CN115964360A - 地震安全性评价数据库建设方法及其系统 - Google Patents
地震安全性评价数据库建设方法及其系统 Download PDFInfo
- Publication number
- CN115964360A CN115964360A CN202310238137.XA CN202310238137A CN115964360A CN 115964360 A CN115964360 A CN 115964360A CN 202310238137 A CN202310238137 A CN 202310238137A CN 115964360 A CN115964360 A CN 115964360A
- Authority
- CN
- China
- Prior art keywords
- data
- feature map
- scale
- feature
- region segment
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 100
- 238000010276 construction Methods 0.000 title claims description 46
- 239000013598 vector Substances 0.000 claims abstract description 254
- 239000012634 fragment Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000013508 migration Methods 0.000 claims abstract description 7
- 230000005012 migration Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 105
- 239000011435 rock Substances 0.000 claims description 33
- 230000000694 effects Effects 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 230000001066 destructive effect Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005553 drilling Methods 0.000 description 33
- 238000001228 spectrum Methods 0.000 description 24
- 238000006243 chemical reaction Methods 0.000 description 19
- 238000005192 partition Methods 0.000 description 17
- 239000002689 soil Substances 0.000 description 16
- 230000015572 biosynthetic process Effects 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 9
- 238000013016 damping Methods 0.000 description 6
- 208000035126 Facies Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请公开了一种地震安全性评价数据库建设方法及其系统。其首先将多个地震相关数据分别通过特征提取器以得到多个区域片段数据特征向量，接着，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后分别通过第一卷积神经网络模型和二维卷积核的第二卷积神经网络模型以得到第一尺度区域片段关联特征图和第二尺度区域片段关联特征图，然后，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，最后，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正后通过分类器以得到用于表示待评估区域的地震安全性等级标签的分类结果。这样，可以确保每一项数据能够准确入库，保证数据库的质量。
Description
技术领域
本申请涉及智能数据处理技术领域，且更为具体地，涉及一种地震安全性评价数据库建设方法及其系统。
背景技术
区域性地震安全性评价是对开发区、工业园区、新区和其他有条件的区域开展的地震安全性评价，能够为区域内的建设工程提供科学合理的抗震设防依据。
但是，区域性地震安全性评价涉及到方方面面，目前没有相关数据库，并且，也没有成熟的数据处理方案来从地震相关数据中得到地震安全性评价结果。
因此，期待一种地震安全性评价数据库建设方法及其系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种地震安全性评价数据库建设方法及其系统。其首先将多个地震相关数据分别通过特征提取器以得到多个区域片段数据特征向量，接着，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后分别通过第一卷积神经网络模型和二维卷积核的第二卷积神经网络模型以得到第一尺度区域片段关联特征图和第二尺度区域片段关联特征图，然后，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，最后，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正后通过分类器以得到用于表示待评估区域的地震安全性等级标签的分类结果。这样，可以确保每一项数据能够准确入库，保证数据库的质量。
根据本申请的一个方面，提供了一种地震安全性评价数据库建设方法，其包括：获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
在上述的地震安全性评价数据库建设方法中，所述深度全连接网络包括多个相互级联的全连接层。
在上述的地震安全性评价数据库建设方法中，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图，包括：所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度区域片段关联特征图，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述输入矩阵。
在上述的地震安全性评价数据库建设方法中，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图，包括：所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度区域片段关联特征图，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述输入矩阵。
在上述的地震安全性评价数据库建设方法中，所述融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，包括：以如下公式来融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到所述分类特征图；其中，所述公式为： ，其中，，表示所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，表示级联函数，表示所述分类特征图。
在上述的地震安全性评价数据库建设方法中，所述基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量，包括：将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量第二尺度区域片段关联特征向量；对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵；以及将所述融合特征矩阵与所述分类特征向量进行矩阵相乘以将所述分类特征向量映射到所述融合特征矩阵消除类中心偏移的优化的特征空间内以得到所述优化分类特征向量。
