CN113379105B - 一种基于人工智能的场地地震液化灾害快速评估方法 - Google Patents
一种基于人工智能的场地地震液化灾害快速评估方法 Download PDFInfo
- Publication number
- CN113379105B CN113379105B CN202110558271.9A CN202110558271A CN113379105B CN 113379105 B CN113379105 B CN 113379105B CN 202110558271 A CN202110558271 A CN 202110558271A CN 113379105 B CN113379105 B CN 113379105B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- site
- field
- frequency
- liquefaction
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 60
- 239000002689 soil Substances 0.000 claims description 50
- 230000001133 acceleration Effects 0.000 claims description 41
- 230000003595 spectral effect Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 239000011148 porous material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010008 shearing Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011835 investigation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于人工智能的场地地震液化灾害快速评估方法。建立历史地震与场地信息数据库,数据库包括依次连接的需求输入模块、网络爬虫模块、数据处理模块和数据库模块;神经网络模型预测获得震后场地卓越频率;基于震后场地卓越频率获得场地震害程度与抗震性能参数。本发明解决了快速评估震后场地震害、场地抗震性能参数的问题,可快速评估在给定地震条件下,场地液化或软化震害程度和场地抗震性能参数。
Description
技术领域
本发明属于地震工程地质灾害防治和计算机技术应用领域的一种场地地震液化灾害快速评估方法,具体为一种基于人工智能的场地地震液化灾害快速评估方法。
背景技术
随着人口和财富越来越向城市集中,在地震灾害作用下的城市建筑,不仅需要考虑地震灾害下建筑物的强度是否满足要求,以保证人民的生命安全,还需要考虑地震灾害造成的建筑物使用功能的中断所造成的影响,抗震韧性设计的需求应运而生,即对于一些重要建筑物如医院、能源、通信、交通系统的控制中心,这些设施功能的损坏会导致社会功能的大规模瘫痪,需要估测其在灾害后能够恢复其原有功能所需要的时间和耗费的资源。
强震会使场地的抗震性能迅速下降,并随着时间逐渐恢复到先前的水平,如图2所示,地震发生的时间和大小难以预测,由于客观需求贸然使用建筑物,有可能在小于最初设计标准地震的作用下,地基产生较大的破坏,危及建筑物中的生命财产安全。
当前对于场地地震液化灾害的评估多是采用现场调查,或是根据许多地方的历史地震的调查来建立经验模型以评估震害,现场调查的缺点是事后进行调查,经验方法的缺点是会使得数据库中的数据点包含多种多样的土层性质,所评估的结果往往是最不利的情况,通常来说偏于保守。而且采用经验方法来评估震害不会考虑强震以后场地性质的改变,只会以已有的现场调查结果作为依据来进行现场震害的评估。
强震台站可以实时监测所在场地的情况,这些信息不仅反映了地震的性质,而且还反映了场地的性质,以强震台站的搜集到的信息来作为震害评估的补充,能够更好地反映场地性质的实时变化情况。
发明内容
为解决传统方法评估场地性能时,未考虑地震对场地造成性能的下降以及场地性能随着时间逐渐恢复,以震前现场测试参数作为判断场地各方面性能是否满足要求的依据,本发明提出了一种基于人工智能算法的场地地震液化(软化)灾害快速评估方法,可以快速评估震后或震后一段时间内,场地各方面的性能参数,可以快速评估在给定地震条件下场地震害程度及较为全面的场地服役性能。
如图1所示,本发明所采用的技术方案是:
S1:建立历史地震与场地信息数据库,其中包含有场地卓越频率;
S2:根据S1的结果经神经网络模型预测获得震后场地卓越频率;
S3:基于震后场地卓越频率获得场地震害程度与抗震性能参数。
所述S1中,建立历史地震与场地信息数据库包括依次连接的需求输入模块、网络爬虫模块、数据处理模块和数据库模块;
所述需求输入模块,接收输入的强震台站信息和地震动信号搜集时间范围进而发送到网络爬虫模块;
所述的强震台站信息是具体的强震台站编号或者给定经纬度范围进而给出范围区域内的强震台站。
地震动信号搜集时间范围内至少发生4次或4次以上大于6.0级的大地震,且两次大震时间需要间隔不小于1个月,若输入时间范围没有达到要求,则自动进行补齐到满足要求的时间范围。
所述网络爬虫模块,接收来自需求输入模块的强震台站信息和地震动信号搜集时间范围,根据强震台站编号和地震动信号搜集时间范围,在强震数据库网站上使用网络爬虫爬取强震台站编号对应的强震台站及其强震台站下地震动信号搜集时间范围内的所有公开的地震动信号、地震基本信息和场地信息,制作地震基本信息汇总表;将地震动信号、地震基本信息和场地信息并发送到数据处理模块,将地震基本信息汇总表发送到数据库模块;
所述地震动信号是指包含两个水平方向和一个竖直方向的三个正交方向上的加速度时程信号,每一次地震对应于一个强震台站可能会有零个或一个地震动信号。
