CN103675914B - 运用类神经网络的现地型地震即时分析系统及其方法 - Google Patents
运用类神经网络的现地型地震即时分析系统及其方法 Download PDFInfo
- Publication number
- CN103675914B CN103675914B CN201210337469.5A CN201210337469A CN103675914B CN 103675914 B CN103675914 B CN 103675914B CN 201210337469 A CN201210337469 A CN 201210337469A CN 103675914 B CN103675914 B CN 103675914B
- Authority
- CN
- China
- Prior art keywords
- neuron
- earthquake
- neural network
- rank
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种运用类神经网络的现地型地震即时分析系统及其方法,对在某检测地点撷取一地震的初达波加速度信号进行即时分析。此系统包含一嵌入式运算主机与一信号预处理模块,其信号预处理模块对其初达波加速度信号进行硬件预处理,嵌入式运算主机可将预处理后的加速度信号输入类神经网络模块中,以计算该地震的多个地震特性参数,其中该类神经网络模块包含形成四层且彼此连结的多个神经元,各该神经元具有一连结权重对应于与次层另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。计算所得的地震特性参数包含楼层放大参数及/或楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。
Description
技术领域
本发明关于一种地震数据分析技术,尤指一种运用类神经网络模块的现地型地震即时分析系统及其方法。
背景技术
台湾处于太平洋地震带上,位于欧亚板块与菲律宾海板块的交界处,每年约有四千余笔的地震发生,其中包含两百多起的有感地震,又本岛人口密度为639(单位:人/平方公里)且有73%的地区为山坡地,因地狭人稠是以都市化程度高且都市区域新建建筑多为超高楼层建筑,而高楼层建物可能因其本身频率和地震波频率共振而加强其晃动程度,对该层住户的居住环境及生命安全造成威胁。
地震波于地球体内经由各地层介质传递时,在穿透各相异介质面将产生折射与反射效应,其从震源出发至地表的过程中,为高度复杂性的线性及非线性行为,其非线性行为对于传统线性数学模式是一项极大的挑战。因此,为了在短时间内即时分析出高准确度的地震特性参数,地震分析系统的硬件设计与分析方式的搭配与建置极其重要。
发明内容
有鉴于现有技术问题,本发明的一实施例提供一种现地型地震即时分析系统,即时分析一地震于一检测地点检测到的一初达波(PrimaryWave),以预测到达该检测地点的该地震的一剪切波(ShearWave),该系统包含:一信号预处理模块,接收于该检测地点撷取该初达波的多个加速度信号,并对其进行一硬件预处理(hardwarepre-processing);及一嵌入式运算主机,包含一运算处理器,接收来自该信号预处理模块的这些加速度信号,并输入内建的一类神经网络模块中,以计算该地震的多个地震特性参数,其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron),各该神经元具有一连结权重(LinkWeighting)对应于与次层(nextlayer)另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。本发明的一实施例中,该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差的群组或其任意组合。
本发明的一实施例中,类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层,该输入层包含至少33个一阶神经元,该二阶隐藏层包含至少30个二阶神经元分别连结各该一阶神经元,该三阶隐藏层包含至少30个三阶神经元分别连结各该二阶神经元,该输出层包含多个四阶神经元分别连结各该三阶神经元,各该四阶神经元分别输出一四阶输出值,且这些四阶输出值包含这些地震特性参数。
本发明的一实施例中,该输入层的各该一阶神经元分别接收于一分析时段内的这些加速度信号,各该一阶神经元分别输出一一阶输出值,各该一阶输出值分别为所接收的各该加速度信号值;该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值,各该二阶输出值为各该二阶神经元与各该一阶神经元连结的一一阶连结权重,分别乘上各该一阶神经元的各该一阶输出值后之和、再加上一第一误差修正常数;该三阶隐藏层的各该三阶神经元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值,各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重,分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数;及该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值,各该四阶神经元分别输出一四阶输出值,各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重,分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
本发明的一实施例中,该分析时段为于该检测地点检测到该初达波起1-10秒内。
本发明的一实施例中,该嵌入式运算主机的该运算处理器筛选该历史峰值地表加速度小于500(gal)、该历史初达波/次达波时间差小于50(秒)的这些历史地震数据,以输入该类神经网络模块中进行反复调校。
本发明的一实施例中,该嵌入式运算主机的该运算处理器将筛选后的这些历史加速度信号先进行数据转换,再输入该类神经网络模块中,以得到多个预测地震特性参数,并比对实际测量的这些历史地震数据,以调校各该神经元的各该连结权重。前述数据转换包含将特定时间间隔取得的历史加速度信号数据(执行即时分析任务时则为及时地表加速度信号数据),经过正规化转换,输入该输入层中对应的一阶神经元。前述正规化转换可为线性正规化转换、指数正规化结合线性正规化转换、或傅立叶正规化结合线性正规化转换。
本发明的一实施例中,该信号预处理模块包含一滤波电路与一偏移值去除电路,该滤波电路对这些加速度信号执行该硬件滤波程序,该偏移值去除电路对这些加速度信号执行该硬件去除偏移值程序。
本发明的一实施例中,该信号预处理模块包含一积分电路,该积分电路对这些加速度信号执行一硬件积分程序,以将这些加速度信号转换为该初达波的该地表速度与该地表位移。
本发明的一实施例中,该嵌入式运算主机执行一积分运算程序,以将这些加速度信号转换为该初达波的该地表速度与该地表位移。
本发明的一实施例中,该嵌入式运算主机包含至少一运算处理器,该运算处理器在本身的一固件中、或在一磁盘操作系统(DiskOperatingSystem)环境中执行至少一演算法程序以分析该地震。
本发明的一实施例中,该嵌入式运算主机的运算处理器通过类神经网络模块计算的这些地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差,以及对应该建筑物的多个历史楼层放大系数与多个历史楼层地震参数的群组或其任意组合。