在上述的地震安全性评价数据库建设方法中，所述对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵，包括：以如下公式对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到所述融合特征矩阵；其中，所述公式为：，其中，表示所述第一尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量的转置向量，和均为列向量，表示所述融合特征矩阵，为所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的距离矩阵，和分别表示矩阵或向量的Kronecker积和Hadamard积，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在上述的地震安全性评价数据库建设方法中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种地震安全性评价数据库建设系统，其包括：数据获取模块，用于获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；深度全连接编码模块，用于将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；第一尺度编码模块，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；第二尺度编码模块，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；特征图融合模块，用于融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；类概率偏移校正模块，用于基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
在上述的地震安全性评价数据库建设系统中，所述深度全连接网络包括多个相互级联的全连接层。
与现有技术相比，本申请提供的地震安全性评价数据库建设方法及其系统，其首先将多个地震相关数据分别通过特征提取器以得到多个区域片段数据特征向量，接着，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后分别通过第一卷积神经网络模型和二维卷积核的第二卷积神经网络模型以得到第一尺度区域片段关联特征图和第二尺度区域片段关联特征图，然后，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，最后，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正后通过分类器以得到用于表示待评估区域的地震安全性等级标签的分类结果。这样，可以确保每一项数据能够准确入库，保证数据库的质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的地震安全性评价数据库建设方法的流程图。
图2为根据本申请实施例的地震安全性评价数据库建设方法的架构示意图。
图3为根据本申请实施例的地震安全性评价数据库建设方法中步骤S160的子步骤流程图。
图4为根据本申请实施例的地震安全性评价数据库建设系统的框图。
图5为根据本申请实施例的区域性地震安全性评价数据库的建设流程。
图6为根据本申请实施例的区域性地震安全性评价数据库的基本组成。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述：如上所述，在本申请的技术方案中，区域性地震安全性评价涉及到方方面面，目前没有相关数据库，并且，也没有成熟的数据处理方案来从地震相关数据中得到地震安全性评价结果。因此，期待一种地震安全性评价数据库建设方法及其系统。
具体地，区域性地震安全性评价数据库往往存在以下几点问题：一是数据库包含内容不健全，不符合相关规范的要求，存在缺项、漏项的情况；二是数据库字段设置不合理，与实际工作结合不紧密，有些数据无法入库，数据项目不条理，不方便使用；三是数据库内容难以展示，对矢量要素的展示或栅格格式的成果图件的展示存在困难；四是数据库文件零散、不系统，数据存储不方便。
基于此，在本申请的技术方案中，在充分研究区域性地震安全性评价数据库相关规范的基础中，结合区域性地震安全性评价实际工作，提出了一种地震安全性评价数据库建设方法及其系统。
具体地，首先确定区域性地震安全性评价数据库的数据项目和数据字典，然后依托常用的地理信息软件建立区域性地震安全性评价数据库表单，之后录入区域性地震安全性评价数据，建立数据库。已建好表单的空数据库可以用于不同的区域性地震安全性评价项目的数据录入。对于区域性地震安全性评价数据库建设而言，数据项目和数据字典的确定是最基础、最关键、最主要的内容。
区域性地震安全性评价数据库主要包括区域性地震安全性评价项目基本信息数据、区域地震活动性和地震构造评价数据、近场区地震活动性和地震构造评价数据、目标区断层勘查和活动性鉴定数据、目标区地震工程地质条件勘测数据、目标区地震危险性分析数据、目标区场地地震反应分析数据、目标区地震地质灾害评价数据等8类数据，每一类数据下面又分为若干子类。每一项数据的数据字典都做了详尽的描述，具体包括数据项名称、英文简称、数据类型、存储长度、约束条件、值域、数据项描述及要求。按照此数据项目和数据字典建设数据库，可确保每一项数据能够准确入库，保证数据库的质量。
具体的，在本申请的技术方案中，在进行地震安全性评价时，首先获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据。这里，所述主要断裂的活动特征包括断裂序号、断裂名称、断裂总长度、区域内断裂长度、断裂走向、断裂倾向、断裂倾角、断裂性质、断裂最新活动时代、断裂判断依据、断裂最大发震能力、剖面图和备注；所述地层数据包括地层编号、地层名称、地层年代、沉积相、地层描述、地层厚度和备注；所述岩体数据包括岩体编号、岩体名称、岩体类别、形成时代、岩体描述和备注；所述盆地数据包括盆地编号、盆地名称、形成时代、最大沉积厚度、盆地性质和备注；所述地貌单元数据包括地貌单元编号、地貌名称、形成时代、地貌类型和备注；所述破坏性地震数据包括序号、发震时间、震中经度、震中纬度、震中地点、震级、震中烈度、震源深度、定位精度、宏观震中经度、宏观震中纬度、地震等震线图和备注。应可以理解，在本申请的其他示例中，还可以从所述地震安全性评价数据库中选择其他数据项来进行地震安全性等级评价。
接着，将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量。也就是，使用包含多个全连接层的深度全连接网络模型来作为特征提取器对所述各个地震相关数据进行深度全连接编码以捕捉所述各个地震相关数据中各个数据项的高维隐含关联特征信息，以得到各个所述地震相关数据的全局特征表示，即，所述区域片段数据特征向量。应可以理解，在本申请的技术方案中，一个所述地震相关数据对应于一个所述区域片段数据特征向量。
在得到所述多个区域片段数据特征向量，在数据结构层面，将所述多个区域片段数据特征向量进行全局化。例如，将所述多个区域片段数据特征向量沿着行向量进行二维排列以得到输入矩阵，所述输入矩阵用于表示所述多个地震相关数据的全局高维特征表示。接着，使用在局部特征提取领域具有优异性能表现的卷积神经网路模型对所述输入矩阵进行基于卷积核的局部空间特征过滤以捕捉各个地震相关数据的高维特征表示间的局部高维隐含关联模式特征。
特别地，在本申请的技术方案中，考虑到各个所述地震相关数据间的关联是不确定的，也就是，优选地，在进行局部特征提取时，期待能够提取所述输入矩阵的多尺度关联特征以提高特征表达的准确性和层次丰富度。基于此，在本申请的技术方案中，首先将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；同时，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图。
这里，具有不同尺度的二维卷积核代表不同的空间局部特征感受野，因此，在使用具有不同尺度的二维卷积核进行基于卷积核的特征过滤时，所述具有不同尺度的二维卷积核能够通过不同尺度的特征感受野来捕捉所述输入矩阵中不同局部空间窗口内的高维模式关联特征。
在得到所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图后，在高维特征空间中，将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图进行融合以得到分类特征图。进而，将所述分类特征图通过分类器以得到用于表示待评估区域的地震安全性等级标签的分类结果。也就是，在本申请的技术方案中，将地震安全性评价问题转化为多分类问题，即，首先对所述待评估区域的多个地震相关数据进行特征工程以得到所述分类特征图，进而，通过所述分类器确定所述分类特征图所属的类概率标签。
