CN116776208B - 地震波分类模型的训练方法、地震选波方法、设备及介质 - Google Patents
地震波分类模型的训练方法、地震选波方法、设备及介质 Download PDFInfo
- Publication number
- CN116776208B CN116776208B CN202311076682.XA CN202311076682A CN116776208B CN 116776208 B CN116776208 B CN 116776208B CN 202311076682 A CN202311076682 A CN 202311076682A CN 116776208 B CN116776208 B CN 116776208B
- Authority
- CN
- China
- Prior art keywords
- seismic
- time domain
- structural
- reaction
- response
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 title claims abstract description 69
- 238000013145 classification model Methods 0.000 title claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 253
- 238000010586 diagram Methods 0.000 claims abstract description 140
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims description 145
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 abstract description 12
- 238000004590 computer program Methods 0.000 description 12
- 239000002131 composite material Substances 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种地震波分类模型的训练方法、地震选波方法、设备及存储介质，涉及地震学技术领域。该方法包括：建立地震波数据集；生成地震波的弹性时域反应图，弹性时域反应图集；基于地震波数据集和结构模型进行弹塑性时程分析，得到结构地震反应集；根据结构地震反应集对弹性时域反应图集进行分类得到分类结果；利用分类结果和弹性时域反应图集训练卷积神经网络CNN，使CNN满足训练目标。训练得到的地震波分类模型可根据弹性时域反应图完成选波。上述方案采用弹性时域反应图表征地震波的时频特征对结构地震反应的影响，训练得到的CNN模型可精准分类弹性时域反应图，根据分类结果选取的地震波能够提高弹塑性时程分析结果的合理性。
Description
技术领域
本申请涉及地震学技术领域，特别涉及一种地震波分类模型的训练方法、地震选波方法、计算设备及存储介质。
背景技术
地震波具有很强的不可预测性和不确定性，由地震波引起的结构内力、变形、位移以及结构运动速度和加速度等统称为结构地震反应。在地震波作用下，结构会进入弹塑性受力状态，对结构地震反应进行弹塑性分析是工程抗震的重要手段。时程分析法是分析建筑结构地震反应的一种常用方法。在弹塑性时程分析中，使用不同的地震波计算所得的结构地震反应存在巨大差异，因此，地震波的选取决定了分析结果的可靠性。
目前，针对待分析的建筑结构选取地震波时，通常会考虑地震波的基本特征和频域特征对结构地震反应的影响，但并未考虑地震波时域特征的影响。而忽略时域特征的影响对高层结构进行时程分析时，将导致分析结果存在强烈的不确定性。由于时域特征对结构地震反应的影响十分复杂，常规分析方法难以准确地模拟出时域特征的影响。
因此，亟需一种方法，能够有效考虑地震波复杂的时域特征的对结构地震反应的影响，提升选取出的地震波的质量，提高弹塑性时程分析结果的合理性。
发明内容
本申请提供了一种地震波分类模型的训练方法、地震选波方法、计算设备及存储介质，能够有效考虑地震波复杂的时域特征对结构地震反应的影响，提升选取出的地震波的质量，提高弹塑性时程分析结果的合理性。
为了实现上述目的，第一方面，本申请提供了一种地震波分类模型的训练方法，该方法包括：
S1、根据给定的多种场地条件、多种结构周期和多种目标反应谱，选取多条地震波，并使用所述多条地震波的数据建立地震波数据集；
S2、根据所述地震波数据集，生成与所述多条地震波中每条地震波对应的弹性时域反应图，得到弹性时域反应图集，所述弹性时域反应图表征地震波的时域特征对结构地震反应的影响；
S3、基于所述地震波数据集和选定的多个结构模型，对所述多条地震波进行弹塑性时程分析，得到所述多条地震波对应的结构地震反应集；
S4、根据所述结构地震反应集，对所述弹性时域反应图集进行分类，得到分类结果，所述分类结果指示弹性时域反应图所对应地震波的可靠程度；
S5、使用所述弹性时域反应图集和所述分类结果来训练卷积神经网络，直到满足预定的训练目标。
在一种可能实施方式中，所述步骤S2包括：
S21、使用动力学积分方法求解所述多条地震波的单自由度体系地震反应，生成与所述多条地震波中每条地震波对应的弹性时域反应图；
S22、按照随机确定的排列组合方式，从所有地震波对应的多个弹性时域反应图中选出多组弹性时域反应图，其中，每组弹性时域反应图包括y个所述弹性时域反应图，y是正整数；
S23、针对每组弹性时域反应图，将组内的y个弹性时域反应图线性叠加，得到一个组合弹性时域反应图；其中，所述弹性时域反应图和所述组合弹性时域反应图构成所述弹性时域反应图集。
在一种可能实施方式中，所述步骤S4包括：
步骤S41、按照所述排列组合方式，从所述结构地震反应集中，选出多组结构地震反应，每组结构地震反应包括y个结构地震反应，每组结构地震反应构成与相应组合弹性时域反应图对应的组合结构反应；