本发明的一实施例中,提供一种现地型地震即时分析系统,即时分析一地震于一检测地点检测到的一初达波(PrimaryWave),以预测该地震到达该检测地点上一建筑物的一剪切波(ShearWave),该系统包含:一信号预处理模块,接收于该检测地点撷取该初达波的多个加速度信号,并对其进行一硬件预处理(hardwarepre-processing);及一嵌入式运算主机,包含一运算处理器,接收来自该信号预处理模块的这些加速度信号,并输入内建的一类神经网络模块中,以计算该地震的多个地震特性参数,其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron),各该神经元具有一连结权重(LinkWeighting)对应于与次层(nextlayer)另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成;其中,这些地震特性参数包含至少一楼层放大参数及/至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。
本发明的一实施例中,提供一种现地型地震即时分析方法,即时分析一地震于一检测地点检测到的一初达波(PrimaryWave),以预测到达该检测地点的该地震的一剪切波(ShearWave),该方法包含:对于该检测地点撷取的多个加速度信号进行一硬件预处理;传送经硬件预处理后的这些加速度信号至一嵌入式运算主机;及将这些加速度信号输入内建于该嵌入式运算主机上的一类神经网络模块中进行计算;及输出该类神经网络模块所计算出该地震的多个地震特性参数;其中该类神经网络模块包含形成四层且彼此连结的多个神经元(Neuron),各该神经元具有一连结权重(LinkWeighting)对应于与次层(nextlayer)另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成。
本发明的一实施例中,通过该类神经网络模块计算的这些地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。
本发明的一实施例中,该硬件预处理包含一硬件滤波程序与一硬件去除偏移值程序。
本发明的一实施例中,更包含执行一积分运算程序,以将这些加速度信号转换为该初达波的一地表速度与一地表位移。本发明的一实施例中,该硬件预处理包含一硬件积分程序,以将这些加速度信号转换为该初达波的一地表速度与一地表位移。
于本发明的一实施例,其中更包含通过该嵌入式运算主机筛选该历史峰值地表加速度小于500(gal)、该历史初达波/次达波时间差小于50(秒)的这些历史地震数据,以输入该类神经网络模块中进行反复调校。
本发明的现地型地震即时分析系统与方法具有以下特点:
(一)即时快速:在地表强震预警方面,本发明可于当地收录地震数据的短时间内,通过训练及验证后的类神经网络地表分析模块而得推估解,其预警震度若达警戒值则进行后续避难动作。就建物强震预警方面,通过训练及验证后的类神经网络建物分析模块而得推估解,相对一般需经结构动力的力学分析流程,其运算速度较快,符合结构物快速反应评估的强震预警需求。
(二)准确性高:其类神经网络的分析数据,包含长期观测的历史地震数据库,和使用有限元素法建置的建物受震数据库。前者为长期观测的实际成果,又后者的参考值与建物实际受震测量的相关数据大多相符,故通过此两种数据库,分取各20%验证本法与实际对应的地表受震情形和建物反应参考解,约80%的数据和其误差小于20%。
附图说明
图1是本发明一实施例中现地型地震即时分析系统的系统架构方块图;
图2是本发明另一实施例中另一现地型地震即时分析系统的系统架构方块图;
图3A是本发明另一实施例中现地型地震即时分析方法的流程图;
图3B是本发明另一实施例中现地型地震即时分析系统的类神经网络模块的示意图;
图3C是本发明另一实施例中(第0-3秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图;
图3D是本发明另一实施例中(第0-5秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图;
图4A是本发明另一实施例中现地型地震即时分析系统的类神经网络模块的示意图;
图4B是本发明另一实施例中对于特定建筑物某楼层的(第0-3秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图;
图4C是本发明另一实施例中对于特定建筑物某楼层的(第0-10秒)峰值地表加速度的实际测量值与本发明系统分析值的比较图;
图4D是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(X轴);
图4E是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(Y轴);
图4F是本发明另一实施例中对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图(Z轴)。
其中,附图标记:
10................................................................现地型地震即时分析系统
100.............................................................嵌入式运算模块
110.............................................................运算处理器
111、112........................................................类神经网络模块
1111a、112a................................................输入层
111b、112b.................................................二阶隐藏层
111c、112c.................................................三阶隐藏层
111d、112d.................................................输出层
120........................................................系统存储器
130........................................................储存单元
140........................................................信号接口
150........................................................总线
200........................................................信号预处理模块
210........................................................滤波电路
220........................................................偏移值去除电路
230........................................................积分电路
n101、n102、n103、n104….n1xxx...................................一阶神经元
n201、n202、n203、n204….n230....................................二阶神经元
n301、n302、n303、n304….n330....................................三阶神经元
n401、n402、n403、n404....n411...................................四阶神经元
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