特别地，在本申请的技术方案中，在融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图得到所述分类特征图时，考虑到所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图分别表示不同尺度下的各个数据特征的区域-数据交叉维度关联特征，因此所述第一尺度区域片段关联特征图在分类概率表示上可能会偏移所述第二尺度区域片段关联特征图的分类概率表示，也就是，所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图存在类中心偏移，从而影响得到的所述分类特征图的分类结果的准确性。
因此，优选地，首先将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量和第二尺度区域片段关联特征向量，在对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化，表示为：，和分别表示矩阵(向量)的Kronecker积和Hadamard积，为特征向量和之间的距离矩阵，即，且和均为列向量。
具体地，在分类器的二分类问题中，如果将所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量优化后的类节点表示为树形式，则所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的图拓扑，来使得优化后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构，从而表达以所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量各自的类节点为根的子树结构，以实现所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量的基于类节点-中心的拓扑式优化，从而消除所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的类中心偏移。
进而，将优化的特征矩阵与所述分类特征图展开后得到的分类特征向量，例如记为相乘，以将所述分类特征向量映射到消除类中心偏移的优化的特征空间内，再将所述分类特征向量通过分类器进行分类，就可以提升分类结果的准确性。
基于此，本申请提供了一种地震安全性评价数据库建设方法，其包括：获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法：图1为根据本申请实施例的地震安全性评价数据库建设方法的流程图。如图1所示，根据本申请实施例的地震安全性评价数据库建设方法，包括步骤：S110，获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；S120，将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；S130，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；S140，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；S150，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；S160，基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及，S170，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
图2为根据本申请实施例的地震安全性评价数据库建设方法的架构示意图。如图2所示，在该网络架构中，首先，获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；接着，将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；然后，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；接着，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；然后，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；接着，基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
更具体地，在步骤S110中，获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据。这里，所述主要断裂的活动特征包括断裂序号、断裂名称、断裂总长度、区域内断裂长度、断裂走向、断裂倾向、断裂倾角、断裂性质、断裂最新活动时代、断裂判断依据、断裂最大发震能力、剖面图和备注；所述地层数据包括地层编号、地层名称、地层年代、沉积相、地层描述、地层厚度和备注；所述岩体数据包括岩体编号、岩体名称、岩体类别、形成时代、岩体描述和备注；所述盆地数据包括盆地编号、盆地名称、形成时代、最大沉积厚度、盆地性质和备注；所述地貌单元数据包括地貌单元编号、地貌名称、形成时代、地貌类型和备注；所述破坏性地震数据包括序号、发震时间、震中经度、震中纬度、震中地点、震级、震中烈度、震源深度、定位精度、宏观震中经度、宏观震中纬度、地震等震线图和备注。应可以理解，在本申请的其他示例中，还可以从所述地震安全性评价数据库中选择其他数据项来进行地震安全性等级评价。
更具体地，在步骤S120中，将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量。也就是，使用包含多个全连接层的深度全连接网络模型来作为特征提取器对所述各个地震相关数据进行深度全连接编码以捕捉所述各个地震相关数据中各个数据项的高维隐含关联特征信息，以得到各个所述地震相关数据的全局特征表示，即，所述区域片段数据特征向量。应可以理解，在本申请的技术方案中，一个所述地震相关数据对应于一个所述区域片段数据特征向量。
相应地，在一个具体示例中，所述深度全连接网络包括多个相互级联的全连接层。
在得到所述多个区域片段数据特征向量，在数据结构层面，将所述多个区域片段数据特征向量进行全局化。例如，将所述多个区域片段数据特征向量沿着行向量进行二维排列以得到输入矩阵，所述输入矩阵用于表示所述多个地震相关数据的全局高维特征表示。接着，使用在局部特征提取领域具有优异性能表现的卷积神经网路模型对所述输入矩阵进行基于卷积核的局部空间特征过滤以捕捉各个地震相关数据的高维特征表示间的局部高维隐含关联模式特征。
特别地，在本申请的技术方案中，考虑到各个所述地震相关数据间的关联是不确定的，也就是，优选地，在进行局部特征提取时，期待能够提取所述输入矩阵的多尺度关联特征以提高特征表达的准确性和层次丰富度。基于此，在本申请的技术方案中，首先将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；同时，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图。
更具体地，在步骤S130中，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图。
相应地，在一个具体示例中，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图，包括：所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度区域片段关联特征图，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述输入矩阵。
更具体地，在步骤S140中，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图。
相应地，在一个具体示例中，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图，包括：所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度区域片段关联特征图，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述输入矩阵。
这里，具有不同尺度的二维卷积核代表不同的空间局部特征感受野，因此，在使用具有不同尺度的二维卷积核进行基于卷积核的特征过滤时，所述具有不同尺度的二维卷积核能够通过不同尺度的特征感受野来捕捉所述输入矩阵中不同局部空间窗口内的高维模式关联特征。