步骤S42、获得各组合结构反应的偏差判定系数，将所获得的偏差判定系数按照从小到大的顺序排序，并根据所述排序结果确定各组合结构反应对应的组合弹性时域反应图的分类结果；其中，所述偏差判定系数为对应组合结构反应相对于所述各组合结构反应平均值的偏差程度。
在一种可能实施方式中，所述步骤S42包括：
针对第j个组合结构反应，根据所述第j个组合结构反应内y个结构地震反应各自的组内偏差值，得到所述第j个组合结构反应的偏差平均值/>，i和j为正整数；
针对第j个组合结构反应，计算所述偏差平均值内标量的平均值/>和标准差/>，将所述平均值/>和标准差/>相加，得到第j个组合结构反应的偏差判定系数；
将所述各组合结构反应的所述偏差判定系数按照从小到大的顺序排序，将排序位于前预设百分比的组合结构反应所对应的组合弹性时域反应图的分类结果确定为目标类型。
在一种可能实施方式中，任一所述结构模型包括N个楼层，所述结构地震反应各自的组内偏差值的计算过程包括：
针对每个结构反应组合，基于组内的多个结构地震反应，计算组内平均值，所述组内平均值/>包括N个楼层各自的结构反应平均值：/>，/>为分组中所有结构地震反应在第N层的结构反应平均值；
将所述分组内多个结构地震反应分别与所述组内平均值相减，得到所述多个结构地震反应各自的所述组内偏差值；
其中，第i个结构地震反应的组内偏差值包括：结构地震反应中的N个楼层各自的结构反应偏差：/>；/>代表分组中第i个结构地震反应中第N个楼层的结构反应减去所述组内平均值中第N层的结构反应平均值所得的偏差，/>为所述第i个结构地震反应。
在一种可能实施方式中，以时间为横坐标、以频率为纵坐标构建所述弹性时域反应图，所述弹性时域反应图中每个坐标点表示在对应频率下的对应时刻、单自由度弹性体系的结构反应与所述对应频率下单自由度弹性体系的最大结构反应的比值。
在一种可能实施方式中，执行步骤S5之前，所述方法还包括：
针对所述弹性时域反应图集中的多个弹性时域反应图，统一所述多个弹性时域反应图的横坐标范围以及纵坐标范围；将各个弹性时域反应图中的峰值加速度PGA发生的时刻定位为横坐标范围的中值，将所述横坐标范围之外的图像区域的像素值设置为0；
对各个弹性时域反应图的纵坐标取对数，将各个弹性时域反应图的纵坐标范围统一为：[Tn, 2.0T1]，将所述纵坐标范围之外图像区域的像素值设置为0；其中，T1为结构模型的一阶振型周期，n为确保累计振型质量参与系数大于0.9所需的振型数量，Tn为确保累计振型质量参与系数大于0.9对应的振型周期。
第二方面，提供一种地震选波方法，该方法包括：
根据给定的目标场地条件、目标反应谱和目标结构周期，选择多条地震波，并使用所述多条地震波的数据建立备选地震波数据集；
根据所述备选地震波数据集，生成与所述多条地震波中每条地震波对应的弹性时域反应图，所述弹性时域反应图表征地震波的时域特征对结构地震反应的影响；
利用第一方便所述的地震波分类模型的训练方法训练得到的地震波分类模型，对多个弹性时域反应图进行分类，从属于目标类型的弹性时域反应图所对应的地震波中选取目标数量的地震波，所述目标类型指示所述弹性时域反应图所对应地震波的可靠程度达到预定可靠程度阈值。
第三方面，提供一种计算设备，该计算设备包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如第一方面提供的地震波分类模型的训练方法或第二方面提供的地震选波方法。
第四方面，提供一种计算机可读存储介质，该存储介质中存储有至少一段程序，该至少一段程序由处理器执行以实现如第一方面提供的地震波分类模型的训练方法或第二方面提供的地震选波方法。
本申请提供的技术方案至少包括如下技术效果：
本申请采用弹性时域反应图表征地震波的时频特征对结构地震反应的影响，训练得到的CNN模型能够对地震波的弹性时域反应图进行精准分类，从而提升选取地震波的质量，进而利用可靠的地震波实现对结构地震反应的稳定估计，提高弹塑性时程分析结果的合理性。
附图说明
图1是本申请实施例提供的一种地震波分类模型的训练方法的流程示意图；
图2是本申请实施例提供的一种弹性时域反应图的示意图；
图3是本申请实施例提供的一种弹性时域反应图的预处理前后对比图；
图4是本申请实施例提供的一种地震波分类模型的训练方法的示意图；
图5是本申请实施例提供的一种地震选波方法的流程示意图；
图6是本申请实施例提供的一种地震选波方法的示意图；
图7是本申请实施例提供的一种计算设备的硬件结构示意图。
具体实施方式
为进一步说明各实施例，本申请提供有附图。这些附图为本申请揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本申请的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。本申请中术语“至少一个”的含义是指一个或多个，本申请中术语“多个”的含义是指两个或两个以上，例如，多个图像是指两个或两个以上的图像。
现结合附图和具体实施方式对本申请进一步说明。
首先对本申请涉及的一些地震学相关概念进行介绍。
地震选波，也即是选取地震波，是指选取符合条件的地震波以进行时程分析的过程。
地震动：表征地震引起的地面运动，地震动的物理参数包括峰值、反应谱和持续时间等。地震动是由震源释放出来的地震波引起的地面运动，是由不同频率、不同幅值（或强度）在一个有限时间范围内的集合。通常以幅值、频率特性和持续时间三个参数来表达地震波的特点。
反应谱：是在给定的地震作用期间内，单质点体系的最大位移反应、速度反应和加速度反应随质点自振周期变化的曲线。
针对地震选波时忽略或难以有效考虑时域特征这一问题，本申请提供了一种地震波分类模型的训练方法和地震选波方法，能够有效考虑地震波复杂的时域特征的对结构地震反应的影响，提升选取出的地震波的质量，提高弹塑性时程分析结果的合理性。
下面对本申请的技术方案进行介绍。
本申请提供的地震波分类模型的训练方法和地震选波方法能够由任意计算设备执行。
