CN115182398B - 一种地震预警区域的地下水位及地表沉降预测方法 - Google Patents
一种地震预警区域的地下水位及地表沉降预测方法 Download PDFInfo
- Publication number
- CN115182398B CN115182398B CN202211024975.9A CN202211024975A CN115182398B CN 115182398 B CN115182398 B CN 115182398B CN 202211024975 A CN202211024975 A CN 202211024975A CN 115182398 B CN115182398 B CN 115182398B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- warning area
- prediction
- time
- seismic
- 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
- 239000003673 groundwater Substances 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 102
- 238000005070 sampling Methods 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 65
- 230000009471 action Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005312 nonlinear dynamic Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000004062 sedimentation Methods 0.000 abstract 3
- 238000011161 development Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D1/00—Investigation of foundation soil in situ
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Paleontology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Computational Mathematics (AREA)
- Soil Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明一种地震预警区域的地下水位及地表沉降预测方法,属于建模预测技术领域,尤其是涉及用于根据地震动实时观测数据和地下水观测统计抽样数据预测地震预警区域的地震动场、地下水水情和地表沉降量分布,适用于断裂带附近各类地震预警区域的地震预警、地震动场实时预测、地下水水情预测与地表沉降量预测。其特征在于:它通过对地下水位记录、地震记录、地表沉降观测记录,建立地震动‑地下水、地震动‑地表沉降关系函数,在通过这些模型,输出地震预警区域地震动场、地下水水位分布预测结果和地表沉降分布预测结果,本发明的目的在于解决现有断裂带附近的地震预警区域在地震动作用下地震动场、地下水水位与地表沉降量的实时预测问题。
Description
技术领域
本发明属于建模预测技术领域,尤其是涉及用于根据地震动实时观测数据和地下水观测统计抽样数据预测地震预警区域的地震动场、地下水水情和地表沉降量分布,适用于断裂带附近各类地震预警区域的地震预警、地震动场实时预测、地下水水情预测与地表沉降量预测。
背景技术
我国大部分地区已经布置了大量台站并构建了地震预警系统,收集了大量的地震历史数据。地震突发时,为保证顺利开启救援通道、抢通塌陷道路、现场保障应急供电、安全帐篷快速搭建及医护人员有序施治等,需要时预测地震动场、地下水水位分布及地表沉降分布,及时为救援工作的开展提供重要的信息。目前国内外大部分地震预警区域的信息预测方法都是基于地震基本参数或地下水水位、地表沉降量等单一模型分别进行预测,缺乏多种地震信息联合预测的方法,无法实现地震动作用下的地震动场、地下水水情、地表沉降量分布等多个任务同时进行数值预测的集成算法,并且随着地震观测数据量的增加对于预测模型也无法进行实时修正,对于重要地震信息的提供时效性偏低。一旦发布破坏性地震预警信息,或突发破坏性地震,不能保证及时有效的处理各种地震信息辅助开展地震应急救援工作。
随着“大数据”和“人工智能”时代的来临,深度学习算法由于含有更多的网络层数,更加复杂的网络结构,可以直接从海量训练数据中学习复杂的函数关系,获取更好的学习效果。利用地震历史数据,通过构建深度神经网络算法在预警区域进行地震动场、地下水水位分布、地表沉降量分布多个模型的同时预测与实时更新。在深度神经网络的训练策略上,与采用单一的神经网络模型不同,融合了多种神经网络训练策略,针对不同参数的特征,采用不同的神经网络算法进行训练,并进行了动态的融合。将这种集成的算法可以随着地震观测数据量的增加对预测模型进行实时修正,对整个目标区域的地震动场分布、地下水水位分布与地表沉降量分布等多个任务同时预测,从而尽可能提高计算效率、更好地满足时效性要求,并且避免预测地震基本参数同地震动场的预测结果之间存在过高的耦合。充分利用已有的海量地震观测数据对地震预警系统当中的地震基本参数进行训练,通过与地震动场的预测关系函数相结合可以进行地震动场分布实时预测。利用已有的海量地震观测数据,通过深度神经网络算法拟地震动-地下水水位、地震动-地表沉降量函数关系来,更加有效地服务于地震救援工作的开展,为地震棚的搭建,医疗救援团队的调度提供重要信息,减小地震灾害。地震本身不可预知,引进一种地震动作用下地震预警区域地下水位及地表沉降量预测模型,采取合理的手段应对地震灾害,可以大大减轻大震造成的人员伤亡和严重的经济损失。
发明内容
发明目的:
本发明的目的在于提供一种地震动作用下地震预警区域地下水位及地表沉降预测模型,以解决现有断裂带附近城市、镇、乡村地震预警区域在地震动作用下地下水水情与地表沉降量的实时预测问题,以便更好地服务于地震救援与临时地震棚搭建工作的开展。
技术方案:
本发明的目的是这样实现的:
一种地震预警区域的地下水位及地表沉降预测方法,其特征在于:该方法包括如下步骤:
S1:根据地震监测台网提供的地震记录,对应不同各地震台站坐标地震观测数据,按照时间序列建立一个训练样本集Z(k)表示第k个台站1到t 时刻地震基本参数记录,针对不同参数的特征同时预测多个地震基本参数用于地震动场的实时预测当中,非线性动态系统的状态空间模型为/>其中fk表示状态转移函数,/>表示k台站i时刻的地震基本参数预测结果,/>表示k台站i-1时刻所处的地震基本参数预测结果,/>其中hk表示测量函数,/>表示k台站i时刻的地震基本参数观测结果,/>表示k台站i-1时刻所处的地震基本参数观测结果;