更具体地，在步骤S150中，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图。在得到所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图后，在高维特征空间中，将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图进行融合以得到分类特征图。
相应地，在一个具体示例中，所述融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，包括：以如下公式来融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到所述分类特征图；其中，所述公式为： ，其中，，表示所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，表示级联函数，表示所述分类特征图。
更具体地，在步骤S160中，基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量。
相应地，在一个具体示例中，如图3所示，所述基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量，包括：S161，将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量第二尺度区域片段关联特征向量；S162，对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵；以及，S163，将所述融合特征矩阵与所述分类特征向量进行矩阵相乘以将所述分类特征向量映射到所述融合特征矩阵消除类中心偏移的优化的特征空间内以得到所述优化分类特征向量。
特别地，在本申请的技术方案中，在融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图得到所述分类特征图时，考虑到所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图分别表示不同尺度下的各个数据特征的区域-数据交叉维度关联特征，因此所述第一尺度区域片段关联特征图在分类概率表示上可能会偏移所述第二尺度区域片段关联特征图的分类概率表示，也就是，所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图存在类中心偏移，从而影响得到的所述分类特征图的分类结果的准确性。因此，优选地，首先将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量和第二尺度区域片段关联特征向量，在对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化。
相应地，在一个具体示例中，所述对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵，包括：以如下公式对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到所述融合特征矩阵；其中，所述公式为： ，其中，表示所述第一尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量的转置向量，和均为列向量，表示所述融合特征矩阵，为所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的距离矩阵，和分别表示矩阵或向量的Kronecker积和Hadamard积，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
具体地，在分类器的二分类问题中，如果将所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量优化后的类节点表示为树形式，则所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量各自的类节点分布为基于根节点的子树，因此可以利用节点之间关联的图拓扑，来使得优化后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构，从而表达以所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量各自的类节点为根的子树结构，以实现所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量的基于类节点-中心的拓扑式优化，从而消除所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的类中心偏移。
进而，将优化的特征矩阵与所述分类特征图展开后得到的分类特征向量，例如记为相乘，以将所述分类特征向量映射到消除类中心偏移的优化的特征空间内，再将所述分类特征向量通过分类器进行分类，就可以提升分类结果的准确性。
更具体地，在步骤S170中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。也就是，在本申请的技术方案中，将地震安全性评价问题转化为多分类问题，即，首先对所述待评估区域的多个地震相关数据进行特征工程以得到所述分类特征图，进而，通过所述分类器确定所述分类特征图所属的类概率标签。
相应地，在一个具体示例中，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的地震安全性评价数据库建设方法，其首先将多个地震相关数据分别通过特征提取器以得到多个区域片段数据特征向量，接着，将所述多个区域片段数据特征向量进行二维排列为输入矩阵后分别通过第一卷积神经网络模型和二维卷积核的第二卷积神经网络模型以得到第一尺度区域片段关联特征图和第二尺度区域片段关联特征图，然后，融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，最后，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正后通过分类器以得到用于表示待评估区域的地震安全性等级标签的分类结果。这样，可以确保每一项数据能够准确入库，保证数据库的质量。
应可以理解，本申请提供的地震安全性评价数据库建设方法具有以下优点：(1)数据库包含的成果数据更全面。紧紧围绕区域性地震安全性评价成果数据，对成果数据的类别、数据项、所有可能的值、最佳的数据存储方式等进行系统地研究，避免遗漏成果数据。针对在地震安全性评价项目开展过程中可能采取的不同技术方法所产出的不同成果数据，对其数据项作了预设，避免有成果数据但无法入库的情况发生。(2)数据库入库更方便。区域性地震安全性评价成果数据繁多，数据项目的条理性能很大程度上体现数据库标准的易用性。按照区域性地震安全性评价相关技术规范，对数据进行了分类，同类数据放一起，不同类数据分开放，方便技术人员建设数据库，避免数据混乱的情况。能够批量入库也是数据库标准易用性的体现。对于数据量大的部分成果数据，充分考虑了技术人员入库的便捷性，对于相关的要求都能找到数据批量入库的方法。(3)数据库数据实现可视化。除了可以将表单形式的数据入库外，对于存在空间展布情况的，其矢量要素也可以一并入库；对于已绘制了相关成果图的，对栅格类成果图也可以入库。在这种情况下，对于建成的数据库，既可以查询表单形式的数据，也可以查询矢量图层空间展布情况，还可以查询已绘制成图的成果图，数据可以得到充分展示。(4)数据库保存、使用更方便、灵活。数据库所有的数据保存在一个文件夹中，同类数据保存在一个文件中，方便数据保存、查找、查阅。
更具体的，本申请给出的地震安全性评价数据库建设方法首先确定区域性地震安全性评价数据库的数据项目和数据字典，然后依托常用的地理信息软件建立区域性地震安全性评价数据库表单，之后录入区域性地震安全性评价数据，建立数据库(如图5所示)。已建好表单的空数据库可以用于不同的区域性地震安全性评价项目的数据录入。对于区域性地震安全性评价数据库建设而言，数据项目和数据字典的确定是最基础、最关键、最主要的内容，因此本发明主要对区域性地震安全性评价数据库数据项目和数据字典进行阐述。