示例性地，计算设备可以为服务器或终端设备。服务器可以为单个物理服务器、多个物理服务器构成的服务器集群或者分布式文件系统，又或者是提供云存储以及云服务、云数据库、云计算、云函数、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（content delivery network，CDN）、大数据和人工智能平台等基础云计算服务的云服务器集群，本申请对此不做限定。终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等。本申请对此不做限定。
图1是本申请实施例提供的一种地震波分类模型的训练方法的流程示意图，参见图1，该方法由计算设备执行，包括下述步骤S1至步骤S5。
步骤S1、计算设备根据给定的多种场地条件、多种结构周期和多种目标反应谱，选取多条地震波，并使用该多条地震波的数据建立地震波数据集。
本申请实施例采用反应谱拟合法来选取多个地震波。具体地，以目标反应谱为拟合目标，将地震波在给定的场地条件、结构周期下的反应谱与目标反应谱进行拟合，选取拟合程度高（排序靠前）的多个地震波。
其中，场地条件例如是建筑物所在地区及周围可能发生地震的震源机制、震级大小、震中距远近、设防烈度、地震分组，场地土类别等。
其中，目标反应谱用于指导选波。
其中，结构周期是指抗震分析所针对建筑结构的周期，是与选波相关的结构基本参数的一种。结构周期具体可以包括结构的基本周期、各振型周期等。
其中，地震波的数据包括多项表征抗震设防要求的地震动物理参数，例如，地震动峰值加速度、地震动持续时间、地震动加速度和反应谱特征周期等。
本步骤S1也即是从已有的地震波数据库中，根据训练需求选取出多个地震波，从而根据所选取的地震波的数据来构建训练使用的地震波数据集。
步骤S2、计算设备根据地震波数据集，生成与多条地震波中每条地震波对应的弹性时域反应图，得到弹性时域反应图集，弹性时域反应图表征地震波的时域特征对结构地震反应的影响。
本申请实施例中，采用弹性时域反应图表征地震波的时频特征对结构地震反应的影响。弹性时域反应图表征地震波的时域特征在持续时间内对结构的各个结构振型带来的组合影响。在时域过程中，各个振型并不是一直都会受到影响，组合影响是指：某一时刻起作用的1个或多个结构振型。振型是指某个自振模态下，体系结构振动的形状。不同结构周期通常对应于不同的结构振型。
在一种可能实施方式中，本步骤S2具体包括下述步骤S21至步骤S23：
S21、计算设备使用动力学积分方法求解多条地震波的单自由度体系地震反应，生成与多条地震波中每条地震波对应的弹性时域反应图。
本申请实施例中，动力学积分方法可有多种，例如，杜哈梅积分、Newmarks法、快速傅里叶变换法和中心差分法等。
示例性地，中心差分法是指结构动力学中的中心差分法是基于用有限差分代替位移对时间的求导，对位移一阶求导得到速度，对位移二阶求导得加速度。本申请实施例提供了一种弹性时域反应图的示意图，参见图2，弹性时域反应图的横坐标为时间、纵坐标为频率，弹性时域反应图中每个坐标点表示在频率下的某一时刻，单自由度弹性体系的结构反应与频率下单自由度弹性体系的最大结构反应的比值。需要说明的是，上述坐标轴仅为了对弹性时域反应图进行说明，实际训练使用的弹性时域反应图并不含有坐标轴。弹性时域反应图采用灰度图表示，颜色越亮则代表体系的结构反应与最大结构反应越接近，反之则代表体系的结构反应越小。因此，弹性时域反应图能够以图像的方式直接表征地震波时域特征对结构地震反应的影响。采用弹性时域反应图来训练神经网络，即可良好地训练神经网络模型学习到地震波时域特征与结构地震反应之间的关联，从而得到能够有效考虑时域特征的神经网络模型用于帮助选波。
考虑到实测强震地震记录的缺乏、地震波数量的有限性和地震波的不可重复性，本申请实施例中，使用迁移学习的方式，来有效地扩充新的弹性时域反应图，从而扩大训练图库的规模。下面通过步骤S22和S23进行具体说明。
S22、按照随机确定的排列组合方式，从所有地震波对应的多个弹性时域反应图中选出多组弹性时域反应图，其中，每组弹性时域反应图包括y个弹性时域反应图，y是正整数。
其中，y大于等于2。可选地，y的数值还根据选波所需的目标数量确定，例如，工程应用中需要选取的地震波条数：3条或7条。
其中，随机确定的排列组合方式是指：随机从给定个数的元素中取出指定个数的元素，可以考虑元素排序（排列）也可以不考虑元素排序（组合）。
S23、针对每组弹性时域反应图，将组内的y个弹性时域反应图线性叠加，得到一个组合弹性时域反应图；其中，弹性时域反应图和组合弹性时域反应图构成弹性时域反应图集。
示例性地，本步骤S23进行线性叠加包括：将y张反应图相对应位置的像素值相加后求平均。通过步骤S22-步骤S23，即可得到多个组合弹性时域反应图。
当然，组合弹性时域反应图的数量可以根据模型训练所需的图集规模来设置，本申请对此不作限定，可以理解地，通过排列组合，可以在原有选取的地震波条数上提供更多的弹性时域反应图用于训练模型。
步骤S3、计算设备基于地震波数据集和选定的多个结构模型，对多条地震波进行弹塑性时程分析，得到多条地震波对应的结构地震反应集。
本申请实施例中，弹塑性时程分析是指：将结构（结构模型提供）作为弹塑性振动体系，按照地震波（地震波数据集提供）输入地面运动，通过积分运算，求得在地面加速度随时间变化期间内，结构的内力和变形随时间变化的全过程。
其中，每个结构地震反应表示：一条地震波作用在某一结构模型下引起结构运动速度变化、位移或加速度。
在一种可能实施方式中，计算设备从结构模型库中调用含有不同结构周期的结构模型。可选地，结构模型的振动过程中包括多个不同的结构周期，例如，包括一阶振型周期到三阶振型周期。
需要说明的是，上述步骤S2和步骤S3在步骤S1执行完成之后即可执行，步骤S2可以在步骤S3之前执行，也可以在步骤S4之后执行，本申请对此不作限定。
步骤S4、计算设备根据结构地震反应集，对弹性时域反应图集进行分类，得到分类结果，分类结果指示弹性时域反应图所对应地震波的可靠程度。