令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数抽取N个样本粒子,i=1,2,…,N第i个样本粒子的权值以/>表示,且根据大量带权粒子,从采样密度函数/>中抽取N个粒子,m表示采用m阶粒子滤波算法,/>其中q表示采样密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示t时刻,k表示第 k个台站,i表示第i个粒子;
在标准粒子滤波算法的框架中引入重采样步骤,拟合地震基本参数同地震动之间的函数关系,通过粒子滤波实时预测多个地震基本参数,对整个目标区域的多个任务同时预测,通过经验关系可以对地震动场进行实时预测;
S2:基于支持向量回归算法拟合地震动与其对应的地震动-地下水水位关系,在地震动和地下水水位样本空间中训练地震动-地下水水位模型函数引入松弛变量ξ1:t≥0,υ1:t≥0,在如下约束条件/>μ1:t∈{-1,+1},其中Δ为决策面宽度,b为决策面的法向量,t=0,1,2,...,tn,t表示第t个时间点, tn表示观测时间点总数,损失函数:/> L1:t表示第1到t个时间点的损失函数,其中c为>0 的常数,满足优化目标损失函数,得到基于地震动场分布的地下水水位预测模型函数/>其中1:t表示从第1到第t个时间点的时间序列,x表示地下水观测记录,K表示地震预警区域地下水水位观测点编号,估计地震动与其对应观测井的地震动-水位函数关系,构建地震动作用下地下水情预测模型;
通过卡尔曼滤波器(Kalman-Filter)实时估计地震动作用下地震预警区域的地下水水位分布,以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程:以κ表示卡尔曼滤波器(Kalman-Filter)构建地震预警区域地下水位预测模型,其中/>表示当前时刻地震的作用下地下水水位分布,/>表示下一个时间点前的该区域地下水水位分布,/>表示地震动作用下t时刻前一时刻预警区域地下水水位分布,Δut表示地下水水位在地震的作用下的观测值变量;
S3:针对震级、地震动不同参数的特征建立地震动作用下地震预警区域地表沉降量实时预测模型,将卷积神经网络算法用于地震预警区域的地表沉降量预测当中,利用海量观测数据构建神经网络模型,拟合地表沉降量同震级、地震动等参数之间的函数关系;
利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合,经过训练卷积神经网络模型,对地表沉降量进行训练,可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测;
S4:根据地表沉降量监测记录与地震预警区域的地震动场预测结果,建立地震动作用下地震预警区域基于长短期记忆网络的地表沉降量实时预测模型,将这种集成的算法用于地震预警区域的地表沉降量预测当中,对整个预警区域的地表沉降量预测结果进行实时更新。利用海量观测数据构建神经网络模型,拟合地表沉降量同地震动之间的复杂函数关系,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定训练的神经网络模型的应用范围,对地震预警区域的地表沉降量进行实时预测;
S5:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,对地震预警区域各个地表沉降量进行实时模拟,根据地震预警区域构造的泰森多边形进行赋值,对地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网对地表沉降量分布预测结进行地震区域分布情况数值模拟;采用高斯平滑函数或三次样条插值函数对预测结果进行平滑,增加分布在预警区域各个地表沉降量预测结果之间的连续性;
即便在地震发生过程当中,在地震动作用的情况下,无论地表沉降量观测资料是否充足,依然可以对地震预警区域内任意位置的地震动、地下水水位与地表沉降量情况进行实时预测。
优选的,S1具体包括如下步骤:
S11:对应不同各地震台站坐标按照时间序列建立一个训练样本集表示各个观测台站地震记录的历史观测数据,对应不同各观测台站坐标按照时间序列建立一个训练样本集Z(k)表示第k个台站1到t 时刻地震基本参数记录;
S12:非线性动态系统的状态空间模型为其中fk表示状态转移函数,表示k台站i时刻的地震基本参数预测结果,/>表示k台站i-1时刻所处的地震基本参数预测结果,/>其中hk表示测量函数,/>表示k台站i时刻的地震基本参数观测结果,表示k台站i-1时刻所处的地震基本参数观测结果,根据地震观测结果递归估计关于地震基本参数的后验概率密函数/>其中/>表示k台站1到t时刻所产生的地震基本参数预测结果序列,/>表示表示k台站1到t时刻所产生的地震基本参数观测结果序列;
构造一个基于地震基本参数样本的后验概率密度函数令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数,其中/>表示从i=1,2,…,N个粒子中抽取的第i个样本粒子,第i个样本粒子的权值以/>表示,且/>
采用m阶粒子滤波算法,根据大量带权粒子,t时刻k台站地震基本参数的后验概率密度函数可以近似表示为粒子集合,引入性采样密度抽取样本,从重要性采样密度函数中抽取N个粒子,m 表示采用m阶粒子滤波算法,/>其中q(·)表示采样密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示第t个时间节点,m表示采用m阶粒子滤波算法,k 表示第k个台站,i表示第i个粒子;
按照递归,其中其中q(·)表示地震基本参数的采样密度函数,p(·)表示地震基本参数样本的后验概率密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示第t个时间节点,m表示采用m阶粒子滤波算法,k 表示第k个台站,i表示第i个粒子,计算粒子的权值并对权值进行归一化。在标准粒子滤波算法的框架中引入重采样步骤,根据预测的地震基本参数,在标准粒子滤波算法的框架中引入重采样步骤,通过经验关系可以对地震动场进行实时预测。
优选的,所述的S2具体包括如下步骤:
S21:在地震动样本空间中训练地震动-地下水水位模型函数,给定决策面宽度Δ与决策面法向量b决定决策面的位置和方向, t=0,1,2,...,tn,引入松弛变量ξ1:t和ⅴ1:t,表示到第t个时间节点的松弛变量,在如下约束条件μ1:t∈{-1,+1},松弛变量ξ1:t≥0,松弛变量υ1:t≥0,t=0,1,2,...,tn,t 表示第t个时间点,tn表示观测时间点总数,损失函数:L1:t表示1到t个时间点的损失函数,其中c为>0的常数,Δ给定决策面位置,b表示决策面的法向量,ξ1:t和ⅴ1:t为松弛变量,满足优化目标损失函数,得到基于地震动场分布的地下水水位预测模型函数/>其中1:t表示从第1到第t个时间点的时间序列,x表示地下水观测记录,K表示观测点编号,可对未来时刻地下水水位进行预测;
S22:对步骤S21当中地震动作用下地下水水位的预测结果在地震预警区域范围内进行模拟,结合地下水水位实际观测记录,将预警区域划分为n个单元,根据当前地震预警区域地下水水位分布预测下一个时间点前的该区域地下水水位分布/>同实际t时刻地下水水位观测记录ut逐步预测现在时刻地震的作用下地下水水位在地震预警区域的分布情况/>U表示地下水在地震预警区域的分布,t表示第t个时间节点,t-1表示t时刻前一个时间节点,n表示改区域划分为n个单元,以地下水水位实际观测数据长度为的向量表示地下水预测结果数目,以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程:
其中表示当前时刻地震的作用下地下水水位分布,/>表示地震动作用下t时刻前一个时间节点预警区域地下水水位分布,Δut表示地下水水位在地震的作用下的观测值变量,/>表示当前时刻下一个时间点前地震的作用下地下水水位分布,κ(·)表示通过卡尔曼滤波器(Kalman-Filter)预测一个时间点的修正值。
优选的,S3具体包括如下步骤:
S31:根据地表沉降量观测点的坐标和分布情况划定覆盖整个地震预警区域的预测区域,预测区域覆盖整个地震预警区域,构建一个对应地表沉降量观测点位置坐标的地震预警区域内地表沉降量数据的二维数组VM={(x1,y1),(x2,y2),…,(xM-1,yM-1),(xM,yM)},(xM,yM)表示VM中地震预警区域当中对应第M个地表沉降量观测点对应的地表沉降量实时监测数据,并对原数据进行归一化,为接下来的神经网络训练数据消除量纲,优化训练模型的损失函数;
S32:将步骤S31归一化的数据集划分为训练集合测试集,利用当前时刻t之前各个观测点的地表沉降量监测数据设计神经网络模型,引入卷积神经网络,其中隐藏层单元可以设计为包含卷积层、激励层、切分层、融合层等操作,利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合,经过训练卷积神经网络模型,对地表沉降量进行训练;
S33:在实际的地表沉降量预测案例中进行测试,构建地表沉降量预测模型函数f(t,x,y,d,z),其中t表示时间点,x,y分别表示地表沉降量观测点坐标,d表示地震动,z表示地表沉降量,根据地表沉降预测函数可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测。
优选的,S4具体包括如下步骤:
S41:采用多时间窗,引入长短期记忆网络(LSTM,Long Short-Term Memory)进行时间序列预测,利用地表沉降量和地震动数据信息,长短期记忆网络单元结构如图2所示,通过遗忘门Ft,输入门It和输出门Ot实现,遗忘门Ft控制上一个时刻的记忆单元Ct-1 状态,决定t时刻需要遗忘的地表沉降量信息,输入门It控制当前时刻的候选状态ct,决定地表沉降量信息需要存储,输出门Ot,控制当前时刻的记忆单元Ct,决定地震动与地表沉降量信息需要输出外部的状态Ht,
其中,
Ct=Ft*Ct-1+It*ct
Ht=Ot*tanh(ct),
σ表示sigmoid函数,tanh表示双曲正切函数,W表示遗忘门、输入门和输出门对应的权值,β表示遗忘门、输入门和输出门对应的偏置值,Ht表示t时刻的隐藏状态,Xt表示t时刻的地表沉降量与地震动数据输入;
S42:建立地表沉降量与地震动较长距离时序依赖关系的神经网络,利用长短期记忆网络对地震预警区域的地表沉降量数据测试集进行预测,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定S41步骤训练的神经网络模型的应用范围。
优选的,S5具体包括如下步骤:
S51:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,创建网格点区域中心的二维数组以横纵坐标(xN,yN)为中心的N×N 区域VN={(x1,y1),(x2,y2),…,(xN-1,yN-1),(xN,yN)},以单位矩阵函数对数组 VN包含的数据信息进行初始化,以南北方向为x方向,东西方向为y 方向,其中L和H分别为x向与y方向相邻网格点之间的间距,xN=L×N, yN=H×N;
对地震预警区域各个地表沉降量监测点以相邻观测井作中垂线构造泰森多边形,以地表沉降量监测点坐标为中心划分成R个泰森多边形,根据步骤S4当中地表沉降量的预测结果对数组VR进行赋值,根据地震预警区域构造的不同泰森多边形进行赋值,对整个地震预警区域的地表沉降量预测结果的分布进行初步赋值;
S52:根据包含地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网,对步骤S51的地表沉降量分布预测结果进行模拟,根据三角剖分网生成的点集合相应的地表沉降量预测结果进行逐点修正,模拟地震预警区域地表沉降量分布的数值预测结果;
S53:采用高斯平滑函数或三次样条插值函数对步骤S52的预测结果进行平滑,对网格点区域中心的二维数组以横纵坐标(xN,yN)构造高斯核函数σ0为高斯核生成器中高斯分布的标准差,表征预测结果数据的离散程度;从而对S52中生成的地表沉降量预测结果在地震预警区域的分布情况进行优化更新,增加分布在预警区域各个地表沉降量预测结果之间的连续性。
优点与效果:
本发明区别于以往传统地表沉降量数值预测模型或机器学习方法采用离散分布的地表沉降量观测点进行预测,根据经验公式或预测模型估计区域内的地表沉降量,在地震动作用下地震预警区域实时预测的情况下,这种估计方法对于整个区域的地表沉降量情况并未考虑地震动、地震基本参数和地下水等因素,尤其是根据单一化的预测模型对整个预警区域的地表沉降量难以实现实时预测,在预测模型出现较大误差的情况下,难以进行实时修正。预测方法时效性不足会影响及时对救援做出部署,对地震救援工作的开展造成不便、甚至会影响地震棚搭建进度或医疗救援工作的安排。本发明可以对整个地震预警区域的地震动场分布、地下水水位分布和地表沉降量分布同时进行实时预测,不受地震观测台站位置和地表沉降量监测点和地下水水位观测井的分布情况的影响,无论观测资料是否充足,只要在若干离散分布在地震预警区域区域围内的观测数据就可以进行实时预测,且可以通过现有的观测资料针对多个不同的预测参数同时进行预测和预测模型的精度分析,细化到地震预警区域各部分区域的地震动场分布、地下水水位分布、地表沉降量分布的实时预测,实时地反映预测区域各部分在地震动作用下的地震动场、地下水水情和地表沉降量。利用地震观测数据,通过构建深度神经网络算法在预警区域进行地震动场、地下水水位分布、地表沉降量分布多个模型的同时预测与实时更新。在深度神经网络的训练策略上,与采用单一的神经网络模型不同,融合了多种神经网络训练策略,针对不同参数的特征,采用不同的神经网络算法进行训练,并进行了动态的融合。根据实际案例进行训练,对预测结果的精度进行分析,保存可以实时对地震动作用下多个参数同时进行预测的模型,从而更加及时地对救援做出部署,有效地指导地震救援工作的开展,合理及时地安排地震棚搭建以及医疗救援工作。