所述地震基本信息是指一段时间内所有地震动信号对应的地震动编号、地震时间、震级、震源位置、震中距、震源深度、震源相对于强震台站的方位角等,所述地震动编号是由强震台站编号和地震发生时间组成。
所述场地信息包括强震台站所在地的土层分布、土性和地形参数。
所述的数据处理模块,接收来自网络爬虫模块的地震动信号进行分析处理,得到两个水平方向上加速度时程信号的主频、三种地震动强度参数和强震台站所在地的场地卓越频率,整理成地震补充信息汇总表并发送到数据库模块;
所述的数据库模块,接收来自网络爬虫模块的地震基本信息汇总表以及来自数据处理模块的地震补充信息汇总表根据地震动信号进行合并,得到地震信息总表,再将所有强震台站的地震信息总表按照不同的强震台站进行拆分为多个子表,每个强震台站对应于一个子表,每个子表中的信息按时间先后顺序进行排列,得到单强震台站地震信息汇总表,将强震台站所在场地的场地信息对应每个单强震台站地震信息汇总表。
所述的数据处理模块中,根据地震动信号按照以下方式处理获得强震台站所在地的场地卓越频率:
计算过程按照以下步骤:
S1.1、将地震动信号按窗口长度分为n份,对n个窗口进行横向纵向谱比分析,得到地震动信号的n个横向纵向谱比谱,横向纵向谱比谱的横坐标是频率,纵坐标是横向纵向谱比值,每个窗口的横向纵向谱比谱中以横向纵向谱比最大值对应的频率作为该窗口的卓越频率;
S1.2、每个窗口的横向纵向谱比谱中,将横向纵向谱比谱的横坐标的频率不变,纵坐标的横向纵向谱比值取平均值,进行曲线平滑得到横向纵向谱比谱所对应窗口的中值曲线,取中值曲线的幅值最大对应的频率作为窗口的参考频率ft,m,0;
S1.3、将所有窗口的卓越频率构建第一卓越频率集合X0=[ft,1,ft,2,···,ft,n],ft,n表示t时刻下第n个窗口的卓越频率,计算第一卓越频率集合X0的均值和标准差σft,0,进而计算偏移度
S1.6、以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的标准差之差的绝对值为第一偏移参数ε1,即ε1=|σft,1-σft,0|;以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的偏移度之差的绝对值为第二偏移参数ε2,即ε2=|y1-y0|/y0;
S1.7、根据第一偏移参数ε1和第二偏移参数ε2进行判断:
当第一偏移参数ε1和第二偏移参数ε2均大于等于0.01时,以剩余的m个窗口作为所有窗口回到S1.3进行处理,进行下一次循环迭代;
当第一偏移参数ε1和第二偏移参数ε2均小于0.01时,以最后一次循环迭代获得的中值曲线卓越频率作为地震动信号的场地卓越频率。
所述S2中,包括:
建立神经网络的卓越频率预测模型,建立门控循环单元模型,用来处理单强震台站地震信息汇总表;
对卓越频率预测模型进行训练、测试以及保存,将单强震台站地震信息汇总表中的地震动信息、地震动强度、水平方向上加速度主频以及场地信息作为模型的输入,场地卓越频率作为模型的输出,输入卓越频率预测模型中进行训练,训练后测试保存;
卓越频率预测模型的预测,将需要预测的地震动信息、地震动强度指标、水平方向上加速度主频以及场地信息输入到训练测试保存后的卓越频率预测模型输出得到震后场地卓越频率。
所述S3中,包括:
所述基于场地平均剪切波速获得场地震害程度和抗震性能参数,场地震害程度是指地基的沉降、侧移和孔压上升程度,场地抗震性能参数是指场地的抗液化强度和反应谱曲线,以及桩基承载力的折减。
S3.1、由强震台站所在地的震后场地卓越频率进行计算获得场地平均剪切波速;
S3.2、计算强震台站所在地的场地的孔压上升程度;
S3.3、根据场地平均剪切波速和场地的土层厚度处理得到场地类别和场地反应谱曲线;
S3.4、计算震后场地的剪切波速沿深度分布,根据剪切波速沿深度分布处理获得各土层的抗液化强度和抗液化安全系数;
S3.5、根据抗液化安全系数处理获得桩基承载力折减量;
S3.6、根据抗液化安全系数计算最大剪应变,根据最大剪应变再进行计算获得对于水平场地的地震沉降量或者对于倾斜场地的地震侧移量。
所述S3.1中,场地平均剪切波速由以下公式获得:
Vsavg=4Hf
式中,Vsavg——场地平均剪切波速,H——场地土层厚度,f——S2预测获得的震后场地卓越频率。
所述S3.2中,按照以下公式获得场地的超静孔压比作为孔压上升程度:
式中,ru(t)——超静孔压比,ru=u/σ’v0,u为超静孔隙水压力,σ’v0为有效上覆应力,f0(t)——强震后场地卓越频率,f0,t=0——震前最初的场地卓越频率。
所述S3.3中,通过土层厚度和场地平均剪切波速确定场地类别,再给出场地反应谱曲线。
所述S3.4中,根据下式获得平均剪切波速沿深度分布:
式中,Vs震后——震后剪切波速的分布情况,Vs震前——震前剪切波速的分布情况,Vsavg震后——震后场地的平均剪切波速,Vsavg震前——震前场地平均剪切波速;本发明中认为震前震后场地剪切波速分布相似。
然后根据平均剪切波速沿深度分布分别计算不同土层的抗液化强度CRR和抗液化安全系数:
由下式来获得场地各土层的抗液化强度:
式中,CRR——土层的抗液化强度,γc——地震多向振动作用折减系数,Pa——归一化的参考压力,取100kpa,kN——土体的强度与刚度之间的相关系数,由试验确定,ρ——土体的密度,F(emin)——只与最小孔隙比相关的函数,Vs1——经过上覆有效应力修正后的剪切波速,K0——土层的侧压力系数,对于正常固结土取0.5,Pa=100kpa,σ’v0——土层的上覆有效应力;Vs1表示考虑上覆有效应力修正的归一化剪切波速;
然后根据抗液化强度由下式来计算抗液化安全系数FS:
式中,CSR——地震引起的循环剪应力比,amax——地表峰值水平加速度,g——重力加速度,σv0——土层的上覆总应力,σ’v0——土层的上覆有效应力,γd——剪应力沿深度的折减系数。