本申请实施例中，偏差判定系数表示某一组合结构反应相对于多个组合结构反应的平均值的偏差程度，偏差程度越小，排序越靠前。
本步骤S4将对结构地震反应的分类结果作为训练弹性时域反应图分类过程的训练标签，从而帮助后续模型训练过程提供了学习弹性时域反应图对结构地震反应的依据。
本申请实施例中，结构地震反应集中的每一个结构地震反应都对应于一条地震波，每条地震波都对应于选波时使用的场地条件和目标反应谱。基于结构地震反应和地震波的对应关系，由于弹性时域反应图集中的组合弹性时域反应图是根据多个弹性时域反应图组合得到的，因此，想要将结构地震反应的分类结果作为弹性时域反应图的分类结果，则需要对结构地震反应进行同理的排列组合，按照排列组合后的结构地震反应进行分类。本申请实施例采用了迁移学习（Transfer Learning）思想，通过找到结构地震反应的分类和弹性时域反应图的分类之间的相似性，将这种相似性以分类结果的方式迁移至弹性时域反应图中，实现对弹性时域反应图进行分类的目的。
在这种示例下，步骤S4包括：
步骤S41、按照排列组合方式，从结构地震反应集中，选出多组结构地震反应，每组结构地震反应包括y个结构地震反应，每组结构地震反应构成与相应组合弹性时域反应图对应的组合结构反应。
其中，按照得到组合弹性时域反应图的排列组合方式，选出多组结构地震反应是指：若组合弹性时域反应图M是由地震波A的弹性时域反应图A1、地震波B的弹性时域反应图B1和地震波C的弹性时域反应图C1组合得到的；则选取与组合弹性时域反应图M对应的组合结构反应R时，也按照同理的方式选取地震波A的结构地震反应A2、地震波B的结构地震反应B2和地震波C的结构地震反应C2，来组合得到组合结构反应R。
步骤S42、获得各组合结构反应的偏差判定系数，将所获得的偏差判定系数按照从小到大的顺序排序，并根据排序结果确定各组合结构反应对应的组合弹性时域反应图的分类结果。偏差判定系数越小的组合结构反应排序越靠前。
其中，偏差判定系数为对应组合结构反应相对于各组合结构反应平均值的偏差程度。
本申请实施例中，每个组合结构反应包括y个结构地震反应，y是正整数，步骤S42包括下述步骤1-步骤3。
步骤1、针对第j个组合结构反应，根据第j个组合结构反应内y个结构地震反应各自的组内偏差值，得到第j个组合结构反应的偏差平均值/>，i、j为正整数。/>的计算原理如公式（1）所示。
（1）
其中，代表从第j个组合结构反应中随机选取的第/>条地震波，/>表示第j个组合结构反应内第/>个地震波的结构地震反应的组内偏差值。/>，结构模型包括N个楼层，/>表示第j个组合结构反应在第n层结构的偏差平均值。
本申请实施例中，任一结构模型包括N个楼层，结构地震反应各自的组内偏差值的计算过程包括下述步骤A和步骤B：
步骤A、针对每个组合结构反应，基于组内的多个结构地震反应，计算组内平均值，组内平均值/>包括N个楼层各自的结构反应平均值，表示为：/>，/>为组合结构反应中所有结构地震反应在第n层的结构反应平均值。组内平均值/>的计算原理参见公式（2）。
（2）
其中，，/>为组合结构反应包括的第i条地震波时程分析所得的N个楼层的结构反应（也即是，第i个结构地震反应）；/>为分组内第i条地震波在的第n层的结构反应，n的取值范围为1到N。其中N代表楼层总数，K代表组合结构反应中所有地震波的条数（也即是结构地震反应的总数）。/>，为组合结构反应内N个楼层的结构反应平均值；/>为组合结构反应中第n层的结构反应平均值。
步骤B、将组内多个结构地震反应分别与组内平均值相减，得到多个结构地震反应各自的组内偏差值。
其中，第i个结构地震反应的组内偏差值包括：结构地震反应中的N个楼层各自的结构反应偏差表示为：/>，/>代表分组中第i个结构地震反应中第n个楼层的结构反应减去组内平均值中第n层的结构反应平均值所得的偏差。
步骤2、针对第j个组合结构反应，计算偏差平均值内标量的平均值/>和标准差，将平均值/>和标准差/>相加，得到第j个组合结构反应的偏差判定系数MSS。
其中，偏差平均值内标量的平均值/>偏也即是对第j个组合结构反应的偏差平均值/>内N个楼层对应的N个标量求均值，参见公式（3）。
（3）
其中，偏差平均值内标量的标准差/>也即是计算偏差平均值/>内N个标量相对平均值/>的偏差程度，参见公式（4）。
（4）
第j个组合结构反应的偏差判定系数。可以理解地，本申请实施例中，标准差/>标准差指示了各个组合结构反应内部各个楼层的结构反应的相对于平均值的偏差程度，因此，偏差判定系数MSS能够指示某一个组合结构响应相对于多个组合结构响应整体平均值的偏差程度。
步骤3、将各组合结构反应的偏差判定系数按照从小到大的顺序排序，将排序位于前预设百分比的组合结构反应所对应的组合弹性时域反应图的分类结果确定为目标类型。
其中，预设百分比可以是25%，目标类型也即是排序位于前25%的组合结构反应。在一种可能实施方式中，可以按照排序所在多种预设百分比，将组合结构反应划分为多个类型。例如，第一预设百分比为0-25%，指示排序位于前25%的组合结构反应；第二预设百分比为50%，指示排序位于前26%-50%的组合结构反应，以此类推。可选地，第一预设百分比对应的区间和第二预设百分比对应的区间可以不等长，例如，第一预设百分比为25%，对应区间长度为1/4；第二预设百分比为75%，对应区间长度为2/4，本申请对此不作限定。
本申请实施例中，偏差判定系数表示某一组合结构反应相对于多个组合结构反应的平均值的偏差程度。本申请实施例按照偏差判定系数从小到大，对多个组合结构反应进行排序，排序越靠前的组合结构反应，其偏差程度越小，相应地，该组合结构反应在多个结构地震反应中越标准（接近平均值）。因此，将排序位于前第一区间内的结构反应组合为最标准，或，可靠程度最高的一类组合结构反应。相应地，可靠程度高的组合结构反应对应的地震波也即是可靠程度高的地震波，可靠程度高的地震波对应的弹性时域反应图也即被认为是可靠程度高的弹性时域反应图。在一些实施例中，地震波的可靠程度也即是地震波在一组预选波中的代表性。