附图说明
图1为本发明的地震预警区域地震动、地下水位及地表沉降预测模型流程图;
图2为本发明的长短期记忆网络单元结构图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。本发明提供了一种地震动作用下地震预警区域地下水位及地表沉降预测模型,如图1所示的地震预警区域地震动、地下水位及地表沉降预测模型流程图包括如下步骤:(如图1所示的流程图;)
S1:根据地震监测台网提供的地震记录,建立地震动实时预测模型,针对不同参数的特征兼顾地震基本参数,将同时预测的多个不同特征的地震基本参数用于地震动场的实时预测当中,对整个目标区域的多个任务同时预测。拟合地震基本参数同地震动之间的函数关系,无论观测资料是否充足,通过粒子滤波实时预测地震动场。
S1具体包括如下步骤:
S11:对应不同各地震台站坐标按照时间序列建立一个训练样本集表示各个观测台站地震记录的历史观测数据,对应不同各观测台站坐标按照时间序列建立一个训练样本集zk表示第k个台站1…t时刻地震基本参数记录。
S12:非线性动态系统的状态空间模型为其中fk表示状态转移函数,表示k台站i时刻的地震基本参数预测结果,/>表示k台站i-1时刻所处的地震基本参数预测结果,/>其中hk表示测量函数,/>表示k台站i时刻的地震基本参数观测结果,表示k台站i-1时刻所处的地震基本参数观测结果,根据地震观测结果递归估计关于地震基本参数的后验概率密函数/>其中/>表示k台站1到t时刻所产生的地震基本参数预测结果序列,/>表示表示k台站1到t时刻所产生的地震基本参数观测结果序列;
构造一个基于地震基本参数样本的后验概率密度函数令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数,其中/>表示从1……N个粒子中抽取第i个样本,第i 个样本粒子的权值以/>表示,且/>
采用m阶粒子滤波算法,根据大量带权粒子,t时刻k台站地震基本参数的后验概率密度函数可以近似表示为粒子集合,引入性采样密度抽取样本,从重要性采样密度函数中抽取N个粒子,采用m阶粒子滤波算法,/>其中q(·)表示采样密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示t时刻,m表示采用m阶粒子滤波算法,k表示第k个台站,i表示第i个粒子;
按照递归公式其中其中q(·) 表示采样密度函数,p(·)表示地震基本参数样本的后验概率密度函数, x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示 t时刻,m表示采用m阶粒子滤波算法,k表示第k个台站,i表示第 i个粒子,计算粒子的权值并对权值进行归一化。在标准粒子滤波算法的框架中引入重采样步骤,根据预测的地震基本参数,在标准粒子滤波算法的框架中引入重采样步骤,通过经验关系可以对地震动场进行实时预测。
S2:基于支持向量回归算法拟合地震动与其对应的观测井的地震动-地下水水位关系,可以实时估计地震动作用下,地震预警区域的地下水水位,构建地震预警区域地下水位预测模型。
S2具体包括如下步骤:
S21:在地震动样本空间中训练模型函数,定一个宽度Δ给定决策面位置,b为决策面的法向量,决定了决策面的方向,引入松弛变量ξ1:t和ⅴ1:t,在如下约束条件μ1:t∈{-1,+1},松弛变量ξ1:t≥0,松弛变量υ1:t≥0,t=0,1,2,...,tn,t 表示第t个时间点,tn表示观测时间点总数,损失函数:L1:t表示从第1到第t个时间点的损失函数,其中c为>0的常数,Δ给定决策面位置,b表示决策面的法向量,ξ1:t和ⅴ1:t为松弛变量,满足优化目标损失函数,得到基于地震动场分布的地下水水位预测模型函数/>其中1:t表示从第1到第t个时间点的时间序列,x表示地下水观测记录,K表示观测点编号,可对未来时刻地下水水位进行预测。估计地震动与其对应观测井的地震动-水位函数关系,构建地震动作用下地下水情预测模型。
S22:对步骤S21当地震动作用下地下水水位的预测结果在地震预警区域范围内进行模拟,结合地下水水位实际观测记录,将预警区域划分为n个单元,根据当前地震预警区域地下水水位分布预测下一个时间点前的该区域地下水水位分布/>同实际t时刻地下水水位观测记录ut逐步预测现在时刻地震的作用下地下水水位2-D空间分布的情况/>U表示地下水在地震预警区域的分布,t表示t时刻, n表示改区域划分为n个单元,以地下水水位实际观测数据长度为的向量表示地下水预测结果数目。以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程:
其中表示当前时刻地震的作用下地下水水位分布,/>表示地震动作用下当前时刻t前一时刻预警区域地下水水位分布,Δut表示地下水水位在地震的作用下的观测值变量,/>表示当前时刻下一个时间点前地震的作用下地下水水位分布,κ(·)表示通过卡尔曼滤波器 (Kalman-Filter)预测一个时间点的修正值。
S3:根据地表沉降量监测记录,建立地震动作用下地震预警区域地表沉降量实时预测模型,针对震级、地震动等不同参数的特征进行拟合,将卷积神经网络算法用于地震预警区域的地表沉降量预测当中,对整个预警区域的地表沉降量预测结果进行实时更新。利用海量观测数据构建神经网络模型,拟合地表沉降量同震级、地震动等参数之间的复杂函数关系,无论观测资料是否充足,都可以对地震预警区域的地表沉降量进行实时预测。
S3具体包括如下步骤:
S31:根据地表沉降量观测点的坐标和分布情况划定覆盖整个地震预警区域的预测区域,预测区域覆盖整个地震预警区域,尽可能全部利用由监测资料提供的地表沉降量实时监测数据,对该预测区域进行网格划分和地表沉降量坐标数组的建立;
构建一个对应地表沉降量观测点位置坐标的地震预警区域内地表沉降量数据的二维数组VM={(x1,y1),(x2,y2),…,(xM-1,yM-1),(xM,yM)}, (xM,yM)表示VM中地震预警区域当中对应第M个地表沉降量观测点对应的地表沉降量实时监测数据,并对原数据进行归一化,为接下来的神经网络训练数据消除量纲,使得训练模型的损失函数下降更快;