所述S3.5中,根据抗液化安全系数,确定桩基承载力的折减量。
所述S3.6中,由以下式处理根据抗液化安全系数获得最大剪应变γmax:
其中,Fα表示液化安全系数参考值;
然后判断场地地形特征:如果是倾斜场地,根据最大剪应变处理获得地震侧移量;如果是水平场地,根据最大剪应变处理获得地震沉降量:
由下式确定地震侧移量:
式中,LD——地震侧移量,Ch——与当地土性相关的参数,由过去地震中观察到当地的地面沉降数据获得:zmax表示倾斜土层的厚度;
由下式确定地震沉降量:
式中,Δe——地基土孔隙比改变量;e0——土层初始孔隙比;emax——土层最大孔隙比;emin——土层最小孔隙比;S——总沉降量;Hi——第i土层的厚度;R0*表示残余体应变参考值,是一个常数,m表示最大剪应变与残余体变的幂次相关系数,是一个常数。
由此根据抗液化安全系数沿土层深度的分布,结合公式获得强震下的最大剪应变γmax。
本发明方法过程由python编程自动实现向其中输入对应强震台站对应的编号和场地卓越频率,如图3所示,可自动进行各个子步骤,给出场地震害程度与抗震性能。
本发明包括建立历史地震与场地信息数据库,建立神经网络模型来预测震后场地卓越频率,基于场地平均剪切波速获得场地震害程度、场地抗震性能参数。
本发明的有益效果是:
本发明解决了快速评估震后场地震害、场地抗震性能参数的问题,可快速评估在给定地震条件下,场地液化或软化震害程度和场地抗震性能参数。
本发明采用强震台站接收到的地震动信号为基础,并以此为基础,实时反映场地的性质。
并且提出了一种可以没有人为干涉,自动进行横向竖向谱比分析,由三个方向上的地震动信号获得场地卓越频率的方法。传统横向竖向谱比分析中需要人为选取尾波窗口,并且目测选取结果是否合理,导致不同工程人员进行横向竖向谱比分析可能出现的结果不一致,本发明的方案能有效地解决这一问题。
附图说明
图1是本发明方法的技术流程图;
图2是震后场地卓越频率的下降以及恢复示意图;
图3是建立历史地震与场地信息数据库的技术流程图;
图4是基于场地平均剪切波速获得场地震害程度和抗震性能参数的技术流程图;
图5是HVSR方法(横向竖向谱比法)的窗口选取示意图;
图6是横向竖向谱比谱和据其确定场地卓越频率的示意图;
图7是某强震台站整理得到的数据表格示意图;
图8是某场地土层的剖面图,同时包括剪切波速和锥尖阻力随深度的变化情况;
图9是卓越频率预测模型的效果图。
图10是本发明获得场地卓越频率的处理流程图。
图11是本发明自动选择地震动信号尾波窗口的效果图。
图12是本发明自动进行横向竖向谱比分析得到场地卓越频率的效果图。
具体实施方式
下面结合附图和具体实施对本发明作进一步说明。
本发明的实施例的实施过程如下:
S1:建立历史地震与场地信息数据库;
如图3所示,建立历史地震与场地信息数据库包括依次连接的需求输入模块、网络爬虫模块、数据处理模块和数据库模块;具体实施中,这个过程采用python编程实现,在需求输入模块中输入需求数据后,即可自动进行之后的所有步骤,并整理成便于阅读和人工智能算法处理的格式。
需求输入模块,接收输入的强震台站信息和地震动信号搜集时间范围进而发送到网络爬虫模块;
网络爬虫模块,接收来自需求输入模块的强震台站信息和地震动信号搜集时间范围,根据强震台站编号和地震动信号搜集时间范围,在世界各地公开的强震数据库网站上使用网络爬虫爬取强震台站编号对应的强震台站及其强震台站下地震动信号搜集时间范围内的所有公开的地震动信号、地震基本信息和场地信息,主要由地震基本信息制作地震基本信息汇总表;将地震动信号、地震基本信息和场地信息并发送到数据处理模块,将地震基本信息汇总表发送到数据库模块;
场地两个水平方向上加速度信号的主频由快速傅里叶变换得到两个水平方向上的傅氏谱,幅值最大的点对应的频率即为加速度的主频。
获取强震台站所在场地的主频信号是指,对地震动信号进行横向竖向谱比(HVSR)分析,对地震动信号的尾波部分(尾波信号是指加速度幅值明显小于主震的部分)取两至三个没有重合部分的窗口,对每个窗口进行以下操作,在水平方向上的两个分量进行傅里叶变换并将这两个谱幅值的平方的和进行相加再开根号作为水平加速度谱H,将竖直方向上的加速度信号进行傅里叶变换作为竖直加速度谱V,再将水平加速度谱与竖向加速度谱相除得到横向竖向谱比谱H/V,H/V最大值对应的横坐标作为场地的卓越频率,水平加速度谱H、竖直加速度谱V和横向竖向谱比谱H/V的横坐标均为频率,纵坐标为该频率对应的幅值。对加速度时程信号进行尾波选取的示意图如图5所示。
数据处理模块,接收来自网络爬虫模块的地震动信号进行分析处理,得到两个水平方向上加速度时程信号的主频、三种地震动强度参数和强震台站所在地的场地卓越频率,整理成地震补充信息汇总表并发送到数据库模块;
三种地震动强度参数包括了阿里亚斯强度Ia、两种绝对累计加速度CAV和CAV5。
获取强震台站所在场地的卓越频率是指,对地震动信号进行横向竖向谱比(HVSR)分析,对地震动信号的尾波部分(尾波信号是指加速度幅值明显小于主震的部分)取两至三个连续且没有重合部分的窗口,对每个窗口进行以下操作:在水平方向上的两个分量进行傅里叶变换并将这两个谱幅值的平方的和进行相加再开根号作为水平加速度谱H,将竖直方向上的加速度信号进行傅里叶变换作为竖直加速度谱V,再将水平加速度谱与竖向加速度谱相除得到横向竖向谱比谱H/V。
水平加速度谱H、竖直加速度谱V和横向竖向谱比谱H/V的横坐标均为频率,纵坐标为该频率对应的幅值。
对于这两三个窗口幅值最高点对应频率差距较大的结果需要进行重新分析和计算,对于合格的结果,由这两三个窗口确定横向纵向谱比谱的上界下界以及均值,得到的幅值最大点对应的频率作为场地的卓越频率。
当前对于横向纵向谱比法的操作往往是依赖人工选取窗口,使用目测法对HVSR方法得到的结果进行校验,不合格的进行重新分析,这种方法虽在几十年的实践中被广泛采用,但每个信号的窗口都需要人工进行选取和校核,费时费力。