基于此，目标类型的弹性时域反应图也即是弹性时域反应图集中可靠程度最高的一类弹性时域反应图。具体实现中，将弹性时域反应图所对应地震波的可靠程度达到预定可靠程度阈值的地震波选择作为目标类型。
通过上述分类过程，则能够根据组合结构反应的分类，对组合弹性时域反应图进行准确分类，完成了从地震波的时域特征到结构地震反应的映射，以帮助神经网络模型来学习弹性时域反应图和结构地震反应之间的关联关系，进而实现在选波过程中有效引入时域特征的目的，大大提升弹性时程分析的合理性。
步骤S5、计算设备使用弹性时域反应图集和分类结果来训练卷积神经网络，直到满足预定的训练目标。
本申请实施例采用卷积神经网络CNN进行训练。卷积神经网络是机器学习领域中主要用于图像识别的神经网络，能够分析提取图像的关键特征，进而根据图像特征完成复杂的识别分类任务。
在一些可能实施方式中，在训练CNN之前，先对弹性时域反应图集进行预处理，以使得处理后的弹性时域反应图能够更好地被卷积神经网络识别。
本申请实施例中，预处理过程包括：针对所述弹性时域反应图集中的多个弹性时域反应图，统一所述多个弹性时域反应图的横坐标范围以及纵坐标范围，清除统一的横坐标范围以及统一的纵坐标范围之外的图像区域的内容。在一些实施例中，清除图像内容是指将图像的像素值置0，以使对应的图像部分不再存在有效内容。
示例性地，针对横向的预处理包括：针对弹性时域反应图集中的多个弹性时域反应图（包括组合弹性时域反应图），将各个图中峰值加速度（Peak Ground Acceleration，PGA）发生的时刻定位为横坐标范围的中值，统一多个弹性时域反应图的横坐标范围，横坐标范围之外的图像部分像素值设置为0。以PGA作为横坐标中点，则能够保证横坐标中心附近区域的图像内容均为有效内容，相当于以峰值加速度为焦点对图像进行聚焦。
示例性地，针对横向的预处理包括：针对多个弹性时域反应图，对纵坐标取对数，将纵坐标范围统一为：[Tn, 2.0T1]，纵坐标范围之外的图像部分像素值设置为0；其中，T1为结构模型的一阶振型周期，n为确保累计振型质量参与系数大于0.9所需的振型数量，Tn为确保累计振型质量参与系数大于0.9对应的振型周期。其中，考虑到结构地震反应主要受低频振型的影响，通过将纵坐标轴取对数，可以增大低频段在图中的占比，从而提供足够范围的像素信息供CNN学习。并且，在训练时为了使CNN能够针对不同周期结构均实现地震动数据选取，对于不同周期的结构模型，通过统一将弹性时域反应图纵坐标截取在[Tn, 2.0T1]范围内，能够锁定图像中对结构地震反应影响最大的周期范围，使训练出的CNN能够针对不同周期结构选取地震波。
为了便于理解上述预处理过程的效果，本申请提供了一种弹性时域反应图的预处理前后对比图，参见图3，图3中（a）部分为预处理前，图3中（b）部分为预处理后，可以看出，预处理后的弹性时域反应图中，充分保留了有效信息。
通过上述预处理过程，能够使各个弹性时域反应图在相同位置处保持相同的物理含义，提升图像中有效信息的占比，从而更利于卷积神经网络的训练。
本申请实施例中，基于弹性时域反应图集和分类结果，训练卷积神经网络，以使卷积神经网络对弹性时域反应图的训练分类结果与分类结果之间的误差满足训练目标。一种具体实现中，预定的训练目标通过使卷积神经网络对弹性时域反应图的训练分类结果与分类结果之间的误差满足预定的误差阈值来实现。示例性地，训练卷积神经网络的过程包括：将预处理后的弹性时域反应图输入至卷积神经网络，调整模型的超参数，以使弹性时域反应图的训练分类结果与分类结果之间的误差满足训练目标。其中，训练目标可以为：以步骤S4中确定的分类结果为训练标签，模型的训练分类结果准确率达到目标值，例如，99%。
进一步的，本申请实施例可以采用不同架构的卷积神经网络进行训练，再将弹性时域反应图集作为测试集，对训练得到的不同架构的CNN模型进行测试，测试过程则是将不同条件（场地条件和反应谱条件）下的弹性时域反应图由训练得到的不同架构卷积神经网络进行分类，将测试分类结果的准确率最高的卷积神经网络模型输出为训练好的卷积神经网络，由于后续的地震选波。
为了便于理解上述步骤S1至步骤S5提供的地震波分类模型训练方法的原理，本申请提供了一种地震波分类模型训练方法的示意图，参见图4，其中，地震波分类模型的训练过程包括：从地震波数据集生成地震波的弹性时域反应图，并结合结构模型库和地震波数据集进行弹塑性时程分析，得到结构地震反应数据库（结构地震反应集）；弹性时域反应图基于迁移学习思想得到组合时域反应图，并由结构地震反应数据库和地震波场地特性和反应谱进行分类，最后基于分类结果来训练卷积神经网络模型。
本申请采用弹性时域反应图表征地震波的时频特征对结构地震反应的影响，根据组合结构反应的分类，对组合弹性时域反应图进行准确分类，完成了从地震波的时域特征到结构地震反应的映射，以帮助神经网络模型来学习弹性时域反应图和结构地震反应之间的关联关系，实现在选波过程中有效引入时域特征的目的；基于此，训练得到的CNN模型能够对地震波的弹性时域反应图进行精准分类，大大提升弹性时程分析的合理性。
进一步地，本申请通过排列组合和线性叠加的方式，有效扩充图集，从而能够在少量地震波的输入下，实现对大量地震波输入下结构反应的稳定估计。
基于上述地震波分类模型的训练方法，本申请提供了一种地震选波方法，利用上述训练得到的地震波分类模型进行地震选波。图5是本申请实施例提供的一种地震选波方法的流程示意图，该地震选波方法包括下述步骤501至步骤503，可以由计算设备执行。
步骤501、计算设备根据给定的目标场地条件、目标反应谱和目标结构周期，选择多条地震波，并使用多条地震波的数据建立备选地震波数据集。
其中，场地条件、目标反应谱和结构周期的相关介绍参考步骤S1，在此不赘述。
示例性地，参考步骤S1中的介绍，计算设备可以根据场地条件、反应谱等，采用反应谱拟合法选择一定数量（大于最终目标数量的3倍）反应谱与目标反应谱拟合最好的地震波作为备选地震波数据集。
步骤502、计算设备生成与多条地震波中每条地震波对应的弹性时域反应图，弹性时域反应图表征地震波的时域特征对结构地震反应的影响。