S32:将步骤S31归一化的数据集划分为训练集合测试集,利用当前时刻t之前各个观测点的地表沉降量监测数据设计神经网络模型,引入卷积神经网络,其中隐藏层单元可以设计为包含卷积层、激励层、切分层、融合层等操作,利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合,经过训练卷积神经网络模型,对地表沉降量量进行训练;
S33:在实际的地表沉降量预测案例中进行测试,构建地表沉降量预测模型函数f(t,x,y,d,z),其中t表示时间点,x,y分别表示地表沉降量观测点坐标,d表示地震动,z表示地表沉降量,根据地表沉降量预测函数可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测。
S4:根据地表沉降量监测记录与步骤S2当中分布在地震预警区域的地震动预测结果,建立地震动作用下地震预警区域基于长短期记忆网络的地表沉降量实时预测模型,将这种集成的算法用于地震预警区域的地表沉降量预测当中,对整个预警区域的地表沉降量预测结果进行实时修正更新。利用海量观测数据构建神经网络模型,拟合地表沉降量同地震动之间的复杂函数关系,对地震预警区域的地表沉降量进行实时预测,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定训练的神经网络模型的应用范围。
S41:采用多时间窗,引入长短期记忆网络(LSTM,Long Short-Term Memory)进行时间序列预测,利用地表沉降量和地震动数据信息,长短期记忆网络单元结构如图2所示,通过遗忘门Ft,输入门It和输出门Ot实现,Ft表示遗忘门,控制上一个时刻的记忆单元 Ct-1状态,决定t时刻需要遗忘的地表沉降量信息,It表示输入门,控制当前时刻的候选状态ct,决定地表沉降量信息需要存储,Ot表示输出门,控制当前时刻的记忆单元Ct,决定地震动与地表沉降量信息需要输出外部的状态Ht,
其中
Ct=Ft*Ct-1+It*ct
Ht=Ot*tanh(ct)
σ表示sigmoid函数,tanh表示双曲正切函数,W表示遗忘门、输入门和输出门对应的权值,β表示遗忘门、输入门和输出门对应的偏置值,Ht表示t时刻的隐藏状态,Xt表示t时刻的地表沉降量与地震动数据输入;
S42:通过循环单元可以建立地表沉降量与地震动较长距离时序依赖关系的神经网络,利用长短期记忆网络对地震预警区域的地表沉降量数据测试集进行预测,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定S41步骤训练的神经网络模型的应用范围。
S5:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,对地震预警区域各个地表沉降量监测点以相邻观测井作中垂线构造泰森多边形,根据地震预警区域构造的泰森多边形当中不同的泰森多边形进行赋值;根据包含地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网,通过最大凸壳点集合的三角剖对地表沉降量分布预测结果采取进一步修正;采用高斯平滑函数对预测结果进行平滑,对地表沉降量预测结果在地震预警区域的分布情况进行优化更新,可以采用三次样条插值进行平滑,增加分布在预警区域各个地表沉降量预测结果之间的连续性,分析预测结果的精确度;
S51:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,创建网格点区域中心的二维数组以横纵坐标(xN,yN)为中心的N×N 区域VN={(x1,y1),(x2,y2),…,(xN-1,yN-1),(xN,yN)},以单位矩阵函数对数组 VN包含的数据信息进行初始化,以南北方向为x方向,东西方向为y 方向,其中L和H分别为x向与y方向相邻网格点之间的间距,xN=L×N, yN=H×N;
对地震预警区域各个地表沉降量监测点以相邻观测井作中垂线构造泰森多边形,以地表沉降量监测点坐标为中心划分成R个泰森多边形,根据步骤S4当中地表沉降量的预测结果对数组VR进行赋值,根据地震预警区域构造的不同的泰森多边形进行赋值,对整个地震预警区域的地表沉降量预测结果的分布进行初步赋值;
S52:根据包含地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网,对两个具有共同边的三角形合成一个多边形,将所有坐标点包围起来,通过最大凸壳点集合的三角剖对步骤S51的地表沉降量分布预测结果采取进一步修正,根据各个泰森多边形点集合相应的地表沉降量预测结果进行逐点修正,模拟地震预警区域地表沉降量分布的数值预测结果;
S53:采用高斯平滑函数对步骤S52的预测结果进行平滑,对网格点区域中心的二维数组以横纵坐标(xN,yN)构造高斯核函数σ0为高斯核生成器中高斯分布的标准差,表征预测结果数据的离散程度;从而对S52中生成的地表沉降量预测结果在地震预警区域的分布情况进行优化更新,为了增加分布在预警区域各个地表沉降量预测结果之间的连续性,可以采用三次样条插值进行平滑,分析预测结果的精确度;
经过本步骤,完成了地震预警区域网格的划分和地表沉降预测情况的数组建立,可以保证对整个地震预警区域,即便在地震发生过程当中,在地震动作用的情况下,无论地表沉降观测资料是否充足,依然可以对地震预警区域内任意位置的地表沉降情况进行实时预测,更加有效地指导地震救援工作的开展,以及地震棚的布设。
本发明的具体实施方式是按照递进的方式进行撰写的,着重强调各个实施方案的不同之处,其相似部分可以相互参见。
上面结合附图对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种地震预警区域的地下水位及地表沉降预测方法,其特征在于:该方法包括如下步骤:
S1:根据地震监测台网提供的地震记录,对应不同各地震台站坐标地震观测数据,按照时间序列建立一个训练样本集Z(k)表示第k个台站1到t时刻地震动记录,/>表示第k个台站第i个时间节点的地震动记录,针对不同参数的特征同时预测多个地震基本参数用于地震动场的实时预测当中,非线性动态系统的状态空间模型为/>其中fk表示状态转移函数,/>表示k台站第i个时间节点的地震基本参数预测结果,/>表示k台站i-1时刻所处的地震基本参数预测结果,/>其中hk表示测量函数,/>表示k台站i时刻的地震基本参数观测结果,/>表示k台站i-1个时间节点的地震基本参数观测结果;