本发明为藉由初达波(P波)与剪切波(S波)其两者传递速度差异的物理特性开发强震即时警报系统(EarthquakeEarlyWarningSystem,EEWS),主要通过预先建置的类神经网络模块,并根据先到达的初达波(P波)加速度信号,来预测后续剪切波(S波)可能造成的相关地表及建物受震情形。可解析地震波加速度历时资讯,经数据转换至类神经网络进行分析以判识地震预警资讯供防灾决策之用。所得的地震历时愈长则地震预警经度也越高,然应变时间也相应减少,故本发明逐秒建置对应的类神经网络分析模块,其具有独立的类神经网络架构及连结权重,当地震发生当下,可分秒更新地震预警资讯,以达更佳减伤防灾之效。可输出的资讯包括:(1)地震特性参数(如峰值地表加速度[PGA;PeakGroundAcceleration]及剪切波[S波]到达时间),以及(2)楼层地震参数(如建筑物特定建物楼层的楼层放大参数、最大楼层加速度[PFA;PeakFloorAcceleration]和剪切波[S波]到达时间),提前预警并进行减灾策略,以减少该地震对于该区域所带来的危害。再者,本发明现地型地震即时分析系统的建置目标为随着地震进行,每秒钟都要能输出既有累积地表加速度信号的运算结果,其即时运算并输出预测值所需的运算需求极其庞大。
基于对地震信号特性及过去分析过程遭遇的障碍,本发明的下列实施例提供现地型地震分析所需的数种最佳化硬件架构与最佳化运作程序,以便以短时间撷取的初达波(P波)数据、准确预测剪切波(S波)于检测地点的峰值地表加速度,达到现地即时预警效果。本发明中软件硬件系统的整合设计、硬件元件的选择、类神经网络模块的搭配与建置至关重要,需经大量实验数据验证方能得到本发明所揭露最优化的现地型地震即时分析系统与方法。根据本发明的系统与方法,若撷取测站所检测的初达波前段3秒数据演算出地震相关参数并提出预警,则可将预警范围由距震央70公里外大幅拉近,例如降至为距震央10-50公里外;但实际数据仍受限于实际采用的硬件/软件/固件、地震波传递路径的地层特性以及其他可能变数。
请参阅图1,其是本发明一实施例中现地型地震即时分析系统的系统架构方块图。图中现地型地震即时分析系统10包括嵌入式运算主机100与信号预处理模块200;其中主要由信号预处理模块200进行原始初达波加速度信号的信号预先处理,而由嵌入式运算主机100进行类神经网络模块的计算程序。
由于系统设计的其中一个目标在于缩短地震参数的运算时间以便提前预警,在软件开发方面,为能使整体系统于各数据截取时间点完成该步骤的迭代运算,将类神经网络分析拆解为分散运算,其能逐步存放运算过程的迭代数值并于初达波后1-10秒内逐秒计算地震特性参数。而硬件的配置上必须有效降低类神经网络模块运算端的运算负担。视不同的实际硬件组件配置方式,于一实施例中嵌入式运算主机100与信号预处理模块200可藉由一特制主机板串联所有必要硬件元件、辅以适当的总线与信号接口(连接器)而实现。于另一实施例中,嵌入式运算主机100与信号预处理模块200可由独立的硬件组件分别实现,再以合适的信号缆线与信号接口串联。
于一实施例中,地震初达波的加速度信号来源为设置于某检测地点的地表强震仪(图未示)。检测地点的选择可以为人口稠密处或重要建筑物附近;强震仪例如可选用Kinemetrics公司的EpiSensor震力平衡加速度计(ForceBalanceAccelerometer)(型号FBAES-T),能测量地表上的微小震动、并输出X、Y、Z三个轴向的加速度信号。强震仪撷取输出加速度信号的时间间隔通常可以自行设定,但于一实施例中,合适的撷取或输出频率为每秒200次。
于图1中,信号预处理模块200具有滤波电路210及偏移值去除电路220。滤波电路210对检测地点所设强震仪输出的初达波加速度信号执行硬件滤波程序,意即通过滤波电路210滤除初达波加速度信号中不必要的环境噪声,一则降低后端需分析的数据量、一则提高分析准确率。偏移值去除电路220对该初达波加速度信号执行一硬件去除偏移值程序,意即通过偏移值去除电路220将初达波加速度信号进行偏移调整,使初达波加速度信号的基础值回到零;一个例子为先取长分析时段(例如9~11秒)的初达波加速度信号的平均值作为信号偏移植修正参数,即能将撷取的加速度信号或数据进行偏移修正。
整体而言,信号预处理模块200接收于检测地点撷取的多个初达波加速度信号,并对其进行一硬件预处理(hardwarepre-processing),即以硬件电路手段对初达波加速度信号进行信号预先处理。硬件预处理可包括一硬件滤波程序与一硬件去除偏移值程序,或其他硬件电路可执行的信号处理程序。不过,由于在本发明的方法中,初达波加速度信号需要被转换为初达波的地表速度(GroundVelocity)与地表位移(GroundDisplacement)数据,且此过程需要对初达波加速度信号或数据执行“积分”处理,因此如欲进一步降低后端嵌入式运算主机100中类神经网络模块111的运算负担,可在一实施例中,令信号预处理模块的硬件预处理包含一硬件积分程序。于此,如图2所示,另一实施例中的信号预处理模块200可进一步具备一积分电路230,以对初达波加速度信号执行前述硬件积分程序,意即对初达波加速度信号进行硬件积分,而将初达波加速度信号转换为初达波的地表速度与地表位移;后续实施例将有相关说明。
图1中,嵌入式运算主机100具有运算处理器110、系统存储器120、储存单元130、信号接口140与总线150。经过信号预处理模块200进行硬件预处理后的初达波加速度信号,将通过信号接口140与总线150传输至运算处理器110进行运算。本实施例中储存单元130可储存任意地震数据或数据、以及类神经网络模块111必要的演算程序,嵌入式运算主机100的运算处理器1101包含类神经网络模块111,类神经网络模块111可将必要的演算程序加载至系统存储器120,以便进行各种地震特性参数的运算。前述运算处理器110的类神经网络模块111所需执行演算程序,属于本发明现地型地震即时分析方法的其中一部分。
于一实施例中,嵌入式运算主机100可由以磁盘作业系统(DiskOperatingSystem;DOS)为基础的电脑系统实现;所采用的磁盘作业系统可为微软公司的MS-DOS或其他合适的版本。一个实验中采用的例子为:以(1)钛思科技公司(TeraSoftInc.)开发的“Micro-Boxx86Based即时控制平台”(简称Micro-Box),搭配(2)MathWorks公司(TheMathWorks,Inc.)的Simulink工具软件作为类神经网络模块演算程序开发工具。
其中,钛思科技公司型号Micro-Box3000(PCIInterface[即指PeripheralComponentInterconnectinterface,周边元件互连接口])的Micro-Box系统具有以下主要的硬件规格:处理器M1GHz;系统存储器为256MBDDRDRAM;储存单元可为64MBCompactFlashcard;标准PCI扩充总线等。换言之,于一实施例中,嵌入式运算主机100的硬件部分可由钛思科技公司型号Micro-Box3000所实现。
前述Simulink工具软件是则是MathWorks公司开发的用于动态系统和嵌入式系统的多领域模拟和基于模块的设计工具。于一实施例中,嵌入式运算主机100中类神经网络模块111的演算程序乃以Simulink工具软件进行编写,并于钛思科技公司前述Micro-Box系统上的DOS环境中执行,以实现本发明的现地型地震即时分析方法的至少其中一部份。换言之,此实施例类神经网络模块111的一或多个演算程序须能在DOS环境中执行;意即,此类嵌入式运算主机100的运算处理器110的类神经网络模块111须执行以DOS为基础(DOS-based)演算程序。
于另一实施例中,嵌入式运算主机的运算处理器可具有内建存储器,通过特定的固件(Firmware)编辑平台,可将本发明所需类神经网络模块111的演算法程序编写于该运算处理器110的固件中,而能以固件执行方式进行高速运算。换言之,此实施例类神经网络模块111的一或多个演算法程序须能在该运算处理器110的固件环境中执行,如图1与图2;意即,此类嵌入式运算主机100的运算处理器110须在本身固件中执行类神经网络模块111所需的演算程序。一例为采用德国dSPACE公司的DS1103PPC控制器板(ControllerBoard),本发明的类神经网络模块演算程序仍可藉由Simulink工具软件进行编写,最后转换成机械语言以植入其运算处理器(1GHz)PPC750GX的固件中,如此即能以固件执行方式进行高速运算。