区域性地震安全性评价数据库主要包括区域性地震安全性评价项目基本信息数据、区域地震活动性和地震构造评价数据、近场区地震活动性和地震构造评价数据、目标区断层勘查和活动性鉴定数据、目标区地震工程地质条件勘测数据、目标区地震危险性分析数据、目标区场地地震反应分析数据、目标区地震地质灾害评价数据等8类数据(如图6所示)，每一类数据下面又分为若干子类。每一项数据的数据字典都做了详尽的描述，具体包括数据项名称、英文简称、数据类型、存储长度、约束条件、值域、数据项描述及要求。按照此数据项目和数据字典建设数据库，可确保每一项数据能够准确入库，保证数据库的质量。
进一步的，区域性地震安全性评价项目基本信息的数据内容应包括项目名称、委托单位、承担单位、中心点经度、中心点纬度、目标区面积、审查单位、审查通过日期、位置描述、建设规划描述、实际钻孔个数、钻孔总进尺、引用钻孔个数、取样孔个数、动力学试验方法、动力学测试样品数量、地球物理勘探方法、地球物理勘探测线条数、地球物理勘探测线长度、探槽数量、测年样品数量、规划图、备注，以及项目目标区范围的矢量图层。关于区域地震活动性和地震构造评价数据，其中，区域成果图基本信息数据的数据内容应包括区域成果图名称、区域成果图英文简称、区域成果图、备注，以及区域范围的矢量图层。其中，区域主要断裂的活动特征数据的数据内容应包括断裂序号、名称、长度、走向、倾向、倾角、性质、最新活动时代、判定依据、最大发震能力、剖面图、备注，以及区域主要断裂的矢量图层。其中，区域地层数据的数据内容应包括地层编号、名称、年代、沉积相、厚度、地层描述、备注，以及地层的矢量图层。其中，区域岩体数据的数据内容应包括岩体编号、岩体名称、岩体类别、形成时代、岩体描述、备注，以及岩体的矢量图层。其中，区域盆地数据的数据内容应包括盆地编号、盆地名称、形成时代、最大沉积厚度、盆地性质、备注，以及盆地的矢量图层。其中，区域地貌单元数据的数据内容应包括地貌单元编号、地貌名称、形成时代、地貌类型、备注，以及地貌空间分布的矢量图层。其中，区域大地构造单元数据的数据内容应包括大地构造单元编号、大地构造单元名称、备注，以及大地构造单元矢量图层。其中，区域新构造单元数据的数据内容应包括新构造单元编号、新构造单元名称、新构造单元类型、备注，以及新构造单元的矢量图层。
其中，区域破坏性地震目录数据的数据内容应包括序号、发震时间、震中经度、震中纬度、震中地点、震级、震中烈度、震源深度、定位精度、宏观震中经度、宏观震中纬度、地震等震线图、备注，以及区域破坏性地震空间分布的矢量图层。其中，区域现代地震目录数据的数据内容应包括序号、发震时间、震中经度、震中纬度、震中地点、震级、震源深度、备注，以及区域现代地震空间分布的矢量图层。关于近场区地震活动性和地震构造评价数据，其中，近场区成果图基本信息数据的数据内容应包括近场区成果图名、近场区成果图英文简称、近场区成果图、备注，以及近场区空间范围的矢量图层。其中，近场区主要断裂的活动特征数据的数据内容应包括序号、断裂名称、断裂长度、断裂走向、断裂倾向、断裂倾角、近场区范围内最新活动时代、测年方法、剖面图、备注，以及近场区主要断裂的矢量图层。
其中，近场区地层数据的数据内容应包括地层编号、地层名称、地层年代、沉积相、地层描述、地层厚度、备注，以及地层的矢量图层。其中，近场区岩体数据的数据内容应包括岩体编号、岩体名称、岩体类别、形成时代、岩体描述、备注，以及岩体的矢量图层。其中，近场区盆地数据的数据内容应包括盆地编号、盆地名称、形成时代、最大沉积厚度、盆地性质、备注，以及盆地的矢量图层。其中，近场区地貌单元数据的数据内容应包括编号、地貌名称、形成时代、地貌类型、备注，以及地貌单元空间分布的矢量图层。其中，近场区历史地震目录数据的数据内容应包括近场区历史地震的序号、发震时间、震中经度、震中纬度、宏观震中经度、宏观震中纬度、震中地点、震级、震中烈度、震源深度、备注，以及地震空间分布的矢量图层。其中，近场区现代地震目录数据的数据内容应包括近场区现代地震的序号、发震时间、震中经度、震中纬度、震中地点、震级、震中烈度、震源深度、定位精度、备注，以及近场区现代地震空间分布的矢量图层。关于目标区断层勘查和活动性鉴定数据，其中，浅层地震勘探测线分布数据的数据内容应包括测线编号、探测方法、道间距、偏移距、覆盖次数、断点个数、成果剖面、备注，以及物探测线分布的矢量图层。其中，电法勘探测线分布数据的数据内容应包括测线编号、探测方法、断点个数、成果剖面、备注，以及电法勘探测线分布的矢量图层。其中，探地雷达测线分布数据的数据内容应包括测线编号、采样率、扫描速率、天线间距、观测点距、静态叠加次、断点个数、成果剖面、备注，以及测线分布的矢量图层。其中，探槽分布数据的数据内容应包括探槽编号、探槽名称、探槽走向、参考位置、探槽长度、探槽深度、揭露地层数、古地震事件次数、最晚古地震发震时代、释光采样数、碳十四采样数、探槽剖面图、探槽描述、备注，以及探槽分布的矢量图层。其中，地质调查点分布数据的数据内容应包括调查点编号、调查日期、所在地点、采样总数、送样总数、考察点类型、考察照片、照片镜向、备注，以及调查点分布的矢量图层。其中，跨断层钻孔数据的数据内容应包括钻孔编号、地点、孔口标高、地下水位、孔深、释光采样数、碳十四采样数、钻探单位、钻孔日期、钻孔柱状图和岩芯照片、备注，以及跨断层钻孔分布的矢量图层。其中，跨断层钻孔联合剖面数据的数据内容应包括剖面编号、地点、钻孔数、剖面长度、断点数、上断点埋深、断错最新地层年代、剖面图、备注，以及跨断层钻孔联合剖面分布的矢量图层。其中，断点分布数据的数据内容应包括断点编号、地点、断层名称、断点埋深、断点界面年代、备注，以及断点分布的矢量图层。其中，年代测定样品采样点分布数据的数据内容应包括采样点编号、样品编号、取样地点、采样深度、样品来源、样品年代测定方法、样品年代测定结果、样品年代测定单位、测年报告名称、备注，以及采样点分布的矢量图层。其中，目标区主要断层活动性特征数据的数据内容应包括序号、断裂名称、断裂长度、断裂走向、断裂倾向、断裂倾角、目标区及附近最新活动时代、测年方法、备注，以及目标区及附近主要断裂的矢量图层。关于目标区地震工程地质条件勘测数据，其中，钻孔信息数据的数据内容应包括钻孔编号、工程名称、工程编号、钻孔直径、初见水位深度、稳定水位深度、测量日期、等效剪切波速、覆盖层厚度、场地类别、钻孔柱状图、备注，以及钻孔分布的矢量图层。其中，钻孔详细信息数据的数据内容应包括钻孔编号、钻孔经度、钻孔纬度、孔口标高、地层年代、时代成因、地层序号、地层编号、层顶深度、层底深度、分层厚度、岩土名称、地层描述、标贯中点深度、标贯实测击数、备注。其中，工程地质剖面数据的数据内容应包括剖面编号、地点、钻孔数、剖面长度、剖面图、备注，以及剖面分布的矢量图层。其中，剪切波速测试成果数据的数据内容应包括钻孔编号、深度、剪切波速、备注。其中，土样物理性质数据的数据内容应包括土样编号、钻孔编号、野外编号、取土深度、土类名称、容重、含水率、施加围压、固结时间、土动力学试验方法、土动力学试验结果图、颗粒分析结果、备注。其中，试样动剪切模量比和阻尼比数据的数据内容应包括土样编号、钻孔编号、剪应变、动剪切模量比、阻尼比、备注。其中，场地类别分区数据的数据内容应包括场地类别分区编号、场地类别、备注，以及场地类别分区矢量图层。其中，工程地质分区数据的数据内容应包括工程地质分区编号、工程地质分区描述、备注，以及工程地质分区矢量图层。关于目标区地震危险性分析数据，其中，基岩水平向地震动衰减关系系数(长轴、短轴)数据的数据内容应包括周期、系数C1、系数C2、系数C3、系数C4、系数C5、系数C6、系数C7、标准差、备注。其中，控制点基岩地震动峰值加速度数据的数据内容应包括控制点编号、不同超越概率的峰值加速度、基岩反应谱图、备注，以及控制点分布的矢量图层。其中，控制点基岩地震动反应谱数据的数据内容应包括控制点编号、周期、不同超越概率的基岩反应谱幅值、备注。关于目标区场地地震反应分析数据，其中，输入地震动加速度时程包络参数数据的数据内容应包括包络参数数据组编号、超越概率水平、等效震级、等效震中距、上升段T1、平稳段T2-T1、衰减系数C、持时Td、备注，以及所适用的空间范围的矢量图层。其中，基岩输入加速度时程数据的数据内容应包括时程编号、钻孔编号、超越概率水平、随机相位编号、离散时间间隔、离散点个数、时程文件名称、时程文件路径、时程所在表单、表头所占行数、时程所在列号、拟合误差是否符合要求、是否存在基线漂移、相关系数是否符合要求、备注。时程应存放在电子表格中，时间单位应为s，加速度单位应为cm/s2。其中，目标区钻孔土层模型参数数据的数据内容应包括钻孔编号、土层序号、土类名称、层厚、剪切波速、密度、土类号、备注。其中，模型计算所需的不同土类的动剪切模量比和阻尼比数据的数据内容应包括土类号、剪应变、动剪切模量比、阻尼比、备注。其中，钻孔地表地震动峰值加速度数据的数据内容应包括钻孔编号、超越概率、随机相位编号、峰值加速度、峰值加速度均值、备注。其中，目标区各钻孔场地反应谱数据的数据内容应包括钻孔编号、超越概率水平、随机相位编号、场地反应谱离散点个数、场地反应谱文件名、反应谱文件路径、反应谱所在表单、表头所占行数、反应谱周期所在列号、反应谱所在列号、备注。