令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数抽取N个样本粒子,i=1,2,…,N第i个样本粒子的权值以/>表示,且根据大量带权粒子,从采样密度函数/>中抽取N个粒子,m表示采用m阶粒子滤波算法,/>其中q表示采样密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示t时刻,k表示第k个台站,i表示第i个粒子;
在标准粒子滤波算法的框架中引入重采样步骤,拟合地震基本参数同地震动之间的函数关系,通过粒子滤波实时预测多个地震基本参数,对整个目标区域的多个任务同时预测,通过经验关系可以对地震动场进行实时预测;
S2:基于支持向量回归算法拟合地震动与其对应的地震动-地下水水位关系,在地震动和地下水水位样本空间中训练地震动-地下水水位模型函数引入松弛变量ξ1:t≥0,υ1:t≥0,在如下约束条件/> μ1:t∈{-1,+1},其中Δ为决策面宽度,b为决策面的法向量,t=0,1,2,...,tn,t表示第t个时间点,tn表示观测时间点总数,损失函数:/>L1:t表示第1到t个时间节点的损失函数,其中c为>0的常数,满足优化目标损失函数,得到基于地震动场分布的地下水水位预测模型函数/>其中1:t表示从第1到第t个时间点的时间序列,x表示地下水观测记录,K表示地震预警区域地下水水位观测点编号,估计地震动与其对应观测井的地震动-水位函数关系,构建地震动作用下地下水情预测模型;
通过卡尔曼滤波器(Kalman-Filter)实时估计地震动作用下地震预警区域的地下水水位分布,以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程:以κ表示卡尔曼滤波器(Kalman-Filter)构建地震预警区域地下水位预测模型,其中/>表示当前时刻地震的作用下地下水水位分布,/>表示下一个时间点前的该区域地下水水位分布,/>表示地震动作用下t时刻前一时刻预警区域地下水水位分布,Δut表示地下水水位在地震的作用下的观测值变量;
S3:针对震级、地震动不同参数的特征建立地震动作用下地震预警区域地表沉降量实时预测模型,将卷积神经网络算法用于地震预警区域的地表沉降量预测当中,利用海量观测数据构建神经网络模型,拟合地表沉降量同震级、地震动等参数之间的函数关系;
利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合,经过训练卷积神经网络模型,对地表沉降量进行训练,可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测;
S4:根据地表沉降量监测记录与地震预警区域的地震动场预测结果,建立地震动作用下地震预警区域基于长短期记忆网络的地表沉降量实时预测模型,将这种集成的算法用于地震预警区域的地表沉降量预测当中,对整个预警区域的地表沉降量预测结果进行实时更新;利用海量观测数据构建神经网络模型,拟合地表沉降量同地震动之间的复杂函数关系,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定训练的神经网络模型的应用范围,对地震预警区域的地表沉降量进行实时预测;
S5:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,对地震预警区域各个地表沉降量进行实时模拟,根据地震预警区域构造的泰森多边形进行赋值,对地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网对地表沉降量分布预测结进行地震区域分布情况数值模拟;采用高斯平滑函数或三次样条插值函数对预测结果进行平滑,增加分布在预警区域各个地表沉降量预测结果之间的连续性;
即便在地震发生过程当中,在地震动作用的情况下,无论地表沉降量观测资料是否充足,依然可以对地震预警区域内任意位置的地震动、地下水水位与地表沉降量情况进行实时预测。
2.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法,其特征在于:S1具体包括如下步骤:
S11:对应不同各地震台站坐标按照时间序列建立一个训练样本集表示各个观测台站地震记录的历史观测数据,对应不同各观测台站坐标按照时间序列建立一个训练样本集Z(k)表示第k个台站1到t时刻地震基本参数记录;
S12:非线性动态系统的状态空间模型为其中fk表示状态转移函数,/>表示k台站i时刻的地震基本参数预测结果,/>表示k台站i-1时刻所处的地震基本参数预测结果,/>其中hk表示测量函数,/>表示k台站i时刻的地震基本参数观测结果,/>表示k台站i-1时刻所处的地震基本参数观测结果,根据地震观测结果递归估计关于地震基本参数的后验概率密函数/>其中/>表示k台站1到t时刻所产生的地震基本参数预测结果序列,/>表示表示k台站1到t时刻所产生的地震基本参数观测结果序列;
构造一个基于地震基本参数样本的后验概率密度函数令N个粒子构成的集合表示t时刻台站k关于地震基本参数的后验概率密函数,其中/>表示从i=1,2,…,N个粒子中抽取的第i个样本粒子,第i个样本粒子的权值以/>表示,且/>
采用m阶粒子滤波算法,根据大量带权粒子,t时刻k台站地震基本参数的后验概率密度函数可以近似表示为粒子集合,引入性采样密度抽取样本,从重要性采样密度函数中抽取N个粒子,m表示采用m阶粒子滤波算法,/>其中q(·)表示采样密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示t时刻,m表示采用m阶粒子滤波算法,k表示第k个台站,i表示第i个粒子;
按照递归,其中其中q(·)表示地震基本参数的采样密度函数,p(·)表示地震基本参数样本的后验概率密度函数,x表示地震基本参数预测结果,z表示地震基本参数观测结果,t表示t时刻,m表示采用m阶粒子滤波算法,k表示第k个台站,i表示第i个粒子,计算粒子的权值并对权值进行归一化;在标准粒子滤波算法的框架中引入重采样步骤,根据预测的地震基本参数,在标准粒子滤波算法的框架中引入重采样步骤,通过经验关系可以对地震动场进行实时预测。
3.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法,其特征在于:所述的S2具体包括如下步骤:
S21:在地震动样本空间中训练地震动-地下水水位模型函数,给定决策面宽度Δ与决策面法向量b决定决策面的位置和方向,t=0,1,2,...,tn,引入松弛变量ξ1:t和ⅴ1:t,表示到第t个时间节点的松弛变量,在如下约束条件μ1:t∈{-1,+1},松弛变量ξ1:t≥0,松弛变量υ1:t≥0,t=0,1,2,...,tn,t表示第t个时间点,tn表示观测时间节点总数,损失函数:/>L1:t表示1到t个时间点的损失函数,其中c为>0的常数,Δ给定决策面位置,b表示决策面的法向量,ξ1:t和ⅴ1:t为松弛变量,满足优化目标损失函数,得到基于地震动场分布的地下水水位预测模型函数/>其中1:t表示从第1到第t个时间点的时间序列,x表示地下水观测记录,K表示观测点编号,可对未来时刻地下水水位进行预测;