有关嵌入式运算主机100所执行类神经网络模块111的演算程序、以及整个现地型地震即时分析系统10所执行的现地型地震即时分析方法,请合并参考后续的流程图与相关说明。
请参阅图3A,其是本发明另一实施例中现地型地震即时分析方法的流程图。虽然以下是以具有顺序的步骤及流程图,说明现地型地震即时分析方法的各构成部分;但除非特别予以限定,本发明的方法各构成部分之间并无绝对的前后顺序关系。
请一并参考图1与图3A,本发明一实施例中,现地型地震即时分析方法包括以下部分:
步骤S310:对于一检测地点撷取的一地震的初达波加速度信号进行硬件预处理。本实施例中硬件预处理包括硬件滤波程序与硬件去除偏移值程序,由信号预处理模块200的滤波电路210与偏移值去除电路220,分别对检测地点现地撷取的地震初达波加速度信号进行处理;于一实施例中,初达波加速度信号撷取频率为每秒200次。
步骤S320:传送经硬件预处理后的加速度信号至嵌入式运算主机。经信号预处理模块200进行硬件预处理后的加速度信号,乃经信号接口140传输至嵌入式运算主机100;这些加速度信号可以经总线150储存到储存单元130等待被存取,也可被运算处理器110直接读取运算,或暂存系统存储器120等待被存取、运算。
前述部分于现地型地震即时分析系统的信号预处理模块200执行,下列部分则由嵌入式运算主机100的执行。
步骤S330:将加速度信号输入内建于嵌入式运算主机上的类神经网络模块中进行计算。步骤S340:输出类神经网络模块所计算出地震的地震特性参数。有关类神经网络模块的定义、运作方式及计算过程将介绍如后。
生物学习新知时神经细胞接收外物的刺激而影响彼此连接的突触,类神经网络以神经元(neuron)、连结(link)、各连结权重(weight)及大量的并联网络层来模拟此现象,神经元可视为人类神经细胞的处理系统,包含简单的数学运算;各神经元彼此的连结可视为人类神经细胞彼此相连的突触;而连结权重则模拟神经细胞连结的强弱程度。本发明类神经网络模块的类神经网络由大量互相联系的神经元及连结所构成,神经元的数量、连结方式及各连结权重共同架构此网络模型,通过大量的训练样本,令类神经网络学习输入端与输出端数据间的规则,其接收输入端数据经过神经网络运算后得出一结果值,将此值与输出端目标值的误差反向传递回类神经网络修正连结权重,经由大量的学习次数逐步降低类神经网络计算结果值与实际目标值两者的误差,可称之为“倒传递类神经网络”。
本发明的类神经网络模块经过数据转换,将每一撷取时点的地震波加速度信号转换至介于0-1的数值数据,并输入至输入层中对应的一阶神经元。同时,考量全岛区域的通用特性及小区域的在地特征,依据地震历时数据逐秒调整各层各阶神经元数量及对应的连结权重,以适应实务上的需求。类神经网络模块的建置方式,首先取符合(1)地震规模0-8、(2)初达波与剪切波的时间差0-50秒内及(3)三轴向的峰值地表加速度PGA介于0-1000gal间等三类条件的地震历时数据作为类神经网络的分析数据,以期建立所输入初达波的地表加速度信号数据与该地震参数(震央规模、初达波与剪切波的时间差、各向峰值地表加速度PGA值及各向峰值地表加速度PGA触发时间等)的关联性。为能快速预警及最大化使用历史数据,本研究以每秒50点的取样频率针对初达波10秒内数据依时间长度分别建立输入端数据;如令P波触发时间为T0时,则分取T0-T1(第0-1秒)、T0-T2(第0-2秒)、T0-T3(第0-3秒)…T0-T10(第0-10秒)等数种相异时间间隔作为类神经网络模块中输入层不同的一阶神经元的输入数据,再以该时间间隔的地震参数为目标值来建立两者的映射关系。本发明是以四层倒传递类神经网络,依不同的初达波取样值的时间间隔长度各别建立模型化的类神经网络模块,以找到最佳化的类神经网络模块版本。
不同的正规化方法其类神经网络模块的模型化方式也有所差异。同时,因相异的数据正规化方式会影响类神经网络的学习能力和使用的数据量,而庞大的数据量虽仍提高模型预测精确度但也令运算时间增加,为能在数据选用及运算耗时上取得较佳整体效果,根据现地实务需求所分别建立的数种模块范例列举如下:
(一)线性正规化
将地震初达波后10秒内的地表加速度信号数据依时间长度分为垂直向、南北向、东西向等三轴向,若输入层的一个一阶神经元代表可输入一个地表加速度信号值,因每秒取样频率为50点,加上在三轴向取得的资讯,每秒所需输入的一阶神经元个数为150个。以此类推,T0-T1(第0-1秒)、T0-T2(第0-2秒)…T0-T10(第0-10秒)分别需要输入对应的150、300…1500个一阶神经元。其中,以-500和500作为门槛值将各种时间间隔内的地表加速度信号值进行线性正规化。
而在输出层的四阶神经元方面,以(1)地震规模(门槛值0-8)、(2)初达波与剪切波的时间差(门槛值0-50)、(3)垂直向上的峰值地表加速度PGA(门槛值0-1000)、(4)垂直向下的峰值地表加速度PGA(门槛值0-1000)、(5)向南的峰值地表加速度PGA(门槛值0-1000)、(6)向北的峰值地表加速度PGA(门槛值0-1000)、(7)向东的峰值地表加速度PGA(门槛值0-1000)、(8)向西的峰值地表加速度PGA(门槛值0-1000)、(9)垂直向的峰值地表加速度PGA的到达时间(门槛值0-250)、(10)南北向的峰值地表加速度PGA(门槛值0-250)的到达时间与(11)东西向的峰值地表加速度PGA(门槛值0-250)的到达时间等11个物理量,做为原始物理量的目标值。原始物理量的目标值经由线性正规化转化为0-1的值域内后,即能作为类神经网络模块的输出层其四阶神经元的输出目标值,用以修正调整各阶神经元的个数与连结权重。
一般而言,地表加速度信号数据除了经任何一种正规化转换之外,亦可搭配进行一向量转换,即将某一地表加速度信号数据的正值或负值,转为1或0的数值、并输入一个对应的额外一阶神经元中。
(二)指数正规化结合线性正规化
除直接使用地震加速度信号数据之外,地震加速度信号数据亦可区分为垂直、南北、东西等三轴六向的分量数据,故可将数据解析为垂直向上、垂直向下、向南、向北、向东及向西等六个方向,各以一个一阶神经元作为数据输入端,则各方向每秒的数据取样数为50点,整体而言一秒的时间间隔中其对应的输入层一阶神经元个数为300个。各方向的表加速度信号数据若有缺值部分即予补零,考量加速度数据记录精度至小数点第四位,而对于非零值部分经10000倍的放大后再以log10进行处理,最后使用门槛值0-8过滤并辅以线性正规化至0-1间,即能将地表加速度信号数据由物理量转换为适合类神经网络模块运算的输入值。
在输出目标值方面,针对地震规模、P波与S波的时间差、垂直向峰值地表加速度PGA的到达时间、南北向峰值地表加速度PGA的到达时间与东西向峰值地表加速度PGA等四个参数分别以0-8、0-50、0-250、0-250、0-250作为门槛值进行线性正规化,而垂直向下峰值地表加速度PGA、向南PGA峰值地表加速度、向北峰值地表加速度PGA、向东峰值地表加速度PGA、向西峰值地表加速度PGA等个6参数则先放大1000倍再经log10转换并以0-6为门槛值进行线性正规化,压缩值域为0-1内,即能将实际测得的历史物理量转换为输出层的四阶神经元的输出目标值。此外,在指数正规化过程中,为避免小于或等于0的数值经指数计算后会呈现负值或0,可将所有地表加速信号值全部平移加1后再进行指数正规化转换。
[例一]
(1)输入层一阶神经元个数:100~1000;(2)输出层四阶神经元数:11
假设直接取用地表加速度信号数据、每秒取样50点、并将地表加速度信号正负值进行向量转换,欲输入第0-1秒数据即需要100个一阶神经元。以此类推,欲输入第0-2秒数据即需要200个一阶神经元;欲输入第0-5秒数据即需要500个一阶神经元;欲输入第0-10秒数据即需要1000个一阶神经元。
[例二]
(1)输入层一阶神经元个数:300~3000;(2)输出层四阶神经元数:11