本发明提出的场地卓越频率获得方法可以自动选取未被污染时间窗口,删除被污染的时间窗口,不需人为干涉,输入地震动信号,即可直接获得场地卓越频率的办法,其流程图如图10所示。
数据处理模块中,根据地震动信号按照以下方式处理获得强震台站所在地的场地卓越频率:
采用基于横向纵向谱比法(HVSR方法)的方法进行场地卓越频率自动计算,计算过程按照以下步骤:
S1.1、将地震动信号按窗口长度分为n份,具体实施的窗口长度选取4秒,对n个窗口进行横向纵向谱比(HVSR)分析,得到地震动信号的n个横向纵向谱比谱(H/V谱),一个窗口进行HVSR分析得到一个横向纵向谱比谱,横向纵向谱比谱的横坐标是频率,纵坐标是横向纵向谱比值,每个窗口的横向纵向谱比谱中以横向纵向谱比最大值对应的频率作为该窗口的卓越频率;
具体实施选取采样周期的50倍作为窗口长度的最小值。
S1.2、每个窗口的横向纵向谱比谱中,将横向纵向谱比谱的横坐标的频率不变,纵坐标的横向纵向谱比值取平均值,进行曲线平滑得到横向纵向谱比谱所对应窗口的中值曲线,即中值HVSR曲线,取中值曲线的幅值最大对应的频率作为窗口的参考频率ft,m,0;
S1.3、将所有窗口的卓越频率构建第一卓越频率集合X0=[ft,1,ft,2,···,ft,n],ft,n表示t时刻下第n个窗口的卓越频率,计算第一卓越频率集合X0的均值和标准差σft,0,进而计算偏移度
S1.4、第一卓越频率集合X0中,将卓越频率落在以外的窗口删掉,在地震动信号中将受噪声污染的窗口删掉,将剩余的m个窗口的横向纵向谱比谱均取平均值并进行曲线平滑,得到m个窗口各自的中值曲线卓越频率ft,m,1;
S1.6、以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的标准差之差的绝对值为第一偏移参数ε1,即ε1=|σft,1-σft,0|;以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的偏移度之差的绝对值为第二偏移参数ε2,即ε2=|y1-y0|/y0;
S1.7、根据第一偏移参数ε1和第二偏移参数ε2进行判断:
当第一偏移参数ε1和第二偏移参数ε2均大于等于0.01时,以剩余的m个窗口作为所有窗口回到S1.3进行处理,进行下一次循环迭代;
当第一偏移参数ε1和第二偏移参数ε2均小于0.01时,以最后一次循环迭代获得的中值曲线卓越频率作为地震动信号的场地卓越频率。
图11是某地震动信号三个方向上加速度时程信号的示意图,窗口选取的最终结果是图中浅色框所示,一共选取了16个窗口,删掉了12个窗口,最终留下了4个窗口。
图12是该地震动信号的分析结果,左图是未进行窗口删除时的最初HVSR分析结果,右图是删除了受噪声干扰的窗口后的HVSR分析结果,可以看到,最初HVSR分析所得到的频率较为分散,标准差(图中的灰色阴影部分范围也比较大),在程序自动删除一些窗口后,得到的卓越频率较为集中,能够满足实际使用的需要,该信号未执行窗口删除得到的中值曲线卓越频率为1.83赫兹,删除窗口后得到中值曲线的卓越频率为1.74赫兹,取最后分析结果1.74赫兹作为场地的卓越频率。
数据库模块,接收来自网络爬虫模块的地震基本信息汇总表以及来自数据处理模块的地震补充信息汇总表根据地震动信号进行合并,得到地震信息总表,再将所有强震台站的地震信息总表按照不同的强震台站进行拆分为多个子表,每个强震台站对应于一个子表,每个子表中的信息按时间先后顺序进行排列形成时间序列信息,得到单强震台站地震信息汇总表,将强震台站所在场地的场地信息对应每个单强震台站地震信息汇总表,如图7所示。
S2:神经网络模型预测获得震后场地卓越频率;
建立神经网络的卓越频率预测模型,基于神经网络算法建立门控循环单元(GRU)模型,用来处理单强震台站地震信息汇总表的时间序列信息;
对卓越频率预测模型进行训练、测试以及保存,将单强震台站地震信息汇总表中的需要预测的地震动信息、地震动强度、水平方向上加速度主频以及场地信息输入卓越频率预测模型中进行训练,训练后测试保存;
卓越频率预测模型的预测,将需要预测的地震动信息、地震动强度指标、水平方向上加速度主频以及场地信息参数输入到训练测试保存后的卓越频率预测模型输出得到震后场地卓越频率。
具体实施中,将单强震台站地震信息汇总表中场地卓越频率作为模型的输出,其他部分作为模型的输入,并划分为训练集和测试集,测试集需要包含一次大震以后卓越频率的下降和恢复,测试集数据个数是训练集数据个数的1/3~1/4。训练中,将模型的平均绝对误差作为损失函数,以测试集训练损失函数最小作为模型的目标,对模型进行贝叶斯超参数调节,最后将训练损失最小的模型进行保存,以便使用。
平均绝对误差越小说明模型预测值与真实值之间越接近,模型的表现越好。超参数是指例如GRU神经网络中的隐藏层层数,隐藏层单元个数,学习率,dropout比率等参数。超参数优化的过程采用参数超参数选择方式有经验确定,例如随机搜索,网格搜索和贝叶斯参数调整。贝叶斯优化方法是通过假设超参数和对应的目标函数的概率分布形式,再根据一次次试验的结果的优劣来调整超参数和目标函数的概率分布的相关参数,进而调整超参数。
这个过程采用python编程实现,在接收到单强震台站地震信息汇总表,并向模型中输入需要预测的地震信息之后,即可自动进行接下来的步骤,并输出场地的卓越频率。
S3:基于震后场地卓越频率获得场地震害程度与抗震性能参数,如图4所示,完成场地地震液化灾害的快速评估。
S3.1、由强震台站所在地的震后场地卓越频率进行计算获得场地平均剪切波速;
场地平均剪切波速由以下公式获得:
Vsavg=4Hf
式中,Vsavg——场地平均剪切波速,H——场地土层厚度,f——S2预测获得的震后场地卓越频率。
S3.2、计算强震台站所在地的场地的孔压上升程度;
按照以下公式获得场地的超静孔压比作为孔压上升程度:
S3.3、根据场地平均剪切波速和场地的土层厚度处理得到场地类别和场地反应谱曲线;