各钻孔场地反应谱数据应存放在电子表格中，反应谱周期单位应为s，反应谱幅值单位应为cm/s2。其中，若场地规准反应谱采用分区标定的方式，那么目标区各分区场地规准反应谱数据的数据内容应包括分区编号、反应谱阻尼比、峰值加速度、反应谱放大倍数最大值、地震影响系数最大值、反应谱第一拐点周期、特征周期、衰减系数、备注，以及各分区的矢量图层。规准反应谱参数的取值应符合GB 18306(所有部分)中的规定。其中，若场地规准反应谱采用逐孔标定的方式，那么目标区场地规准反应谱数据的数据内容应包括钻孔编号、反应谱阻尼比、峰值加速度、反应谱放大倍数最大值、地震影响系数最大值、反应谱第一拐点周期、特征周期、衰减系数、备注，以及钻孔分布的矢量图层。规准反应谱参数的取值应符合GB18306(所有部分)中的规定。其中，目标区地表加速度时程数据的数据内容应包括时程编号、分区编号、钻孔编号、超越概率水平、随机相位编号、离散时间间隔、离散点个数、时程文件名称、时程文件路径、时程所在表单、表头所占行数、时程所在列号、拟合误差是否符合要求、是否存在基线漂移、相关系数是否符合要求、备注。时程应存放在电子表格中，时间单位应为s，加速度单位应为cm/s2。其中，地表峰值加速度等值线分布数据的数据内容应包括等值线编号、值，以及等值线的矢量图层。其中，地表特征周期等值线分布数据的数据内容应包括等值线编号、值，以及等值线的矢量图层。关于目标区地震地质灾害评价数据，其中，砂土液化分区数据的数据内容应包括液化分区编号、地震烈度、液化等级，以及液化分区矢量图层。其中，地表破裂带数据的数据内容应包括破裂带编码、断层名称、破裂带名称、最大位错量、平均位错量、破裂带宽度、备注，以及地表破裂带的矢量图层。其中，软土震陷分区数据的数据内容应包括软土震陷分区编号、地震烈度、危害程度，以及软土震陷分区矢量图层。其中，地震崩塌影响区数据的数据内容应包括分区编号、地震烈度、危害程度，以及地震崩塌影响区的矢量图层。其中，地震滑坡影响区数据的数据内容应包括分区编号、地震烈度、危害程度，以及地震滑坡影响区的矢量图层。
示例性系统：图4为根据本申请实施例的地震安全性评价数据库建设系统100的框图。如图4所示，根据本申请实施例的地震安全性评价数据库建设系统100，包括：数据获取模块110，用于获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；深度全连接编码模块120，用于将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；第一尺度编码模块130，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；第二尺度编码模块140，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；特征图融合模块150，用于融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；类概率偏移校正模块160，用于基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及，分类结果生成模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述深度全连接网络包括多个相互级联的全连接层。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述第一尺度编码模块130，进一步用于：所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及，对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度区域片段关联特征图，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述输入矩阵。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述第二尺度编码模块140，进一步用于：所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度区域片段关联特征图，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述输入矩阵。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述特征图融合模块150，进一步用于：以如下公式来融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到所述分类特征图；
其中，所述公式为： ，其中，，表示所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，表示级联函数，表示所述分类特征图。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述类概率偏移校正模块160，进一步用于：将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量第二尺度区域片段关联特征向量；对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵；以及，将所述融合特征矩阵与所述分类特征向量进行矩阵相乘以将所述分类特征向量映射到所述融合特征矩阵消除类中心偏移的优化的特征空间内以得到所述优化分类特征向量。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵，包括：以如下公式对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到所述融合特征矩阵；其中，所述公式为： ，其中，表示所述第一尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量的转置向量，和均为列向量，表示所述融合特征矩阵，为所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的距离矩阵，和分别表示矩阵或向量的Kronecker积和Hadamard积，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在一个示例中，在上述地震安全性评价数据库建设系统100中，所述分类结果生成模块170，进一步用于：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述地震安全性评价数据库建设系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的地震安全性评价数据库建设方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的地震安全性评价数据库建设系统100可以实现在各种无线终端中，例如具有地震安全性评价数据库建设算法的服务器等。在一个示例中，根据本申请实施例的地震安全性评价数据库建设系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该地震安全性评价数据库建设系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该地震安全性评价数据库建设系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该地震安全性评价数据库建设系统100与该无线终端也可以是分立的设备，并且该地震安全性评价数据库建设系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种地震安全性评价数据库建设方法，其特征在于，包括：获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
2.根据权利要求1所述的地震安全性评价数据库建设方法，其特征在于，所述深度全连接网络包括多个相互级联的全连接层。
3.根据权利要求2所述的地震安全性评价数据库建设方法，其特征在于，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图，包括：所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；以及对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度区域片段关联特征图，所述使用具有第一尺度的二维卷积核的第一卷积神经网络模型的第一层的输入为所述输入矩阵。