假设取用地表加速度信号的六轴分量数据、每秒取样50点,欲输入第0-1秒数据即需要300个一阶神经元。以此类推,欲输入第0-2秒数据即需要600个一阶神经元;欲输入第0-5秒数据即需要1500个一阶神经元;欲输入第0-10秒数据即需要3000个一阶神经元。
(三)傅立叶正规化结合线性正规化
将地震初达波的地表加速度信号数据分类为T0-T1(第0-1秒)、T0-T2(第0-2秒)…、T0-T10(第0-10秒)等数种类别。由于傅立叶正规化所需数据量与2的乘幂相关,因取样限制造成数据不足部分,可通过增加零值方式增加所需数据数据。另外,由于经由快速傅立叶转换化为时频域型式时,考量傅立叶频谱数据具有对称性,故只取前半部资讯作为输入端数据,并取各模型的极值运用线性正规化转化值域为0-1间。
在输出端方面,针对描述各向峰值地表加速度PGA的六个地震参数,我们先以1000进行倍率放大再藉由log10运算转化其分布的值域,最后以0-5.7为门槛值进行线性正规化。而对于初达波波与剪切波的时间差及垂直、南北、东西等轴向峰值地表加速度PGA到达时间等四个时间性质的地震参数,则分别以0-50、0-250、0-250、0-250为门槛值进行线性正规化。置于地震规模则运用0-8为门槛值和线性正规化方式进行转换。
[例三]
(1)输入层一阶神经元个数:33~257;(2)输出层四阶神经元数:11
假设直接取用地表加速度信号数据、每秒取样50点、并采用傅立叶转换,欲输入第0-1秒数据即需要(26/2)+1即33个一阶神经元。以此类推,欲输入第0-2秒数据即需要65个一阶神经元;欲输入第0-3、0-4、0-5秒数据即需要129个一阶神经元;欲输入第0-6、0-7、0-8、0-9、0-10秒数据即需要257个一阶神经元。
[例四]
(1)输入层一阶神经元个数:99~771;(2)输出层四阶神经元数:11
假设取用三轴地表加速度信号数据、每秒取样50点、并采用傅立叶转换,欲输入第0-1秒数据即需要[(26/2)+1]*3即33*9=99个一阶神经元。以此类推,欲输入第0-2秒数据即需要65*3=195个一阶神经元;欲输入第0-3、0-4、0-5秒数据即需要129*3=387个一阶神经元;欲输入第0-6、0-7、0-8、0-9、0-10秒数据即需要257*3=771个一阶神经元。本发明的类神经网络模块为高度非线性动态系统,其以并联神经元平行处理大量的输入数据,误差容忍性高,各个神经元包含部分的动态信息和简易的计算能力。当类神经网络模块由输入层读取数据后,各神经元加总前一层所传递的值(如式1)经由活化函数(sigmoid)(如式2)计算再传递给后一层神经元直至输出层而得此次分析的结果值,再通过结果值与目标值来修正调节误差。
其中:
U:经由各连结权重(W)与其相连的上层神经元信号相乘并加总之和
V:神经元的活化函数
I:随机噪声(StochasticNoise),可视为误差修正常数,随者每次迭带而有随机调整
i:神经元序号
j:上层神经元序号
本发明以倒传递类神经网络进行地表与建物的受震反应分析,其为监督式学习网络,预期类神经网络的目标值误差将因输入层的时间序列数据量增加而降低,但为了能在有限时间内争取其早发布地震警讯。故以初达波后1-10秒数据作为输入端,再分别以地表受震情形(如地表加速度,PeakGroundAcceleration,PGA)与该区建物受震情形(如楼层最大加速度,PeakFloorAcceleration,PFA)为两种目标值,建构两种类神经网络模块(一为地表受震分析,输入某分析时段内地表的历史三轴加速度数据,输出数据即为地表受震相关数据;另一为建物受震分析,输入某分析时段内建筑物的历史三轴加速度数据,输出数据即为建物受震相关数据),再依分析结果逐步修正分别取得较优模块,针对不同的时间历时加以细分,若输入端的时间历时较短则计算时间较少,可争取更多的反应时间然精度较低;如输入端时间较长则计算时间耗时较久,精度较高但会损失反应时间,是以将针对实务需求分别套用各类模块,使其能尽早预警并逐步更新预测的相关地震参数,而达到防灾实务上的预警精度与应变时间的要求。
请参阅图3B,类神经网络模块111应用于地表受震状况的现地型地震即时分析系统及方法。于一实施例中,针对地表受震分析而建置的类神经网络模块111包含形成四层且彼此连结的多个神经元(Neuron),各神经元具有一连结权重(LinkWeighting)对应于与次层(nextlayer)另一神经元的连结,各连结权重以实际测量的多个历史地震数据输入类神经网络模块111中反复调校而成。
于一实施例中,类神经网络模块111包含输入层111a、一二阶隐藏层111b、一三阶隐藏层111c与输出层111d。输入层111包含100-1000个(或300-3000、33-257、99-771等数种变型)一阶神经元n101、n102、n103、n104、n105….n1xxx;二阶隐藏层111b包含10-500个二阶神经元(依现地特性及实务现况经最佳化自动归纳调整而得)n201、n202、n203、n204….n230分别连结各一阶神经元n101~n1xxx;三阶隐藏层111c包含10-50个三阶神经元(依现地特性及实务现况经最佳化自动归纳调整而得)n301、n302、n303、n304….n330分别连结各二阶神经元n201~n230;输出层111d包含多个(如11个)四阶神经元n401-n411分别连结各三阶神经元n301~n330,各四阶神经元n401-n411分别输出一四阶输出值,且这些四阶输出值包含各种所需地震特性参数,如地震震度(剪切波)M、地震初达波与剪切波时间间隔Ti、第一组峰值地表加速度(PGA)P1x/P1y/P1z(三轴)、第二组峰值地表加速度(PGA)P2x/P2y/P2z(三轴)、峰值地表加速度(PGA)到达时间Tx/Ty/Tz(三轴),且预设输出频率为该输出层111d自第1秒起每秒钟输出一次前述四阶输出值。
有关类神经网络模块111的优化过程,首先须进行合适历史数据的筛选。嵌入式运算主机100的运算处理器110可筛选历史峰值地表加速度小于500(gal)、历史初达波/次达波时间差小于50(秒)的历史地震数据(于一特定检测地点),以输入该类神经网络模块中进行反复调校,而得类神经网络模块分析的相关运算数据。于其他实施例中,可以排除某些纪录异常数据;或者,数据取样方式采用每秒50点,以对应于强震仪撷取加速度信号的频率(每秒200或250点);采样的分析时段基本上可为第1-10秒内,于检测地点检测到初达波起算。于一实施例中,嵌入式运算主机的运算处理器将筛选后的历史加速度信号经数据转换(包含线性正规化(LinearNormalization)与指数正规化)后再输入类神经网络模块中,以得到多个预测地震特性参数,并比对实际测量的历史地震数据,以调校各该神经元的各该连结权重。筛选后的历史地震数据(如历史三轴加速度),将被输入至类神经网络模块111的输入层111a;经类神经网络模块111运算后,输出层111d输出结果将用以比对历史地震数据,以对类神经网络模块111各层的神经元数量、连结权重进行修改、调整与校正,逐步提高类神经网络模块111的精确度。于不同实施例中,历史地震数据可选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差的群组或其任意组合。于一实施例中,嵌入式运算主机即时收录加速度数据,以根据类神经网络模块分析的相关运算数据,进行地震的峰值加速度、震度等相关资讯的预报作业。特别是,当所收录的加速度数据超过预定上限值时,则以此上限值进行预报作业。
类神经网络模块111经过检测地点的历史地震数据调校后,即可用于实际地震事件的即时分析,且每次输出结果与实测值均能使类神经网络模块111进一步调校、不断提升精确性。实际操作的方式为,先将强震仪于某分析时段内(如0-3秒;以初达波为准,系统判定为地震事件当下时刻为第0秒)所接受到地震初达波的三轴加速度信号输入类神经网络模块111的输入层111a。图3B的各一阶神经元n101~n1xxx将分别输出一阶输出值,即所输入的各加速度信号值。