S3.4、计算震后场地的剪切波速沿深度分布,根据剪切波速沿深度分布处理获得各土层的抗液化强度CRR和抗液化安全系数;
根据下式获得平均剪切波速沿深度分布:
然后根据平均剪切波速沿深度分布分别计算不同土层的抗液化强度CRR和抗液化安全系数:
由下式来获得场地各土层的抗液化强度:
然后根据抗液化强度由下式来计算抗液化安全系数FS:
S3.5、根据抗液化安全系数处理获得桩基承载力折减量;
S3.6、根据抗液化安全系数计算最大剪应变,根据最大剪应变再进行不同公式分别计算获得对于水平场地的地震沉降量或者对于倾斜场地的地震侧移量。
由以下式处理根据抗液化安全系数获得最大剪应变γmax:
然后判断场地地形特征:如果是倾斜场地,根据最大剪应变处理获得地震侧移量;如果是水平场地,根据最大剪应变处理获得地震沉降量:
由下式确定地震侧移量:
由下式确定地震沉降量:
实例情况:
搜集某强震台站进行从2010年到2020年的地震动信号,该强震台站所在区域的土层剖面信息如图8所示,其上覆软弱土层厚度为20m。
对每一个地震动信号进行分析,获得每个地震动信号对应的水平分量的分量的主频,地震动强度参数,用HVSR方法分析得到场地的卓越频率,再搜集每个地震动信号对应的地震动信息,包括地震时间、震级、震源深度、震源距离,震源相对于强震台站的方位角,并将其整理搜集到表格之中,如图7所示。
将数据分为训练集和测试集,并将场地卓越频率作为模型的输出,将其他数据作为模型的输入。
建立GRU神经网络模型,以在训练集上损失最低为目标,进行贝叶斯超参数优化。最后得到模型在训练集和测试集上的表现如图9所示,圆点是实际的场地卓越频率数据,方点是在模型在训练集上的预测值,三角形的点是模型在测试集上的预测值。
输入一个在模型最后一次收到地震动信号之后较大的地震动信号地震发生时间设为最后一次接收到地震动信号后的1天,震级设为6.5,震源深度和距离都设为10,水平峰值加速度1设为2000,水平峰值加速度2设为2000,竖直峰值加速度设为1000,方位角设为250,绝对累计加速度设为25,阿里亚斯强度设为5,cav5设为20,水平方向加速度信号1的主频设为2,水平方向加速度信号2的主频设为2,输入保存好的模型之中,得到场地的卓越频率为1.36914163hz。
实际测得2020年最后一次地震的场地卓越频率为2.317hz,在经受上述地震作用下,由GRU神经网络模型得到场地的卓越频率为1.36914163hz。
计算场地的平均剪切波速。
强震前:
Vsavg1=4Hf=4×20×2.317=185.36m/s
强震后:
Vsavg2=4Hf=4×20×1.369=109.52m/s
结合建筑抗震设计规范可知场地由Ⅱ类场地变为了Ⅲ类场地。
由此实施可见,本发明能够快速评估在给定地震条件下场地性能的变化情况,解决了以往震害评估中,只考虑土体静态抗震性能的问题。
Claims (7)
1.一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于包括以下步骤:
S1:建立历史地震与场地信息数据库;
S2:根据S1的结果经神经网络模型预测获得震后场地卓越频率;
S3:基于震后场地卓越频率获得场地震害程度与抗震性能参数;
所述S1中,建立历史地震与场地信息数据库包括依次连接的需求输入模块、网络爬虫模块、数据处理模块和数据库模块;
所述需求输入模块,接收输入的强震台站信息和地震动信号搜集时间范围进而发送到网络爬虫模块;
所述网络爬虫模块,接收来自需求输入模块的强震台站信息和地震动信号搜集时间范围,根据强震台站编号和地震动信号搜集时间范围,在强震数据库网站上使用网络爬虫爬取强震台站编号对应的强震台站及其强震台站下地震动信号搜集时间范围内的所有公开的地震动信号、地震基本信息和场地信息,制作地震基本信息汇总表;将地震动信号、地震基本信息和场地信息并发送到数据处理模块,将地震基本信息汇总表发送到数据库模块;
所述的数据处理模块,接收来自网络爬虫模块的地震动信号进行分析处理,得到两个水平方向上加速度时程信号的主频、三种地震动强度参数和强震台站所在地的场地卓越频率,整理成地震补充信息汇总表并发送到数据库模块;
所述的数据库模块,接收来自网络爬虫模块的地震基本信息汇总表以及来自数据处理模块的地震补充信息汇总表根据地震动信号进行合并,得到地震信息总表,再将所有强震台站的地震信息总表按照不同的强震台站进行拆分为多个子表,每个强震台站对应于一个子表,每个子表中的信息按时间先后顺序进行排列,得到单强震台站地震信息汇总表,将强震台站所在场地的场地信息对应每个单强震台站地震信息汇总表;
所述的数据处理模块中,根据地震动信号按照以下方式处理获得强震台站所在地的场地卓越频率:
计算过程按照以下步骤:
S1.1、将地震动信号按窗口长度分为n份,对n个窗口进行横向纵向谱比分析,得到地震动信号的n个横向纵向谱比谱,横向纵向谱比谱的横坐标是频率,纵坐标是横向纵向谱比值,每个窗口的横向纵向谱比谱中以横向纵向谱比最大值对应的频率作为该窗口的卓越频率;
S1.2、每个窗口的横向纵向谱比谱中,将横向纵向谱比谱的横坐标的频率不变,纵坐标的横向纵向谱比值取平均值,进行曲线平滑得到横向纵向谱比谱所对应窗口的中值曲线,取中值曲线的幅值最大对应的频率作为窗口的参考频率ft,m,0;
S1.3、将所有窗口的卓越频率构建第一卓越频率集合X0=[ft,1,ft,2,···,ft,n],ft,n表示t时刻下第n个窗口的卓越频率,计算第一卓越频率集合X0的均值和标准差σft,0,进而计算偏移度
S1.6、以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的标准差之差的绝对值为第一偏移参数ε1,即ε1=|σft,1-σft,0|;以删除窗口前后的第一卓越频率集合X0和第二卓越频率集合X1的偏移度之差的绝对值为第二偏移参数ε2,即ε2=|y1-y0|/y0;
S1.7、根据第一偏移参数ε1和第二偏移参数ε2进行判断:
当第一偏移参数ε1和第二偏移参数ε2均大于等于0.01时,以剩余的m个窗口作为所有窗口回到S1.3进行处理,进行下一次循环迭代;
当第一偏移参数ε1和第二偏移参数ε2均小于0.01时,以最后一次循环迭代获得的中值曲线卓越频率作为地震动信号的场地卓越频率。
2.根据权利要求1所述一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于:所述S2中,包括:
建立神经网络的卓越频率预测模型,建立门控循环单元模型,用来处理单强震台站地震信息汇总表;
对卓越频率预测模型进行训练、测试以及保存,将单强震台站地震信息汇总表中的地震动信息、地震动强度、水平方向上加速度主频以及场地信息作为模型的输入,场地卓越频率作为模型的输出,输入卓越频率预测模型中进行训练,训练后测试保存;
卓越频率预测模型的预测,将需要预测的地震动信息、地震动强度指标、水平方向上加速度主频以及场地信息输入到训练测试保存后的卓越频率预测模型输出得到震后场地卓越频率。
3.根据权利要求1所述一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于:所述S3中,包括:
S3.1、由强震台站所在地的震后场地卓越频率进行计算获得场地平均剪切波速;
S3.2、计算强震台站所在地的场地的孔压上升程度;
S3.3、根据场地平均剪切波速和场地的土层厚度处理得到场地类别和场地反应谱曲线;
S3.4、计算震后场地的剪切波速沿深度分布,根据剪切波速沿深度分布处理获得各土层的抗液化强度和抗液化安全系数;
S3.5、根据抗液化安全系数处理获得桩基承载力折减量;
S3.6、根据抗液化安全系数计算最大剪应变,根据最大剪应变再进行计算获得对于水平场地的地震沉降量或者对于倾斜场地的地震侧移量。
4.根据权利要求3所述一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于:所述S3.1中,场地平均剪切波速由以下公式获得:
Vsavg=4Hf
式中,Vsavg——场地平均剪切波速,H——场地土层厚度,f——S2预测获得的震后场地卓越频率。
6.根据权利要求3所述一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于:所述S3.4中,根据下式获得平均剪切波速沿深度分布:
式中,Vs震后——震后剪切波速的分布情况,Vs震前——震前剪切波速的分布情况,Vsavg震后——震后场地的平均剪切波速,Vsavg震前——震前场地平均剪切波速;
然后根据平均剪切波速沿深度分布分别计算不同土层的抗液化强度CRR和抗液化安全系数:
由下式来获得场地各土层的抗液化强度:
式中,CRR——土层的抗液化强度,γc——地震多向振动作用折减系数,Pa——归一化的参考压力,kN——土体的强度与刚度之间的相关系数,由试验确定,ρ——土体的密度,F(emin)——只与最小孔隙比相关的函数,Vs1——经过上覆有效应力修正后的剪切波速,K0——土层的侧压力系数,σ’v0——土层的上覆有效应力;Vs1表示考虑上覆有效应力修正的归一化剪切波速;
然后根据抗液化强度由下式来计算抗液化安全系数FS:
式中,CSR——地震引起的循环剪应力比,amax——地表峰值水平加速度,g——重力加速度,σv0——土层的上覆总应力,σ’v0——土层的上覆有效应力,γd——剪应力沿深度的折减系数。
7.根据权利要求3所述一种基于人工智能的场地地震液化灾害快速评估方法,其特征在于:所述S3.6中,由以下式处理根据抗液化安全系数获得最大剪应变γmax:
其中,Fα表示液化安全系数参考值,Vs1表示经过上覆有效应力修正后的剪切波速,FS表示抗液化安全系数;
然后判断场地地形特征:如果是倾斜场地,根据最大剪应变处理获得地震侧移量;如果是水平场地,根据最大剪应变处理获得地震沉降量:
由下式确定地震侧移量:
式中,LD——地震侧移量,Ch——与当地土性相关的参数:zmax表示倾斜土层的厚度;
由下式确定地震沉降量:
式中,Δe——地基土孔隙比改变量;e0——土层初始孔隙比;emax——土层最大孔隙比;emin——土层最小孔隙比;S——总沉降量;Hi——第i土层的厚度;R0*表示残余体应变参考值,m表示最大剪应变与残余体变的幂次相关系数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558271.9A CN113379105B (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
PCT/CN2022/089357 WO2022242435A1 (zh) | 2021-05-21 | 2022-04-26 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558271.9A CN113379105B (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379105A CN113379105A (zh) | 2021-09-10 |
CN113379105B true CN113379105B (zh) | 2022-05-31 |
Family
ID=77571546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558271.9A Active CN113379105B (zh) | 2021-05-21 | 2021-05-21 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113379105B (zh) |