4.根据权利要求3所述的地震安全性评价数据库建设方法，其特征在于，所述将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图，包括：所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度区域片段关联特征图，所述使用具有第二尺度的二维卷积核的第二卷积神经网络模型的第一层的输入为所述输入矩阵。
5.根据权利要求4所述的地震安全性评价数据库建设方法，其特征在于，所述融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图，包括：以如下公式来融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到所述分类特征图；其中，所述公式为： ，其中，，表示所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，表示级联函数，表示所述分类特征图。
6.根据权利要求5所述的地震安全性评价数据库建设方法，其特征在于，所述基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量，包括：将所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图展开为第一尺度区域片段关联特征向量第二尺度区域片段关联特征向量；对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵；以及将所述融合特征矩阵与所述分类特征向量进行矩阵相乘以将所述分类特征向量映射到所述融合特征矩阵消除类中心偏移的优化的特征空间内以得到所述优化分类特征向量。
7.根据权利要求6所述的地震安全性评价数据库建设方法，其特征在于，所述对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到融合特征矩阵，包括：以如下公式对所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量进行类节点的拓扑-类中心优化以得到所述融合特征矩阵；其中，所述公式为： ，其中，表示所述第一尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量，表示所述第二尺度区域片段关联特征向量的转置向量，和均为列向量，表示所述融合特征矩阵，为所述第一尺度区域片段关联特征向量和所述第二尺度区域片段关联特征向量之间的距离矩阵，和分别表示矩阵或向量的Kronecker积和Hadamard积，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
8.根据权利要求7所述的地震安全性评价数据库建设方法，其特征在于，所述将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种地震安全性评价数据库建设系统，其特征在于，包括：数据获取模块，用于获取待评估区域的多个地震相关数据，所述多个地震相关数据包括主要断裂的活动特征、地层数据、岩体数据、盆地数据、地貌单元数据和破坏性地震数据；深度全连接编码模块，用于将所述多个地震相关数据分别通过基于深度全连接网络的特征提取器以得到多个区域片段数据特征向量；第一尺度编码模块，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一尺度区域片段关联特征图；第二尺度编码模块，用于将所述多个区域片段数据特征向量进行二维排列为输入矩阵后通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二尺度区域片段关联特征图；特征图融合模块，用于融合所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图以得到分类特征图；类概率偏移校正模块，用于基于所述第一尺度区域片段关联特征图和所述第二尺度区域片段关联特征图，对由所述分类特征图展开得到的分类特征向量进行类概率偏移校正以得到优化分类特征向量；以及分类结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估区域的地震安全性等级标签。
10.根据权利要求9所述的地震安全性评价数据库建设系统，其特征在于，所述深度全连接网络包括多个相互级联的全连接层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238137.XA CN115964360B (zh) | 2023-03-14 | 2023-03-14 | 地震安全性评价数据库建设方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238137.XA CN115964360B (zh) | 2023-03-14 | 2023-03-14 | 地震安全性评价数据库建设方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115964360A true CN115964360A (zh) | 2023-04-14 |
| CN115964360B CN115964360B (zh) | 2023-05-16 |
Family
ID=85899677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310238137.XA Active CN115964360B (zh) | 2023-03-14 | 2023-03-14 | 地震安全性评价数据库建设方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115964360B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
| CN116819621A (zh) * | 2023-08-25 | 2023-09-29 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059582A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112560763A (zh) * | 2020-12-24 | 2021-03-26 | 国网上海市电力公司 | 一种融合红外和可见光图像的目标检测方法 |
| CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
| US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
| WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
| CN115456364A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场并网性能评价系统及其方法 |
| CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
| CN115547466A (zh) * | 2022-09-05 | 2022-12-30 | 西安启玥华辰软件咨询开发有限公司 | 基于大数据的医疗机构登记评审系统及其方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN115624321A (zh) * | 2022-11-08 | 2023-01-20 | 深圳市鑫一代科技有限公司 | 一种台式健康监测仪 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
-
2023
- 2023-03-14 CN CN202310238137.XA patent/CN115964360B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
| CN110059582A (zh) * | 2019-03-28 | 2019-07-26 | 东南大学 | 基于多尺度注意力卷积神经网络的驾驶员行为识别方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112560763A (zh) * | 2020-12-24 | 2021-03-26 | 国网上海市电力公司 | 一种融合红外和可见光图像的目标检测方法 |
| WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
| CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
| CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
| CN115456364A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场并网性能评价系统及其方法 |
| CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
| CN115547466A (zh) * | 2022-09-05 | 2022-12-30 | 西安启玥华辰软件咨询开发有限公司 | 基于大数据的医疗机构登记评审系统及其方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN115624321A (zh) * | 2022-11-08 | 2023-01-20 | 深圳市鑫一代科技有限公司 | 一种台式健康监测仪 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENGZHOU LI: "Remote Sensing Image Scene Classification Based on Object Relationship Reasoning CNN", IEEE * |
| 卢鹏: "基于多尺度卷积特征融合的台风等级分类模型", 激光与光电子学进展 * |
| 陈结: "冲击地压\"双驱动\"智能预警架构与工程应用", 万方数据知识服务平台 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
| CN116819621A (zh) * | 2023-08-25 | 2023-09-29 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
| CN116819621B (zh) * | 2023-08-25 | 2024-01-09 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115964360B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115964360A (zh) | 地震安全性评价数据库建设方法及其系统 | |
| US11636240B2 (en) | Reservoir performance system | |
| US10921470B2 (en) | Inversion for tectonic stress | |
| Zheng et al. | Electrofacies classification of deeply buried carbonate strata using machine learning methods: A case study on ordovician paleokarst reservoirs in Tarim Basin | |
| Journel | Geostatistics for reservoir characterization | |
| US11126694B2 (en) | Automatic calibration for modeling a field | |
| Segou et al. | Comparative evaluation of physics‐based and statistical forecasts in Northern California | |
| Azarafza et al. | Stochastic geometry model of rock mass fracture network in tunnels | |
| Tavakoli et al. | Rapid updating of stochastic models by use of an ensemble-filter approach | |
| Mahjour et al. | Developing a workflow to represent fractured carbonate reservoirs for simulation models under uncertainties based on flow unit concept | |
| Lepillier et al. | From outcrop scanlines to discrete fracture networks, an integrative workflow | |
| Fernández-Ibáñez et al. | Quantitative assessment of karst pore volume in carbonate reservoirs | |
| US8718992B2 (en) | Method for history matching of a geological model comprising a sub-seismic fault network | |
| Droujinine et al. | Feasibility of using full tensor gradient (FTG) data for detection of local lateral density contrasts during reservoir monitoring | |
| Primaleon et al. | Fracture attribute and topology characteristics of a geothermal reservoir: Southern Negros, Philippines | |
| Freedman et al. | A Modern Method for Using Databases To Obtain Accurate Solutions to Complex Reservoir-Characterization Problems | |
| Xie et al. | A back analysis scheme for refined soil stratification based on integrating borehole and CPT data | |
| CN110062897B (zh) | 使用自组织映射来进行的岩石物理场评估 | |
| Wong | A novel technique for modeling fracture intensity: A case study from the Pinedale anticline in Wyoming | |
| Dantas et al. | A constrained version for the stereology inverse problem: Honoring power law and persistences of the fracture traces exposed on arbitrary surfaces | |
| de Dreuzy et al. | Relation between fractional flow models and fractal or long‐range 2‐D permeability fields | |
| Koepke et al. | Pseudo-probabilistic identification of fracture network in seismic clouds driven by source parameters | |
| Shahdi | Physics-guided Machine Learning Approaches for Applications in Geothermal Energy Prediction | |
| Filzmoser | Robust statistics | |
| Jo et al. | Sensitivity analysis of geological rule-based subsurface model parameters on fluid flow |
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 |