S22:对步骤S21当中地震动作用下地下水水位的预测结果在地震预警区域范围内进行模拟,结合地下水水位实际观测记录,将预警区域划分为n个单元,根据当前地震预警区域地下水水位分布预测下一个时间点前的该区域地下水水位分布/>同实际t时刻地下水水位观测记录ut逐步预测现在时刻地震的作用下地下水水位在地震预警区域的分布情况U表示地下水在地震预警区域的分布,t表示第t个时间节点,t-1表示t时刻前一个时间节点,n表示改区域划分为n个单元,以地下水水位实际观测数据长度为的向量表示地下水预测结果数目,以E表示地震动作用下t时刻预警区域地下水水位分布的计算过程:
其中表示当前时刻地震的作用下地下水水位分布,/>表示地震动作用下t时刻前一个时间节点预警区域地下水水位分布,Δut表示地下水水位在地震的作用下的观测值变量,/>表示当前时刻下一个时间点前地震的作用下地下水水位分布,κ(·)表示通过卡尔曼滤波器(Kalman-Filter)预测一个时间点的修正值。
4.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法,其特征在于:S3具体包括如下步骤:
S31:根据地表沉降量观测点的坐标和分布情况划定覆盖整个地震预警区域的预测区域,预测区域覆盖整个地震预警区域,构建一个对应地表沉降量观测点位置坐标的地震预警区域内地表沉降量数据的二维数组VM={(x1,y1),(x2,y2),…,(xM-1,yM-1),(xM,yM)},(xM,yM)表示VM中地震预警区域当中对应第M个地表沉降量观测点对应的地表沉降量实时监测数据,并对原数据进行归一化,为接下来的神经网络训练数据消除量纲,优化训练模型的损失函数;
S32:将步骤S31归一化的数据集划分为训练集合测试集,利用当前时刻t之前各个观测点的地表沉降量监测数据设计神经网络模型,引入卷积神经网络,其中隐藏层单元可以设计为包含卷积层、激励层、切分层、融合层等操作,利用地震动与地表沉降量的历史观测数据资料对卷积神经网络的权重进行拟合,经过训练卷积神经网络模型,对地表沉降量进行训练;
S33:在实际的地表沉降量预测案例中进行测试,构建地表沉降量预测模型函数f(t,x,y,d,z),其中t表示时间点,x,y分别表示地表沉降量观测点坐标,d表示地震动,z表示地表沉降量,根据地表沉降预测函数可对未来时刻离散分布在地震预警区域各个观测点的地表沉降量进行实时预测。
5.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法,其特征在于:S4具体包括如下步骤:
S41:采用多时间窗,引入长短期记忆网络(LSTM,Long Short-Term Memory)进行时间序列预测,利用地表沉降量和地震动数据信息,通过遗忘门Ft,输入门It和输出门Ot实现,遗忘门Ft控制上一个时刻的记忆单元Ct-1状态,决定t时刻需要遗忘的地表沉降量信息,输入门It控制当前时刻的候选状态ct,决定地表沉降量信息需要存储,输出门Ot,控制当前时刻的记忆单元Ct,决定地震动与地表沉降量信息需要输出外部的状态Ht,
其中,
Ct=Ft*Ct-1+It*ct
Ht=Ot*tanh(ct),
σ表示sigmoid函数,tanh表示双曲正切函数,W表示遗忘门、输入门和输出门对应的权值,β表示遗忘门、输入门和输出门对应的偏置值,Ht表示t时刻的隐藏状态,Xt表示t时刻的地表沉降量与地震动数据输入;
S42:建立地表沉降量与地震动较长距离时序依赖关系的神经网络,利用长短期记忆网络对地震预警区域的地表沉降量数据测试集进行预测,同步骤S3当中地表沉降量在实际地震预警区域当中的预测结果根据不同的区域范围进行精度对比,根据震中距划定S41步骤训练的神经网络模型的应用范围。
6.根据权利要求1所述的地震预警区域的地下水位及地表沉降预测方法,其特征在于:S5具体包括如下步骤:
S51:根据覆盖全部预警区域的地表沉降量预测区域范围划分网格,创建网格点区域中心的二维数组以横纵坐标(xN,yN)为中心的N×N区域VN={(x1,y1),(x2,y2),…,(xN-1,yN-1),(xN,yN)},以单位矩阵函数对数组VN包含的数据信息进行初始化,以南北方向为x方向,东西方向为y方向,其中L和H分别为x向与y方向相邻网格点之间的间距,xN=L×N,yN=H×N;
对地震预警区域各个地表沉降量监测点以相邻观测井作中垂线构造泰森多边形,以地表沉降量监测点坐标为中心划分成R个泰森多边形,根据步骤S4当中地表沉降量的预测结果对数组VR进行赋值,根据地震预警区域构造的泰森多边形当中不同的泰森多边形进行赋值,对整个地震预警区域的地表沉降量预测结果的分布进行初步赋值;
S52:根据包含地表沉降量监测点位置坐标的数组进行三角剖分,生成三角剖分网,对步骤S51的地表沉降量分布预测结果进行模拟,根据三角剖分网生成的点集合相应的地表沉降量预测结果进行逐点修正,模拟地震预警区域地表沉降量分布的数值预测结果;
S53:采用高斯平滑函数或三次样条插值函数对步骤S52的预测结果进行平滑,对网格点区域中心的二维数组以横纵坐标(xN,yN)构造高斯核函数σ0为高斯核生成器中高斯分布的标准差,表征预测结果数据的离散程度;从而对S52中生成的地表沉降量预测结果在地震预警区域的分布情况进行优化更新,增加分布在预警区域各个地表沉降量预测结果之间的连续性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024975.9A CN115182398B (zh) | 2022-08-25 | 2022-08-25 | 一种地震预警区域的地下水位及地表沉降预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024975.9A CN115182398B (zh) | 2022-08-25 | 2022-08-25 | 一种地震预警区域的地下水位及地表沉降预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115182398A CN115182398A (zh) | 2022-10-14 |
CN115182398B true CN115182398B (zh) | 2024-05-07 |
Family