二阶隐藏层111b的各二阶神经元n201~n230分别接收各一阶神经元n101~n1xxx的一阶输出值、并分别输出一二阶输出值。每个二阶神经元n201~n230与每个一阶神经元n101~n1xxx之间分别具有一个“连结”(Link;即图中连结一/二阶神经元的线段),每个连结均具有一个“一阶连结权重”经历史地震数据调校获得。根据前述介绍的公式,通过各个连结传递的各二阶输出值为各一/二阶神经元的连结的“一阶连结权重”,分别乘上各一阶神经元n101~n1xxx的一阶输出值(即所输入的各加速度信号值)后之和、再加上一第一误差修正常数I1。
类似的,三阶隐藏层111c的各三阶神经元n301~n330分别接收各二阶神经元n201~n230的各二阶输出值、并分别输出一三阶输出值。每个三阶神经元n301~n330与每个二阶神经元n201~n230之间分别具有一个“连结”(即图中连结二/三阶神经元的线段),每个连结均具有一个“二阶连结权重”经过历史地震数据调校获得。根据前述介绍的公式,通过各个连结传递的各三阶输出值为各三阶神经元n301~n330与各二阶神经元n201~n230的各连结的二阶连结权重,分别乘上各二阶神经元n201~n230的各二阶输出值后之和、再加上一第二误差修正常数。
类似的,输出层111d的各四阶神经元n401-n411分别接收各三阶神经元n301~n330的各三阶输出值,各四阶神经元n401-n41分别输出一四阶输出值。每个四阶神经元n401-n411与每个三阶神经元n301~n330之间分别具有一个“连结”(即图中连结三/四阶神经元的线段),每个连结均具有一个“三阶连结权重”经过历史地震数据调校获得。根据前述介绍的公式,通过各个连结传递的各四阶输出值为各四阶神经元n401-n411与各三阶神经元n301~n330的连结的三阶连结权重,分别乘上所接收各三阶神经元n301~n330的各三阶输出值后之和、再加上一第三误差修正常数。
图3B中,四阶输出值为地震震度(剪切波)M、地震初达波-剪切波时间间隔Ti、第一组峰值地表加速度(PGA)P1x/P1y/P1z(三轴)、第二组峰值地表加速度(PGA)P2x/P2y/P2z(三轴)、峰值地表加速度(PGA)到达时间Tx/Ty/Tz(三轴)等11个。于不同实施例中,系统管理者可以选择不同地震特性参数作为四阶输出值,来对其神经元连结的连结权重进行调校,以建置高准确度的类神经网络模块。图3C(0-3秒)、图3D(0-5秒)为峰值地表加速度的实际测量值与本发明系统分析值的比较图表,虽仅使用第0-3秒或0-5秒的加速度数据,但已可显示相当高的分析精确度。
本发明各实施例的现地型地震即时分析系统与方法,运用四阶类神经网络模块、各阶具有特定数量的神经元,经以历史地震数据调校个神经连结的连结权重后,可以即时而准确预测检测地点的地表受震状况,作为防灾预警的参考。除此之外,考量高楼层建物的受震反应放大影响,亦适用于检测地点建筑物的受震反应评估;例如用于楼高16楼以上的建筑物,可提供高楼层专属的建筑物受震反应,做为强震来袭时疏散计划的参考。
请参考图4A,为本发明另一实施例中类神经网络模块112的示意图。类神经网络模块112包含输入层112a、一二阶隐藏层112b、一三阶隐藏层112c与输出层112d。类神经网络模块112的神经元连结架构大体与类神经网络模块111相同,不同处在于:类神经网络模块112的输出层112d仅有6个神经元n401-n406,其四阶输出值分别为某特定楼层的三个峰值楼层加速度(PFA;PeakFloorAcceleration)Px/Py/Pz与(三坐标轴),与三个峰值楼层加速度到达时间(PFAArrivalTime)Tx/Ty/Tz(三坐标轴)。要得到与建筑物受震反应相关的各种楼层地震参数,需要建置专属的类神经网络模块112。亦即,除输出部分设定为所需的楼层地震参数,需输入有关该建筑物的大量历史地震个别的多个历史加速度信号,再通过其他各种历史地震数据进行调校,如历史震源距离、历史峰值地表加速度、历史地震规模、历史地震主频与历史初达波/次达波时间差,以及对应该建筑物的多个历史楼层放大系数与多个历史楼层地震参数的群组或其任意组合;有关建筑物受震反应相关的历史地震数据筛选方式,大体与地表受震数据相近,请参考前述实施例。此外,虽然图4A的四阶输出值仅有三轴的峰值楼层加速度及其到达时间,于其他实施例中,这些四阶输出值也可设定为各种预测楼层地震参数,如楼层放大参数(某楼层加速度与地表加速度的比值)、峰值楼层加速度PFA或峰值楼层加速度到达时间等。
请参考图4B、4C对于特定建筑物某楼层的峰值楼层加速度的实际测量值与本发明系统分析值的比较图表,使用第0-3秒(图4B)或0-10秒(图4C)的加速度数据,亦显示可达到相当高的分析精确度。请参考图4D、4E、4F对于特定建筑物某楼层的峰值楼层加速度到达时间的实际测量值与本发明系统分析值的比较图表,分别为X、Y、Z三轴方向的比较图表,均显示可达到相当的准确性与可信赖度。
本发明所采用类神经网络的架构包含输入端、输出端及各隐藏层的神经元个数,地震资讯需经数据转换及线性正规化过程将原先的地表加速度历时数据转为介于0-1或-1~1的数值,而各层神经元的个数与数据转换方法皆能影响其收敛数度与准确性。有鉴于此,本发明以动态隐藏层神经元加点技术调整神经网络模型,并针对地震数据特性研拟各种数据转换方式(如线性正规化、指数正规化结合线性正规化、傅立叶转换结合线性正规化等),并针对各种参数进行自动调节及人工检验,最终得到较佳的类神经网络模型,而能提高整体系统的准确度。
基于本发明上述实施例与相关说明中所提及的各种技术特征与不同技术方案,可依实际需求进行任意组合变换,并不限于直接揭露在各实施例者;本发明各种技术特征与不同技术方案已详细说明如上,使本项技术领域具有通常知识者均能加以替换、重新组合并据以实施,而无须一一将所有排列组合揭露于此。
惟以上所述者,仅为本发明的较佳实施例而已,当不能以此限定本发明实施的范围;故,凡依本发明申请专利范围及发明说明书内容所作的简单的等效变化与修饰,皆应仍属本发明专利涵盖的范围内。
Claims (20)
1.一种现地型地震即时分析系统,即时分析一地震于一检测地点检测到的一初达波,以预测到达该检测地点的该地震的一剪切波,其特征在于,该系统包含:
一信号预处理模块,接收于该检测地点撷取该初达波的多个加速度信号,并对该初达波的多个加速度信号进行一硬件预处理,其中该硬件预处理包括硬件滤波程序、硬件去除偏移值程序及硬件积分程序;及
一嵌入式运算主机,包含一运算处理器,接收来自该信号预处理模块且进行过硬件预处理的加速度信号,并输入内建的一类神经网络模块中,以计算该地震到达该检测地点的多个地震特性参数,其中该类神经网络模块包含形成四层且彼此连结的多个神经元,各该神经元具有一连结权重对应于与次层另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成:
其中,所述硬件积分程序包含对该初达波的加速度信号进行硬件积分,而将该初达波的加速度信号转换为初达波的地表速度与地表位移。
2.根据权利要求1所述的现地型地震即时分析系统,其特征在于,该类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层,该输入层包含至少33个一阶神经元,该二阶隐藏层包含至少30个二阶神经元分别连结各该一阶神经元,该三阶隐藏层包含至少30个三阶神经元分别连结各该二阶神经元,该输出层包含多个四阶神经元分别连结各该三阶神经元,各该四阶神经元分别输出一四阶输出值,且所述四阶输出值包含所述地震特性参数。
3.根据权利要求2所述的现地型地震即时分析系统,其特征在于:
该输入层的各该一阶神经元分别接收于一分析时段内的所述加速度信号,各该一阶神经元分别输出一一阶输出值,各该一阶输出值分别为所接收的各该加速度信号值;
该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值,各该二阶输出值为各该二阶神经元与各该一阶神经元连结的一一阶连结权重,分别乘上各该一阶神经元的各该一阶输出值后之和、再加上一第一误差修正常数;