WO (1) | WO2022242435A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114741758B (zh) * | 2022-04-12 | 2024-04-05 | 大连理工大学 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
CN116186825B (zh) * | 2022-11-29 | 2023-10-31 | 清华大学 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
CN115965246B (zh) * | 2023-03-16 | 2023-05-19 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种岩溶塌陷灾害的预警分析方法 |
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 |
CN116433032B (zh) * | 2023-04-26 | 2024-04-09 | 中国农业科学院农业环境与可持续发展研究所 | 基于网络爬虫方式的智能评估方法 |
CN116720352B (zh) * | 2023-06-08 | 2024-01-30 | 大连理工大学 | 一种面向长大结构地震动场的人工模拟方法 |
CN117574705A (zh) * | 2023-11-07 | 2024-02-20 | 哈尔滨工业大学 | 一种考虑反应谱约束的rc框架建筑地震时程响应预测方法 |
CN117542153B (zh) * | 2024-01-03 | 2024-03-15 | 深圳市纳泽科技有限公司 | 一种基于九轴传感器的入侵检测方法、系统、围栏和设备 |
CN117828481A (zh) * | 2024-03-04 | 2024-04-05 | 烟台哈尔滨工程大学研究院 | 基于动态集成框架共轨船用燃油系统故障诊断方法及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164420A (zh) * | 2011-12-12 | 2013-06-19 | 国家电网公司 | 地质信息的处理方法及装置 |
CN107067656A (zh) * | 2017-01-23 | 2017-08-18 | 重庆三峡学院 | 一种地质灾害监测系统 |
CN112508124A (zh) * | 2020-12-22 | 2021-03-16 | 三峡大学 | 一种基于贝叶斯网络的砂砾土地震液化判别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361219A (zh) * | 2014-10-31 | 2015-02-18 | 华北水利水电大学 | 一种评价建筑物抗震性能的方法 |
PT3018497T (pt) * | 2014-11-10 | 2022-05-17 | Schreder | Método para detetar sismos e localizar epicentros por meio de uma rede de lâmpadas |
JP6696742B2 (ja) * | 2015-07-28 | 2020-05-20 | 清水建設株式会社 | 免震部材応答推定装置及び免震部材応答推定方法 |
CN105044776B (zh) * | 2015-07-31 | 2017-08-11 | 中国能源建设集团江苏省电力设计院有限公司 | 基于abaqus的土体地基液化研究方法 |
TWI661214B (zh) * | 2016-11-29 | 2019-06-01 | National Applied Research Laboratories | 自動化校正地盤特性之現地型地震預警系統及相關方法 |
CN110134682A (zh) * | 2019-04-16 | 2019-08-16 | 同济大学 | 基于随机地震动数据库构建的数据交互方法及数据库装置 |
CN111458748B (zh) * | 2020-03-30 | 2021-03-05 | 青岛理工大学 | 基于三层数据集神经网络的性能地震动危险性分析方法 |
CN112001565A (zh) * | 2020-09-08 | 2020-11-27 | 清华大学合肥公共安全研究院 | 基于Softmax回归模型的地震灾害损失预测与评估的方法及系统 |
CN112630827B (zh) * | 2020-12-07 | 2024-02-02 | 中国地震局工程力学研究所 | 地表加速度峰值参数预测方法及系统 |
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 |
-
2021
- 2021-05-21 CN CN202110558271.9A patent/CN113379105B/zh active Active
-
2022
- 2022-04-26 WO PCT/CN2022/089357 patent/WO2022242435A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164420A (zh) * | 2011-12-12 | 2013-06-19 | 国家电网公司 | 地质信息的处理方法及装置 |
CN107067656A (zh) * | 2017-01-23 | 2017-08-18 | 重庆三峡学院 | 一种地质灾害监测系统 |
CN112508124A (zh) * | 2020-12-22 | 2021-03-16 | 三峡大学 | 一种基于贝叶斯网络的砂砾土地震液化判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113379105A (zh) | 2021-09-10 |