本步骤参考步骤S21中采用中心差分法生成弹性时域反应图的相关内容，在此不赘述。
步骤503、计算设备利用上述方法实施例训练得到的地震波分类模型，从属于目标类型的弹性时域反应图所对应的地震波中选取目标数量的地震波。
上述地震波分类模型训练方法训练得到的地震波分类模型能够对地震波生成的弹性时域反应图进行精准分类，输入弹性时域反应图即可确定该弹性时域反应图的分类。
其中，目标类型指示弹性时域反应图所对应地震波的可靠程度达到预定可靠程度阈值。目标类型的弹性时域反应图为也即是输入地震波分类模型的多个弹性时域反应图，中最具有代表性的一类弹性时域反应图。具有代表性也即是，最接近输入地震波分类模型的多个弹性时域反应图整体的平均值，因此，所对应地震波的可靠程度越高。目标数量可以根据需求确定，例如，按照标准的3条或7条。
本申请采用弹性时域反应图表征地震波的时频特征对结构地震反应的影响，根据组合结构反应的分类，对组合弹性时域反应图进行准确分类，完成了从地震波的时域特征到结构地震反应的映射，实现在选波过程中有效引入时域特征的目的，利用可靠的地震波实现对结构地震反应的稳定估计，大大提升弹性时程分析的合理性。
为了便于理解上述图1-图5实施例提供的地震波分类模型训练方法以及地震选波方法之间的联系，本申请提供了一种地震选波方法的示意图，参见图6，图6中的插图仅为帮助理解的示意图，并不构成对本申请的限定。如图6所示，首先基于场地条件和反应谱条件，采用两步选波法从地震波数据库中进行初步选波，得到预选地震波。进而采用本申请的核心步骤，对弹性时域反应图进行迁移学习以及分类，构建弹性时域反应图和结构地震反应之间的映射，来训练卷积神经网络，得到地震波分类模型；最后基于地震波分类模型选波即可进行高效的地震波选取，利用选波结果和结构模型即可进行弹塑性时程分析。
本申请提供的地震波分类模型训练方法和地震选波方法能够由计算设备执行。图7是本申请实施例提供的一种计算设备的硬件结构示意图，如图7所示，该计算设备包括处理器701、存储器702、总线703、以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序，处理器701包括一个或一个以上处理核心，存储器702通过总线703与处理器701相连，存储器702用于存储程序指令，所述处理器执行所述计算机程序时实现本申请提供的上述方法实施例中的全部或部分步骤。
进一步地，作为一个可执行方案，上述计算设备可以是计算机单元，该计算机单元可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机单元可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述计算机单元的组成结构仅仅是计算机单元的示例，并不构成对计算机单元的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件。例如所述计算机单元还可以包括输入输出设备、网络接入设备、总线等，本申请实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元（CentralProcessing Unit，CPU），还可以是其他通用处理器、数字信号处理器 （Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列 （Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机单元的控制中心，利用各种接口和线路连接整个计算机单元的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机单元的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例上述方法的步骤。
所述计算机单元集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管结合优选实施方案具体展示和介绍了本申请，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本申请的精神和范围内，在形式上和细节上可以对本申请做出各种变化，均为本申请的保护范围。
Claims (7)
1.一种地震波分类模型的训练方法，其特征在于，包括：
S1、根据给定的多种场地条件、多种结构周期和多种目标反应谱，选取多条地震波，并使用所述多条地震波的数据建立地震波数据集；
S21、使用动力学积分方法求解所述多条地震波的单自由度体系地震反应，生成与所述多条地震波中每条地震波对应的弹性时域反应图，所述弹性时域反应图表征地震波的时域特征对结构地震反应的影响；
S22、按照随机确定的排列组合方式，从所有地震波对应的多个弹性时域反应图中选出多组弹性时域反应图，其中，每组弹性时域反应图包括y个所述弹性时域反应图，y是正整数；
S23、针对每组弹性时域反应图，将组内的y个弹性时域反应图线性叠加，得到一个组合弹性时域反应图；其中，所述弹性时域反应图和所述组合弹性时域反应图构成所述弹性时域反应图集；
S3、基于所述地震波数据集和选定的多个结构模型，对所述多条地震波进行弹塑性时程分析，得到所述多条地震波对应的结构地震反应集；
S41、按照所述排列组合方式，从所述结构地震反应集中，选出多组结构地震反应，每组结构地震反应包括y个结构地震反应，每组结构地震反应构成与相应组合弹性时域反应图对应的组合结构反应；
S42、针对第j个组合结构反应，根据所述第j个组合结构反应内y个结构地震反应各自的组内偏差值，得到所述第j个组合结构反应的偏差平均值/>，i和j为正整数；针对第j个组合结构反应，计算所述偏差平均值/>内标量的平均值/>和标准差/>，将所述平均值和标准差/>相加，得到第j个组合结构反应的偏差判定系数；将所述各组合结构反应的所述偏差判定系数按照从小到大的顺序排序，将排序位于前预设百分比的组合结构反应所对应的组合弹性时域反应图的分类结果确定为目标类型；