该三阶隐藏层的各该三阶神经元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值,各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重,分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数;及
该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值,各该四阶神经元分别输出一四阶输出值,各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重,分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
4.根据权利要求2所述的现地型地震即时分析系统,其特征在于,该类神经网络模块接收一分析时段内的所述加速度信号,该分析时段为于该检测地点检测到该初达波起第1-10秒内,且该输出层自第1秒起每秒钟输出四阶输出值。
5.根据权利要求1所述的现地型地震即时分析系统,其特征在于,该历史地震数据选自多个历史地震个别的多个历史加速度信号、一历史震源距离、一历史峰值地表加速度、一历史地震规模、一历史地震主频与一历史初达波/次达波时间差的群组或其任意组合。
6.根据权利要求5所述的现地型地震即时分析系统,其特征在于,该嵌入式运算主机的该运算处理器筛选该历史峰值地表加速度小于500gal、该历史初达波/次达波时间差小于50秒的所述历史地震数据,以输入该类神经网络模块中进行反复调校。
7.根据权利要求6所述的现地型地震即时分析系统,其特征在于,该嵌入式运算主机的该运算处理器将筛选后的所述历史加速度信号先进行数据转换,再输入该类神经网络模块中,以得到多个预测地震特性参数,并比对实际测量的所述历史地震数据,以调校各该神经元的各该连结权重。
8.根据权利要求1所述的现地型地震即时分析系统,其特征在于,该嵌入式运算主机将所接收该地震的所述加速度信号先进行数据转换,再输入该类神经网络模块中,以得到所述地震特性参数;其中该数据转换选自指数正规化搭配线性正规化转换、或傅立叶正规化搭配线性正规化转换。
9.根据权利要求1所述的现地型地震即时分析系统,其特征在于,通过该类神经网络模块计算的所述地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。
10.根据权利要求9所述的现地型地震即时分析系统,其特征在于,该类神经网络模块输出的所述地震特性参数,包含对应该特定楼层的至少一峰值楼层加速度与至少一峰值楼层加速度到达时间。
11.一种现地型地震即时分析方法,即时分析一地震于一检测地点检测到的一初达波,以预测到达该检测地点的该地震的一剪切波,其特征在于,该方法包含:
对于该检测地点撷取的多个加速度信号进行一硬件预处理,其中该硬件预处理包括硬件滤波程序、硬件去除偏移值程序及硬件积分程序;
传送经硬件预处理后的所述加速度信号至一嵌入式运算主机;
将所述加速度信号输入内建于该嵌入式运算主机上的一类神经网络模块中进行计算;及
输出该类神经网络模块所计算出该地震的多个地震特性参数;
其中该类神经网络模块包含形成四层且彼此连结的多个神经元,各该神经元具有一连结权重对应于与次层另一该神经元的连结,各该连结权重以实际测量的多个历史地震数据输入该类神经网络模块中反复调校而成;
其中,所述硬件积分程序包含对该初达波的加速度信号进行硬件积分,而将该初达波的加速度信号转换为初达波的地表速度与地表位移。
12.根据权利要求11所述的现地型地震即时分析方法,其特征在于,该类神经网络模块包含一输入层、一二阶隐藏层、一三阶隐藏层与一输出层,该输入层包含至少33个一阶神经元,该二阶隐藏层包含10-50个二阶神经元分别连结各该一阶神经元,该三阶隐藏层包含10-500个三阶神经元分别连结各该二阶神经元,该输出层包含多个四阶神经元分别连结各该三阶神经元,各该四阶神经元分别输出一四阶输出值,且所述四阶输出值包含所述地震特性参数。
13.根据权利要求12所述的现地型地震即时分析方法,其特征在于:
该输入层的各该一阶神经元分别接收于一分析时段内的所述加速度信号,各该一阶神经元分别输出一一阶输出值,各该一阶输出值分别为所接收的各该加速度信号值;
该二阶隐藏层的各该二阶神经元分别接收各该一阶神经元的该一阶输出值、并分别输出一二阶输出值,各该二阶输出值为各该二阶神经元与各该一阶神经元连结的一一阶连结权重,分别乘上各该一阶神经元的各该一阶输出值后之和、再加上一第一误差修正常数;
该三阶隐藏层的各该三阶神经元分别接收各该二阶神经元的各该二阶输出值、并分别输出一三阶输出值,各该三阶输出值为各该三阶神经元与各该二阶神经元连结的一二阶连结权重,分别乘上各该二阶神经元的各该二阶输出值后之和、再加上一第二误差修正常数;及
该输出层的各该四阶神经元分别接收各该三阶神经元的各该三阶输出值,各该四阶神经元分别输出一四阶输出值,各该四阶输出值为各该四阶神经元与各该三阶神经元连结的一三阶连结权重,分别乘上所接收各该三阶神经元的各该三阶输出值后之和、再加上一第三误差修正常数。
14.根据权利要求12所述的现地型地震即时分析方法,其特征在于,该类神经网络模块接收一分析时段内的所述加速度信号,该分析时段为于该检测地点检测到该初达波起第1-10秒内,且该输出层自第1秒起每秒钟输出四阶输出值。
15.根据权利要求11所述的现地型地震即时分析方法,其特征在于,该类神经网络模块输出的所述地震特性参数,选自该地震的一地震震度、一初达波-剪切波时间间隔、至少一组对应三坐标轴的峰值地表加速度及一峰值地表加速度到达时间的群组及其任意组合。
16.根据权利要求11所述的现地型地震即时分析方法,其特征在于,该嵌入式运算主机将所接收该地震的所述加速度信号先进行数据转换,再输入该类神经网络模块中,以得到所述地震特性参数;其中该数据转换选自指数正规化搭配线性正规化转换、或傅立叶正规化搭配线性正规化转换。
17.根据权利要求11所述的现地型地震即时分析方法,其特征在于,更包含通过该嵌入式运算主机筛选历史峰值地表加速度小于500gal、历史初达波/次达波时间差小于50秒的所述历史地震数据,以输入该类神经网络模块中进行反复调校。
18.根据权利要求17所述的现地型地震即时分析方法,其特征在于,该嵌入式运算主机将筛选后的历史加速度信号先进行数据转换,再输入该类神经网络模块中,以得到多个预测地震特性参数,并比对实际测量的所述历史地震数据,以调校各该神经元的各该连结权重。
19.根据权利要求11所述的现地型地震即时分析方法,其特征在于,通过该类神经网络模块计算的所述地震特性参数包含至少一楼层放大参数及/或至少一楼层地震参数,对应于位在该检测地点的一建筑物上一特定楼层。
20.根据权利要求19所述的现地型地震即时分析方法,其特征在于,该类神经网络模块输出的所述地震特性参数,包含对应该特定楼层的至少一峰值楼层加速度与至少一峰值楼层加速度到达时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210337469.5A CN103675914B (zh) | 2012-09-12 | 2012-09-12 | 运用类神经网络的现地型地震即时分析系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210337469.5A CN103675914B (zh) | 2012-09-12 | 2012-09-12 | 运用类神经网络的现地型地震即时分析系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675914A CN103675914A (zh) | 2014-03-26 |
CN103675914B true CN103675914B (zh) | 2015-12-02 |
Family