ID=83523849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211024975.9A Active CN115182398B (zh) | 2022-08-25 | 2022-08-25 | 一种地震预警区域的地下水位及地表沉降预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115182398B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340757B (zh) * | 2023-04-25 | 2023-08-08 | 中国地震局地震研究所 | 一种特征自适应地震预警震级预测方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245966A (zh) * | 2013-05-24 | 2013-08-14 | 成都理工大学 | 基于物联网多传感器信息融合及神经网络技术地震预警方法 |
WO2016201759A1 (zh) * | 2015-06-19 | 2016-12-22 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
CN113496099A (zh) * | 2021-04-06 | 2021-10-12 | 西南交通大学 | 一种基于深度学习的边坡永久位移预测模型训练方法 |
CN114399889A (zh) * | 2022-01-24 | 2022-04-26 | 桂林理工大学 | 一种岩土边坡地质灾害预警系统 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
CN114413834A (zh) * | 2022-01-07 | 2022-04-29 | 北京飞舟空间科技有限公司 | 一种基于北斗/gps定位系统的高精度沉降监测方法 |
-
2022
- 2022-08-25 CN CN202211024975.9A patent/CN115182398B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245966A (zh) * | 2013-05-24 | 2013-08-14 | 成都理工大学 | 基于物联网多传感器信息融合及神经网络技术地震预警方法 |
WO2016201759A1 (zh) * | 2015-06-19 | 2016-12-22 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
CN113496099A (zh) * | 2021-04-06 | 2021-10-12 | 西南交通大学 | 一种基于深度学习的边坡永久位移预测模型训练方法 |
CN114413834A (zh) * | 2022-01-07 | 2022-04-29 | 北京飞舟空间科技有限公司 | 一种基于北斗/gps定位系统的高精度沉降监测方法 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
CN114399889A (zh) * | 2022-01-24 | 2022-04-26 | 桂林理工大学 | 一种岩土边坡地质灾害预警系统 |
Non-Patent Citations (1)
Title |
---|
基于附加质量法的三维重力坝地震响应研究;王志坤;陈艳江;杨璐;;黑龙江大学工程学报;20160925(第03期);16-23 * |
Also Published As
Publication number | Publication date |
---|---|
CN115182398A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
JP7255640B2 (ja) | 下水道管渠内水位予測方法 | |
Wang et al. | Application of artificial neural network in tunnel engineering: a systematic review | |
CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
CN114970302B (zh) | 一种基于地下水监测系统的区域地下水情预测方法 | |
CN112446559A (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
CN115182398B (zh) | 一种地震预警区域的地下水位及地表沉降预测方法 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN110008439A (zh) | 基于矩阵分解的降雨数据时空一体化插值算法 | |
CN113902580A (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN110991705B (zh) | 一种基于深度学习的城市扩展预测方法及系统 | |
CN115146874A (zh) | 一种基于多图卷积网络的河流水质预测方法 | |
CN117808214A (zh) | 水利工程数据分析系统 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
Kubota et al. | Autopilot model for shield tunneling machines using support vector regression and its application to previously constructed tunnels | |
CN116361624B (zh) | 一种基于误差反馈的大范围地面沉降预测方法及系统 | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
CN115239013A (zh) | 面向冲积河道的崩岸等级预测方法及系统 | |
LU502989B1 (en) | Method for predicting and updating groundwater level in foundation pit dewatering area based on deep neural network | |
CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
HADJI | A coupled models Hydrodynamics-Multi headed Deep convolutional neural network for rapid forecasting large-scale flood inundation |
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 |