其中，所述偏差判定系数为对应组合结构反应相对于所述各组合结构反应平均值的偏差程度，所述分类结果指示弹性时域反应图所对应地震波的可靠程度；
S5、使用所述弹性时域反应图集和所述分类结果来训练卷积神经网络，直到满足预定的训练目标。
2.根据权利要求1所述的训练方法，其特征在于，任一所述结构模型包括N个楼层，所述结构地震反应各自的组内偏差值的计算过程包括：
针对每个结构反应组合，基于组内的多个结构地震反应，计算组内平均值，所述组内平均值/>包括N个楼层各自的结构反应平均值：/>，/>为分组中所有结构地震反应在第N层的结构反应平均值；
将所述分组内多个结构地震反应分别与所述组内平均值相减，得到所述多个结构地震反应各自的所述组内偏差值；
其中，第i个结构地震反应的组内偏差值包括结构地震反应中的N个楼层各自的结构反应偏差：/>；/>代表分组中第i个结构地震反应中第N个楼层的结构反应减去所述组内平均值中第N层的结构反应平均值所得的偏差，/>为所述第i个结构地震反应。
3.根据权利要求1所述的训练方法，其特征在于，以时间为横坐标、以频率为纵坐标构建所述弹性时域反应图，所述弹性时域反应图中每个坐标点表示在对应频率下的对应时刻、单自由度弹性体系的结构反应与对应频率下单自由度弹性体系的最大结构反应的比值。
4.根据权利要求1所述的训练方法，其特征在于，执行步骤S5之前，所述方法还包括：
针对所述弹性时域反应图集中的多个弹性时域反应图，统一所述多个弹性时域反应图的横坐标范围以及纵坐标范围；将各个弹性时域反应图中的峰值加速度PGA发生的时刻定位为横坐标范围的中值，将所述横坐标范围之外的图像区域的像素值设置为0；
对各个弹性时域反应图的纵坐标取对数，将各个弹性时域反应图的纵坐标范围统一为：[Tn , 2.0T1]，将所述纵坐标范围之外图像区域的像素值设置为0；其中，T1为结构模型的一阶振型周期，n为确保累计振型质量参与系数大于0.9所需的振型数量，Tn为确保累计振型质量参与系数大于0.9对应的振型周期。
5.一种地震选波方法，其特征在于，所述方法包括：
根据给定的目标场地条件、目标反应谱和目标结构周期，选择多条地震波，并使用所述多条地震波的数据建立备选地震波数据集；
根据所述备选地震波数据集，使用动力学积分方法求解所述多条地震波的单自由度体系地震反应，生成与所述多条地震波中每条地震波对应的弹性时域反应图，所述弹性时域反应图表征地震波的时域特征对结构地震反应的影响；
利用权利要求1-4任一项所述训练方法训练得到的地震波分类模型，对多个弹性时域反应图进行分类，从属于目标类型的弹性时域反应图所对应的地震波中选取目标数量的地震波，所述目标类型指示所述弹性时域反应图所对应地震波的可靠程度达到预定可靠程度阈值。
6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求1至4任一所述的地震波分类模型的训练方法，或者，如权利要求5所述的地震选波方法。
7.一种计算设备，其特征在于，包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如权利要求1至4任一所述的地震波分类模型的训练方法，或者，如权利要求5所述的地震选波方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076682.XA CN116776208B (zh) | 2023-08-25 | 2023-08-25 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076682.XA CN116776208B (zh) | 2023-08-25 | 2023-08-25 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776208A CN116776208A (zh) | 2023-09-19 |
| CN116776208B true CN116776208B (zh) | 2023-10-20 |
Family
ID=87993541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311076682.XA Active CN116776208B (zh) | 2023-08-25 | 2023-08-25 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776208B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332703B (zh) * | 2023-12-01 | 2024-02-02 | 华侨大学 | 人工地震波生成方法、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544791A (zh) * | 2012-07-10 | 2014-01-29 | 中国矿业大学(北京) | 基于地震波的地下入侵监测系统 |
| CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
| CN109613611A (zh) * | 2019-01-24 | 2019-04-12 | 河北工业大学 | 用于结构抗震时程分析的输入地震波的确定方法及系统 |
| CN115374668A (zh) * | 2022-08-04 | 2022-11-22 | 华侨大学 | 一种地震影响下石材幕墙面板的平面内位移响应分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11668848B2 (en) * | 2021-06-24 | 2023-06-06 | Saudi Arabian Oil Company | Method and system for seismic imaging using S-wave velocity models and machine learning |