ID=50314032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210337469.5A Active CN103675914B (zh) | 2012-09-12 | 2012-09-12 | 运用类神经网络的现地型地震即时分析系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675914B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379109A1 (en) * | 2015-06-29 | 2016-12-29 | Microsoft Technology Licensing, Llc | Convolutional neural networks on hardware accelerators |
TWI676967B (zh) * | 2018-06-19 | 2019-11-11 | 三聯科技股份有限公司 | 地震即時警示方法 |
US10601471B1 (en) * | 2018-08-29 | 2020-03-24 | Micron Technology, Inc. | Neuron calculator for artificial neural networks |
CN111257934B (zh) * | 2020-01-17 | 2022-03-11 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN113534238B (zh) * | 2020-04-18 | 2024-03-29 | 中国石油化工股份有限公司 | 一种地震资料处理过程数据采集及数据挖掘的系统和方法 |
JP7469703B2 (ja) | 2020-07-20 | 2024-04-17 | 日本電信電話株式会社 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
CN116046079B (zh) * | 2023-04-03 | 2023-06-30 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 一种基于位置的地质环境专题数据集成管理系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
-
2012
- 2012-09-12 CN CN201210337469.5A patent/CN103675914B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103675914A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675914B (zh) | 运用类神经网络的现地型地震即时分析系统及其方法 | |
Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
Stewart et al. | Ground motion evaluation procedures for performance-based design | |
Mariniello et al. | Structural damage detection and localization using decision tree ensemble and vibration data | |
Yuen | Bayesian methods for structural dynamics and civil engineering | |
Avci et al. | Self-organizing maps for structural damage detection: a novel unsupervised vibration-based algorithm | |
Güllü | On the prediction of shear wave velocity at local site of strong ground motion stations: an application using artificial intelligence | |
US20130046475A1 (en) | System and method for on-site instant seismic analysis | |
Li et al. | A convolutional neural network‐based full‐field response reconstruction framework with multitype inputs and outputs | |
CN114792020B (zh) | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 | |
CN114741758B (zh) | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 | |
Veeraraghavan et al. | MASTODON: an open-source software for seismic analysis and risk assessment of critical infrastructure | |
Zhao et al. | A hybrid recognition model of microseismic signals for underground mining based on CNN and LSTM networks | |
Zhou et al. | Fault diagnosis method of the construction machinery hydraulic system based on artificial intelligence dynamic monitoring | |
Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
CN110263447A (zh) | 一种基于长短期记忆网络的载荷谱外推方法 | |
CN106662665B (zh) | 用于更快速的交错网格处理的重新排序的插值和卷积 | |
CN111695729B (zh) | 一种基于dmap模型的余震预测方法 | |
CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
Xing et al. | Construction of an intraplate fault system model of South Australia, and simulation tool for the iSERVO institute seed project | |
TWI444648B (zh) | 運用類神經網路之現地型地震即時分析系統及其方法 | |
CN111382908A (zh) | 一种考虑大震时间相关性的地震随机事件集模拟方法 | |
Ahdika et al. | Developing an earthquake model based on simultaneous peak ground acceleration occurrences using the D-vine copula approach | |
Tuluka et al. | Seismic hazard assessment of the Democratic Republic of Congo and Environs based on the GEM–SSA Catalogue and a new seismic source model | |
Song et al. | Continuous prediction method of earthquake early warning magnitude for high-speed railway based on support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |