CN111458748B - 基于三层数据集神经网络的性能地震动危险性分析方法 - Google Patents
基于三层数据集神经网络的性能地震动危险性分析方法 Download PDFInfo
- Publication number
- CN111458748B CN111458748B CN202010236208.9A CN202010236208A CN111458748B CN 111458748 B CN111458748 B CN 111458748B CN 202010236208 A CN202010236208 A CN 202010236208A CN 111458748 B CN111458748 B CN 111458748B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- magnitude
- seismic
- performance
- data
- 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.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012502 risk assessment Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004613 tight binding model Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/30—Noise handling
- G01V2210/32—Noise reduction
- G01V2210/324—Filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
Abstract
本发明涉及一种抗震技术分析方法,本发明的基于三层数据集神经网络的性能地震动危险性分析方法,包括以下步骤:(1)地震动数据采集与数据噪声去除;(2)数据特征参数提取与初始化处理;(3)训练集、区间集、测试集生成;(4)基于训练集,训练多层神经网络;(5)基于区间集,训练神经网络输出值,并计算输出值相对误差的均值和标准差;(6)基于测试集,训练神经网络确定输出值,基于区间置信度,计算震级区间;(7)概率地震危险性分析,确定性能地震的年超越概率和重现期;(8)基于性能地震动和一致概率,确定达到性能地震动的震级和震中距。采用新的神经网络训练方法,预测地震动衰减关系,提升了衰减关系适用的广泛性和韧性。
Description
技术领域
本发明涉及一种抗震技术分析方法,尤其涉及一种基于神经网络的地震危险性分析方法。
背景技术
地震“时间、空间、强度”是地震危险性分析技术的三个核心问题。1968年Cornell提出了概率地震危险性方法,震级-频数函数关系反映了地震震级强度的分布需求;泊松分布反映了随时间变化地震发生的概率;潜在震源区内各点地震均匀分布反映了地震空间分布需求。为了修正潜在震源区均匀分布假定的近似性,1990年《中国地震烈度区划图》提出综合概率地震危险性方法,将潜在震源区按二级构造,2015年《中国地震动参数区划图》,将潜在震源区按三级构造。
地震危险性分析主要包括确定危险性分析和概率地震危险性分析。确定危险性分析基于地震地质、地震活动性、历史最大地震等的考量,给出地震事件的确定性估计。虽然工程意义明确、表达形式简单直观,但未来地震时间、空间、强度的不确定性,无法客观地量化表达。概率地震危险性分析是特定区域在未来一定设计基准期内地震参数(烈度、加速度、速度、反应谱等)超过某一给定值的概率分析方法,未来地震时间、空间、强度不确定性给出了量化的概率指标。主要包括三种方法:一是经验统计法;二是基于震源谱的随机振动法;三是基于经验格林函数的地震学方法。地震危险性分析方法虽已经应用于实际工程,但仍然存在很多技术难点需要改进:小区域的G-R关系b值幂律形式的合理性;基于地震带的活动性确定潜在震源区活动性和潜在震源区空间分布函数的客观性;概率地震危险性分析在大尺度时间序列上预测结果的超真实性;经验统计法存在区域适用的局限性;基于震源谱的随机振动法和基于经验格林函数的地震学方法,复杂地震理论计算模型的不确定性等。因此,直接基于实际地震参数记录的大数据驱动地震危险性预测,提升地震危险性分析的效果,是地震危险性分析的一项新技术。
在基于神经网络的深度学习方面,目前训练的结构模型有二种,一是训练集+测试集;二是训练集+验证集+测试集。第二种方法验证集的作用是在验证集里修正、改进训练集的神经网络模型,从这个意义上讲,这二种方法本质是一致的。但当数据量较少,在测试集里会出现无法通过的难题。现实中采用最多的方法是通过测试误差来评价学习方法的泛化能力。但这种评价是依赖于测试数据集的,因为测试数据集是有限的,很有可能由此得到的评价结果是不可靠的。因此,如何改变训练结构模型,提升神经网络深度学习的鲁棒性,也是机器学习的一项重要技术。
在地震危险性分析方法方面,目前已有的方法是从地震发生的危险性出发确定地震参数的,即从地震发生的始点考虑问题的。而基于性能(性态)的抗震设计是从结构地震中的性能(性态)考虑的,即从地震发生导致的结构行为结果考虑问题。现有文献和专利都已有提出了基于性能水准的抗震设计方法,但是,没有性能地震动的危险性分析方法。
地震动衰减关系影响地震危险性分析结果最为显著和敏感。目前地震动衰减关系受表达形式的制约,仅有地震动(含烈度)、震级和震中距三参数,难以全面体现地震复杂性,仅适用区域地震动衰减模拟。
发明内容
本发明的技术效果能够克服上述缺陷,提供一种基于三层数据集神经网络的性能地震动危险性分析方法,本方法利用地震记录的大数据,多参数输入神经网络,并采用新的神经网络训练方法,预测地震动衰减关系,提升了衰减关系适用的广泛性和韧性。
为实现上述目的,本发明采用如下技术方案:其包括以下步骤:
(1)地震动数据采集与数据噪声去除;
(2)数据特征参数提取与初始化处理;
(3)训练集、区间集、测试集生成;
(4)基于训练集,训练多层神经网络;
(5)基于区间集,训练神经网络输出值,并计算输出值相对误差的均值和标准差;
(6)基于测试集,训练神经网络确定输出值,基于区间置信度,计算震级区间;
(7)概率地震危险性分析,确定性能地震的年超越概率和重现期;
(8)基于性能地震动和一致概率,确定达到性能地震动的震级和震中距。
目前地震记录尚未达到百万级、千万级的大数据,采用已有神经网络深度学习,预测地震动衰减关系,在测试集里可能会出现无法通过的难题,为了解决这一不足,本专利采用训练集+区间集+测试集的训练结构模型,区别于现有的训练结构模型,提升了神经网络深度学习的鲁棒性。目前尚未有基于性能地震动的危险性分析方法,为了解决这一不足,本专利采用基于三层数据集深度神经网络预测地震动衰减关系,采用概率地震危险性分析方法,预测性能地震动的年超越概率和重现期,基于性能地震动和一致概率,确定设定地震的震级和震中距。
附图说明
图1为本方法的流程示意图;
图2性能地震动-超越概率的地震危险性曲线;
图3性能地震动超越概率的确定方法;
图4一致超越概率确定性能地震动的设定地震震级。
具体实施方式
本发明的基于三层数据集神经网络的性能地震动危险性分析方法,包括以下步骤(见图1所示):
1、地震动数据采集与数据噪声去除:收集大量的地面运动记录(包括地面运动的加速度、速度以及位移),进行基线校正和带通滤波等清洗工作,统一地面运动记录数据格式。
2、数据特征参数提取与初始化处理:从地面运动记录中提取神经网络的输入特征参数x,进行相关性检验和数据初始化。
特征参数分别是:性能地震动对数LnY、震级M、震源距R、震源深度H、断层类型标记F、断层倾角θ1、断层走向θ2、断层倾向θ3、滑动角θ4,记录经度θ0X、维度θ0Y、场地V30。
进行特征参数x的相关性检验,计算两两特征的信息增益Gain(A,B)=H(A)-H(A|B),A为特征参数,Gain(A,B)为信息增益在得知特征参数A一定的情况下,逾期概率B不确定性的减少程度,H(A/B)为特征参数x被固定时的条件熵。保证10%以下的相关程度,若大于10%,考虑去除相应特征,形成新的数据表,最终特征参数为x。
对最终特征x初始化处理,以MinMaxScaler算法为例,将所有特征缩放到0和1之间,转换函数为:
式中,xi min为数据集中特征参数xi的最小值,xi max数据集中特征参数xi的最大值。
将震级M作为数据列表的最后一列,按震级M由小到大的顺序排列,建立新的输入列表。
3、训练集、区间集、测试集采用的数据分别按总数据量的60%、20%、20%比例分配。
4、在训练集内,训练多层神经网络MLP,训练方法为常规的神经网络训练方法。
①按照输入层、隐藏层和输出层,按照前馈BP算法,架构多层神经网络MLP。以Python开发的MLP神经网络为例,通过调用Scikit-Learn机器学习库中的MLPClassfier()函数,传入外部参数hidden_layer_sizes(隐藏层尺寸)、activation(激活函数)、slover(优化器)、alpha(正则化参数)、max_iter(迭代深度)等,实现对神经网络对象的架构。确定自定义的上述参数的全部或部分,分别进行取值列表的给定,如activation:{‘identity’,‘logistic’,‘tanh’,‘relu’},构建交叉验证的网格搜索对象,将训练集转换为PythonNumpy运算库中的ndarray对象,输入至网格搜索对象,确定模型最佳参数组合。
②依据上一步骤给出最佳参数组合,定义多层神经网络MLP,将训练集标签的ndarray对象输入网络,计算当前神经网络输出值与该条数据标签的差值,基于BP算法,将误差函数后反馈至每层每一个节点上计算梯度,逐步更新每个节点的权重与偏置值,训练多层神经网络MLP。
5、在区间集内,基于训练神经网络输出震级,计算区间集输出值相对误差的均值和标准差。
将测试集的数据输入至步骤(4)训练好的神经网络中,获取每一条数据的输出并基于步骤(5)得出的相对误差的均值μ和标准差ε,计算其与真实标签Mh的相对误差ΔM,将Mh表示为设定置信度95%,以验证集中95%Mh落在区间为原则,计算验证集中满足置信度要求的最小l值,则满足置信度要求的震级区间,和分别是震级区间的最小震级和最大震级。
7、概率地震危险性分析,确定性能地震的年超越概率和重现期。
①确定场地建筑物达到性能地震动Y,具体方法可参见本发明人前期已经授权或公开的发明专利。
②按照《中国地震动参数区划图GB18306-2015》三级划分原则,确定潜在震源区。
③确定潜在震源区内起算震级M0、震级上限Muz,从起算震级M0到震级上限Muz,确定n个震级档Mj(j=1,2,……,n)。
④依据G-R震级频度关系公式lgN=a-bM,根据实际地震震级M、频度N进行统计,确定a和b值,令中间参数β=b ln 10,计算潜在震源区起算震级及以上的年发生率v0。
⑤根据确定的达到性能水准的地震动Y和潜在震源区的震源距R,采用步骤(6)验证通过达到性能地震动Y的M* Yhmin和M* Yhmax,按照震级档为0.1的步长,从M* Yhmin到M* Yhmax可获得达到性能地震动Y的q个M* Yhp,其中M* Yhmin为性能地震动Y对应的最小震级值,M* Yhmax为性能地震动Y对应的最大震级值。
式中,Sa为地震动参数,可以是加速度、速度、反应谱等;v0为潜在震源区的地震年平均发生率;为潜在震源区k、震级分档Mj的空间分布系数,根据地震活动特征因子、区划图发生率因子、地震构造条件因子、地震活动度因子、网格活动性因子、大震发生率因子、中长期危险性因子、离逝时间因子等确定。
⑦潜在震源区k在t年内场地发生达到性能水准的地震超越概率为:
Ptk(Sa≥Y|M,R)=1-e-vt (2)
⑧场地有m个潜在震源区,场地t年内发生达到性能水准的超越概率:
⑨场地t年内发生达到性能水准的重现期:
绘制q条性能地震动-超越概率的地震危险性曲线,见图2。
8、基于性能地震动和一致概率,确定设定震级和震中距
①挑选任一条地震动—超越概率的地震危险性曲线Yhp,根据性能地震动Yi,确定相应的超越概率,见图3;依据一致超越概率,确定达到性能地震动Yi的设定地震震级Mi,见图4。
②将m个潜在震源区划分为等间距微小震源区,场点到m个潜在震源区的微小震源区会有相应数量的震中距Ri。
筛选具有一致超越概率,且达到性能地震动Yi的设定地震震中距Ri,
其中,Ri的筛选规则:
1)任意潜在震源区内Mimin≤Mi≤Mimax;
3)Ri在相应的震源区内;
确定了达到性能地震动Yi,且一致概率的设定地震的震级Mi和震中距Ri。
本专利采用数据驱动,深度神经网络构建地震动的衰减关系;采用概率地震危险性分析方法,预测性能地震动的年超越概率和重现期;基于性能地震动和一致概率,确定设定地震的震级和震中距。
需要指出,本专利的深度神经网络的本质是地震动的衰减关系,传统采用统计分析也会得到地震动的衰减关系,且给出误差范围。按照本专利步骤(7)和步骤(8)进行性能地震动危险性分析方法,同样,得到达到性能地震动的超越概率、重现期和相应设定地震的震级、震中距,不赘述。
Claims (6)
1.一种基于三层数据集神经网络的性能地震动危险性分析方法,其特征在于包括以下步骤:
(1)地震动数据采集与数据噪声去除;
(2)数据特征参数提取与初始化处理;
(3)训练集、区间集、测试集生成;
(4)基于训练集,训练多层神经网络;
(5)基于区间集,训练神经网络输出值,并计算输出值相对误差的均值和标准差,该步骤中,将区间集的数据输入至步骤(4)训练好的神经网络中,获取每一条数据的输出与真实数据Mh进行对比,计算每条输出数据的相对误差计算区间集输出值相对误差的均值μ和标准差ε;
(6)基于测试集,训练神经网络确定输出值,基于区间置信度,计算震级区间,该步骤中,将测试集的数据输入至步骤(4)训练好的神经网络中,获取每一条数据的输出并基于步骤(5)得出的相对误差的均值μ和标准差ε,计算其与真实数据Mh的相对误差ΔM,将Mh表示为设定置信度95%,以验证集中95%Mh落在区间为原则,计算测试集中满足置信度要求的最小l值,则满足置信度要求的震级区间,令其分别是震级区间的最小震级和最大震级;
(7)概率地震危险性分析,确定性能地震动的年超越概率和重现期,其包括以下步骤:
(7.1)确定场地建筑物达到性能地震动Y;
(7.2)按照三级划分原则,确定潜在震源区;
(7.3)确定潜在震源区内起算震级M0、震级上限Muz,从起算震级M0到震级上限Muz,确定n个震级档Mj,其中j=1,2,……,n;
(7.4)依据G-R震级频度关系公式lgN=a-bM,根据实际地震震级M、频度N进行统计,确定a和b值,令中间参数β=b ln10,统计潜在震源区起算震级及以上的年发生率v0;
(7.5)根据确定的达到性能水准的地震动Y和潜在震源区的震源距R,采用步骤(6)验证通过达到性能地震动Y的M* Yhmin和M* Yhmax,按照震级档为0.1的步长,从M* Yhmin到M* Yhmax可获得达到性能地震动Y的q个M* Yhp,其中M* Yhmin为性能地震动Y对应的最小震级值,M* Yhmax为性能地震动Y对应的最大震级值;
式中,Sα为地震动参数,是加速度、速度、反应谱;v0为潜在震源区的地震年平均发生率;为潜在震源区k、震级分档Mj的空间分布系数,根据地震活动特征因子、区划图发生率因子、地震构造条件因子、地震活动度因子、网格活动性因子、大震发生率因子、中长期危险性因子、离逝时间因子确定;
(7.7)潜在震源区k在t年内场地发生达到性能水准的地震超越概率为:
Ptk(Sa≥Y|M,R)=1-e-vt;
(7.8)场地有m个潜在震源区,场地t年内发生达到性能水准的超越概率:
(7.9)场地t年内发生达到性能水准的重现期:
绘制q条性能地震动—超越概率的地震危险性曲线;
(8)基于性能地震动和一致概率,确定达到性能地震动的震级和震中距,其包括以下步骤:
(8.1)挑选任一条地震动—超越概率的地震危险性曲线,根据任意一个性能地震动Yi,确定相应的超越概率;依据一致超越概率,确定达到性能地震动Yi的设定地震震级Mi;
(8.2)将m个潜在震源区划分为等间距微小震源区,场点到m个潜在震源区的微小震源区会有相应数量的震中距Ri;
1)任意潜在震源区内Mimin≤Mi≤Mimax;
3)Ri在相应的震源区内;
确定了达到性能地震动Yi,且一致概率的设定地震的震级Mi和震中距Ri。
2.根据权利要求1所述的分析方法,其特征在于,所述的步骤(1)中地震动数据包括地面运动的加速度、速度以及位移。
3.根据权利要求1或2所述的分析方法,其特征在于,所述的步骤(2)中特征参数分别为:性能地震动对数LnY、震级M、震源距R、震源深度H、断层类型标记F、断层倾角θ1、断层走向θ2、断层倾向θ3、滑动角θ4、记录经度θ0X、维度θ0Y、场地V30。
4.根据权利要求3所述的分析方法,其特征在于,对上述特征参数进行相关性检验,计算两两特征的信息增益Gain(A,B)=H(A)-H(A|B),其中A为特征参数,Gain(A,B)为信息增益在得知特征参数A的条件下,逾期概率B不确定性的减少程度,H(A/B)为特征参数被固定时的条件熵;保证10%以下的相关程度,若大于10%,去除相应特征参数,形成新数据表,最终特征参数为x。
6.根据权利要求5所述的分析方法,其特征在于,步骤(3)中,训练集、区间集、测试集采用的数据分别按总数据量的60%、20%、20%比例分配。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236208.9A CN111458748B (zh) | 2020-03-30 | 2020-03-30 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
PCT/CN2020/091544 WO2021196367A1 (zh) | 2020-03-30 | 2020-05-21 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
US17/211,891 US11215719B2 (en) | 2020-03-30 | 2021-03-25 | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
JP2021053294A JP6948740B2 (ja) | 2020-03-30 | 2021-03-26 | 3層データセットニューラルネットワークによる性能地震動危険度解析方法 |
EP21166049.3A EP3889652A1 (en) | 2020-03-30 | 2021-03-30 | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236208.9A CN111458748B (zh) | 2020-03-30 | 2020-03-30 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111458748A CN111458748A (zh) | 2020-07-28 |
CN111458748B true CN111458748B (zh) | 2021-03-05 |
Family
ID=71685019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236208.9A Expired - Fee Related CN111458748B (zh) | 2020-03-30 | 2020-03-30 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11215719B2 (zh) |
EP (1) | EP3889652A1 (zh) |
JP (1) | JP6948740B2 (zh) |
CN (1) | CN111458748B (zh) |
WO (1) | WO2021196367A1 (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751399B (zh) * | 2019-10-22 | 2023-02-24 | 中国地震局地球物理研究所 | 地震危险性并行分析方法、装置及设备 |
CN112883348A (zh) * | 2021-02-05 | 2021-06-01 | 西安电子科技大学 | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 |
CN113009553A (zh) * | 2021-03-02 | 2021-06-22 | 电子科技大学 | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 |
CN112946318A (zh) * | 2021-03-24 | 2021-06-11 | 苏州康旺聚贤智能科技有限公司 | 一种加速度传感器的标定算法 |
CN113268852B (zh) * | 2021-04-14 | 2022-02-22 | 西南交通大学 | 一种基于蒙特卡洛模拟的地震滑坡概率危险性分析方法 |
CN113379105B (zh) * | 2021-05-21 | 2022-05-31 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
US11200788B1 (en) * | 2021-06-28 | 2021-12-14 | 1st Street Foundation, Inc. | Systems and methods for forecasting and assessing hazard-resultant effects |
CN113484913B (zh) * | 2021-08-16 | 2023-06-16 | 成都理工大学 | 一种多粒度特征融合卷积神经网络的地震资料去噪方法 |
CN114329974B (zh) * | 2021-12-29 | 2023-07-18 | 武汉大学 | 基于蒙特卡洛模拟的城市供水管网地震损伤评估方法 |
CN114693066B (zh) * | 2022-02-28 | 2024-03-15 | 哈尔滨工业大学(深圳) | 地震危险性分析方法、装置、设备及存储介质 |
CN114675325A (zh) * | 2022-03-13 | 2022-06-28 | 中国地震台网中心 | 基于Mindlin解的地震地表破裂永久位移的估计方法 |
CN114779329B (zh) * | 2022-04-24 | 2023-05-23 | 福州大学 | 一种近断层海域地震动反应谱标定方法 |
CN115343751A (zh) * | 2022-08-04 | 2022-11-15 | 中国地震局地震预测研究所 | 一种活动地块边界带断层震级确定方法及系统 |
CN115291281B (zh) * | 2022-09-30 | 2022-12-20 | 中国科学院地质与地球物理研究所 | 基于深度学习的实时微地震震级计算方法及装置 |
CN115826039B (zh) * | 2022-11-09 | 2023-07-14 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
CN116256803B (zh) * | 2023-03-09 | 2024-01-19 | 中国矿业大学 | 一种融合开采信息与地质信息的煤矿微震区域定位方法 |
CN116956046B (zh) * | 2023-09-07 | 2023-12-29 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
CN118090107A (zh) * | 2024-04-24 | 2024-05-28 | 华侨大学 | 一种考虑地震动影响的多结构地震反应智能预测方法 |
CN118259350B (zh) * | 2024-05-31 | 2024-08-23 | 四川安信科创科技有限公司 | 基于时空序列预测的图像处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928367B2 (en) * | 2002-09-27 | 2005-08-09 | Veritas Dgc Inc. | Reservoir fracture characterization |
CN102200588A (zh) * | 2011-03-22 | 2011-09-28 | 成都理工大学 | 地震资料的波形相似性体曲率分析方法 |
CN102787676A (zh) * | 2011-05-20 | 2012-11-21 | 青岛理工大学 | 工程结构多目标性能化抗震设计方法 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
Family Cites Families (13)
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 |
US7280920B1 (en) * | 2005-06-29 | 2007-10-09 | Whiteside Lowell S | Method and apparatus for forecasting earthquakes and making informed risk management decisions |
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 |
KR102044041B1 (ko) * | 2013-09-27 | 2019-12-03 | 한국전력공사 | 지진측정장치 및 지진측정방법 |
CN103926621A (zh) * | 2014-05-06 | 2014-07-16 | 中国地震局工程力学研究所 | 两阶段残差分析建立地震动衰减关系的方法 |
KR20160114804A (ko) * | 2015-03-24 | 2016-10-06 | 현대자동차주식회사 | 해석성능 평가 방법 |
CN105005079B (zh) * | 2015-07-14 | 2017-12-01 | 北京博达瑞恒科技有限公司 | 一种井曲线反演方法 |
CN106019359A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的地震预测系统 |
CN106154309A (zh) * | 2016-06-29 | 2016-11-23 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的地震12月内短期预测方法 |
CN109799533B (zh) * | 2018-12-28 | 2021-07-27 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
JP7180946B2 (ja) * | 2019-01-11 | 2022-11-30 | 株式会社竹中工務店 | 地震情報処理装置 |
JP2020193935A (ja) * | 2019-05-30 | 2020-12-03 | 新医療リアルワールドデータ研究機構株式会社 | 評価システム及び評価プログラム |
JP7258682B2 (ja) * | 2019-07-16 | 2023-04-17 | 株式会社東芝 | プラント評価システム及びプラント評価方法 |
-
2020
- 2020-03-30 CN CN202010236208.9A patent/CN111458748B/zh not_active Expired - Fee Related
- 2020-05-21 WO PCT/CN2020/091544 patent/WO2021196367A1/zh active Application Filing
-
2021
- 2021-03-25 US US17/211,891 patent/US11215719B2/en active Active
- 2021-03-26 JP JP2021053294A patent/JP6948740B2/ja active Active
- 2021-03-30 EP EP21166049.3A patent/EP3889652A1/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928367B2 (en) * | 2002-09-27 | 2005-08-09 | Veritas Dgc Inc. | Reservoir fracture characterization |
CN102200588A (zh) * | 2011-03-22 | 2011-09-28 | 成都理工大学 | 地震资料的波形相似性体曲率分析方法 |
CN102787676A (zh) * | 2011-05-20 | 2012-11-21 | 青岛理工大学 | 工程结构多目标性能化抗震设计方法 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
Non-Patent Citations (1)
Title |
---|
关于场地卓越周期和特征周期的若干讨论;陈鹏,等;《青岛理工大学学报》;20091231;第30卷(第6期);30-35 * |
Also Published As
Publication number | Publication date |
---|---|
US11215719B2 (en) | 2022-01-04 |
US20210302603A1 (en) | 2021-09-30 |
EP3889652A1 (en) | 2021-10-06 |
JP6948740B2 (ja) | 2021-10-13 |
WO2021196367A1 (zh) | 2021-10-07 |
JP2021162591A (ja) | 2021-10-11 |
CN111458748A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458748B (zh) | 基于三层数据集神经网络的性能地震动危险性分析方法 | |
CN106405640B (zh) | 基于深度信念神经网络的微震信号到时自动拾取方法 | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
Soleimani et al. | Artificial neural network application in predicting probabilistic seismic demands of bridge components | |
Wen et al. | Rapid seismic response prediction of RC frames based on deep learning and limited building information | |
CN114330101B (zh) | 一种基于人工神经网络的边坡地震滑移预测方法及系统 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
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 | |
CN116822920B (zh) | 一种基于循环神经网络的流程预测方法 | |
CN115293197A (zh) | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN116757085A (zh) | 基于残差连接卷积循环网络的冲击荷载作用位置反演方法 | |
CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
CN113447997B (zh) | 储层裂缝识别方法、识别装置及识别系统 | |
CN114880767A (zh) | 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法 | |
CN112464483B (zh) | 一种基于遗传神经网络算法的测井曲线重构方法 | |
Silva et al. | GAN for time series prediction, data assimilation and uncertainty quantification | |
CN111104298A (zh) | 一种基于lstm的电网服务器运行状态预测装置 | |
CN118247108B (zh) | 一种基于数据库技术的区域地震安评方法及系统 | |
CN113675844B (zh) | 一种多节点电力负荷预测方法 | |
WO2024040801A1 (zh) | 横波时差预测方法及装置 | |
CN117094379A (zh) | 一种基于小波神经网络的基坑地下水位预测方法 | |
CN118643746A (zh) | 集成地质建模和数值模拟代理模型的自动历史拟合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210305 |