-
2023
- 2023-08-25 CN CN202311076682.XA patent/CN116776208B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544791A (zh) * | 2012-07-10 | 2014-01-29 | 中国矿业大学(北京) | 基于地震波的地下入侵监测系统 |
| CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
| CN109613611A (zh) * | 2019-01-24 | 2019-04-12 | 河北工业大学 | 用于结构抗震时程分析的输入地震波的确定方法及系统 |
| CN115374668A (zh) * | 2022-08-04 | 2022-11-22 | 华侨大学 | 一种地震影响下石材幕墙面板的平面内位移响应分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| Liu Yi ; Li Xiong-yan ; Xue Su-duo.The effect of oblique incidence of seismic wave on seismic response of pile-soil-latticed shell.《Journal of Vibration Engineering》.2015,第139-147页. * |
| 胡红松等.两自由度滑移隔震体系的上部结构最大地震反应分析.《建筑结构学报》.2023,第44卷(第1期),第23-32页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776208A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199214B (zh) | 一种残差网络多光谱图像地物分类方法 | |
| GB2614849A (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| KR20190031318A (ko) | 도메인 분리 뉴럴 네트워크들 | |
| US11645518B2 (en) | Multi-agent simulations | |
| US11144782B2 (en) | Generating video frames using neural networks | |
| US20200065656A1 (en) | Training neural networks using a clustering loss | |
| US11488067B2 (en) | Training machine learning models using teacher annealing | |
| US20210150347A1 (en) | Guided training of machine learning models with convolution layer feature data fusion | |
| US20220129740A1 (en) | Convolutional neural networks with soft kernel selection | |
| CN116776208B (zh) | 地震波分类模型的训练方法、地震选波方法、设备及介质 | |
| US10909457B2 (en) | Compound model scaling for neural networks | |
| US11508120B2 (en) | Methods and apparatus to generate a three-dimensional (3D) model for 3D scene reconstruction | |
| CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
| US20200065664A1 (en) | System and method of measuring the robustness of a deep neural network | |
| CN111027576A (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
| CN112085056A (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
| CN117217280A (zh) | 神经网络模型优化方法、装置及计算设备 | |
| US20210166131A1 (en) | Training spectral inference neural networks using bilevel optimization | |
| CN116432736A (zh) | 神经网络模型优化方法、装置及计算设备 | |
| US20220044109A1 (en) | Quantization-aware training of quantized neural networks | |
| CN111899283B (zh) | 一种视频目标跟踪方法 | |
| CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
| CN111679903A (zh) | 一种面向深度学习的边云协同装置 | |
| CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
| CN111160439A (zh) | 一种无人机系统自主能力评价方法、系统及可读存储介质 |
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 |