WO2022242435A1 (zh) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379105B (zh) | 一种基于人工智能的场地地震液化灾害快速评估方法 | |
KR101642951B1 (ko) | Gis 기반 실시간 지진피해 예측 방법 | |
Chiauzzi et al. | Building damage scenarios based on exploitation of Housner intensity derived from finite faults ground motion simulations | |
KR101927659B1 (ko) | 건축물 영역에 대한 대표 지반조건 결정 방법 | |
CN112330002B (zh) | 一种城市地面坍塌灾害综合监测预警方法及系统 | |
Rezaei et al. | Liquefaction assessment using microtremor measurement, conventional method and artificial neural network (Case study: Babol, Iran) | |
CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
Wang et al. | Improvement of the seismic resilience of regional buildings: A multi-objective prediction model for earthquake early warning | |
JPH08179047A (ja) | ニューラルネットワークを用いる地震時の液状化判定方法 | |
Chieffo et al. | A Simplified Approach to Estimate Seismic Vulnerability and Damage Scenarios Including Site Effects. Application to the Historical Centre of Horta, Azores, Portugal | |
Sonmezer et al. | Effects of the use of the surface spectrum of a specific region on seismic performances of R/C structures | |
CN112241601B (zh) | 一种盾构隧道地震可恢复性分析方法 | |
CN107169637A (zh) | 一种水电站砂层土质液化评判方法 | |
Teguh et al. | Comparison of bedrock and surface time histories subjected to subduction earthquakes in a selected location of Yogyakarta | |
Chu et al. | A Hybrid Intelligent Model for Urban Seismic Risk Assessment from the Perspective of Possibility and Vulnerability Based on Particle Swarm Optimization | |
Du et al. | Urban seismic loss estimation by incorporating ground‐motion simulation, site effect, and kriging techniques: An application in Singapore | |
CN112946740A (zh) | 一种智能化地震震源搜寻定位系统 | |
Destegül | Sensitivity Analysis of Soil Site Response Modelling in Seismic Microzonation for Lalitpur, Nepal | |
Saygili | A probabilistic approach for evaluating earthquake-induced landslides | |
Ruggieri et al. | Using transfer learning technique to define seismic vulnerability of existing buildings through mechanical models | |
Ulmer | Development of a Simplified Performance-Based Procedure for Assessment of Liquefaction Triggering Using Liquefaction Loading Maps | |
Bullock et al. | Physics-informed and semi-empirical probabilistic models for structure’s average and differential settlement on liquefiable ground with extensions to regional analysis | |
Barani et al. | Calibration of soil amplification factors for Real-time ground-motion scenarios in Italy |
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 |