現(xiàn)地儀器地震烈度預測

發(fā)布時間： 2023-05-22 點擊數(shù)量：4048

研究背景：

地震烈度是地震引起的地面震動及其影響的強弱程度。地震烈度評定通常是綜合運用宏觀調查和儀器測定的多指標方法。中國是一個地震活躍的國家，在地震發(fā)生后，快速地、準確地預測儀器地震烈度對于地震預警、地震影響程度的判斷、震后災害救援和地震烈度圖的繪制都是非常有意義的。同時，這對于減輕中國的地震災害也是非常有價值的。

中國地震烈度表規(guī)定：儀器地震烈度的確定是基于現(xiàn)地的地震動加速度記錄的最大值（PGA）和現(xiàn)地的地震動速度記錄的最大值（PGV）。在地震預警中，傳統(tǒng)的現(xiàn)地PGA和現(xiàn)地PGV預測方法通常是基于單個的P波特征參數(shù)建立經驗的PGA和PGV預測方程。然而，由于單一的P波特征參數(shù)包含與地震動峰值相關的信息較少，且線性的經驗預測方程過于簡單，這導致預測的PGA和PGV存在誤差大和不確定大的現(xiàn)象。

為了對中國儀器地震烈度實現(xiàn)快速且魯棒的預測，本研究提出了一個結合了循環(huán)神經網(wǎng)絡和遷移學習的現(xiàn)地儀器地震烈度預測方法。

研究方法及結果：

（1）我們提出了一個結合了循環(huán)神經網(wǎng)絡和遷移學習的深度學習方法去提高中國儀器地震烈度預測的魯棒性。基于循環(huán)神經網(wǎng)絡的變體雙向門控單元（BIGRU）和日本K-NET臺網(wǎng)記錄的強震動數(shù)據(jù)建立現(xiàn)地PGA預測模型（R-PGA）和現(xiàn)地PGV預測模型（R-PGV）。然后，通過遷移學習，凍結R-PGA模型和R-PGV模型的BIGRU模塊，基于中國地震臺網(wǎng)記錄的強震動記錄對R-PGA模型和R-PGV模型重新進行訓練和微調，建立了經遷移后的PGA預測模型（TLR-PGA）和PGV預測模型（TLR-PGV）。我們對TLR-PGA模型和TLR-PGV模型的預測結果和基線模型進行了比較，同時還分析了基于TLR-PGA模型和TLR-PGV模型得到的現(xiàn)地儀器地震烈度和警報情況。

（2）在遷移學習中，建立一個具有良好性能的預訓練模型對于遷移學習模型的性能是非常重要。在P波到達后3秒，圖1和圖2分別展示了R-PGA模型和R-PGV模型的預測PGA和預測PGV。從圖中可以發(fā)現(xiàn)，基于R-PGA模型和R-PGV模型的預測PGA和預測PGV呈現(xiàn)明顯的1:1線性關系，相關系數(shù)R達到了0.8以上。且測試集和訓練集的結果比較接近，這也說明模型沒有出現(xiàn)過擬合現(xiàn)象。同時，預測PGA和預測PGV誤差主要分布在±0.5范圍內。

（3）對于相同的中國測試數(shù)據(jù)集，在P波到達后3秒，表1展示了基于TLR-PGA模型、TLR-PGV模型和基線模型的預測結果。從表1中可以發(fā)現(xiàn)：和傳統(tǒng)PGA和PGV預測方法以及未使用遷移學習的神經網(wǎng)絡模型，基于TLR-PGA模型和TLR-PGV模型可以獲得誤差更小的PGA和PGV預測結果。這也說明：本文提出基于循環(huán)神經網(wǎng)絡和遷移學習方法對于中國儀器烈度預測是可行的。

（4）為了驗證本文提出的方法的魯棒性，我們將該方法應用到中國訓練數(shù)據(jù)集和測試集之外的五次破壞性地震事件中。基于本文提出的方法，在P波到達后3秒，圖3展示2022年門源6.9級地震的儀器地震烈度預測結果及警報性能。從圖3中可以看到：預測的儀器地震烈度和觀測地震烈度是非常接近的，且基于預測的儀器地震烈度，只發(fā)生了一次漏報，且沒有誤報現(xiàn)象。同時，圖4展示了這五次破壞性地震事件的儀器地震烈度預測誤差和警報情況。從圖4中可以發(fā)現(xiàn)：P波到達3s后，儀器地震烈度預報誤差主要在±1以內，平均絕對誤差為0.78；成功報警的比例達到90%，誤報警的比例為0%。研究表明：本文的研究對于現(xiàn)地地震預警是有幫助的。

該成果發(fā)表在地球科學領域期刊《Journal of Asian Earth Sciences》（Zhu Jingbao, Li Shanyou, Wei Yongxiang, Song Jindong*. On-site instrumental seismic intensity prediction for China via recurrent neural network and transfer learning. Journal of Asian Earth Sciences, 2023, https://doi.org/10.1016/j.jseaes.2023.105610）（IF：3.374，JCR：Q2分區(qū)，*通訊作者）。

圖1 基于R-PGA模型的預測結果

圖2 基于R-PGV模型的預測結果

表1 對于相同的中國測試數(shù)據(jù)集，基于TLR-PGA模型、TLR-PGV模型和基線模型的預測結果

圖3 儀器地震烈度預測及警報性能

圖4 五次破壞性地震事件的儀器地震烈度預測誤差和警報的分布情況

日本相模灣地區(qū)海域地震動水平向和豎向加速度譜阻尼修正系數(shù)

《強地震動按破壞強度的排序研究》專著出版