CN117077897B - 一种地震灾害破坏推演方法及系统 - Google Patents
一种地震灾害破坏推演方法及系统 Download PDFInfo
- Publication number
- CN117077897B CN117077897B CN202311220698.3A CN202311220698A CN117077897B CN 117077897 B CN117077897 B CN 117077897B CN 202311220698 A CN202311220698 A CN 202311220698A CN 117077897 B CN117077897 B CN 117077897B
- Authority
- CN
- China
- Prior art keywords
- disaster event
- earthquake
- event information
- information
- analyzed
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 41
- 238000004088 simulation Methods 0.000 claims description 30
- 238000013473 artificial intelligence Methods 0.000 claims description 28
- 238000000556 factor analysis Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Geophysics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供的一种地震灾害破坏推演方法及系统，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。本申请能够通过与历史地震数据进行匹配，通过AI模型进行配合，能评估出各震害影响因素综合作用下，能够精确地获得可能出现的全部破坏等级及出现各种破坏等级的概率，从而实现救援力量有效的部署。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种地震灾害破坏推演方法及系统。
背景技术
目前常用于震害评估的方法大致包括基于历史震害的统计分析法、基于力学计算的理论分析法和半经验半理论法等。基于历史震害的统计分析法直观、明确，便于理解和应用，但评估的结果是各类群体的破坏情况，不能反映破坏的空间分布情况，且适用范围有限。基于力学计算的理论分析法可获得其他方法无法得到的破坏详细情况，其评估结果具有长效性。但在计算过程中，力学模型的建立及其参数的确定都有赖于大量试验数据的积累，而分析方法的正确性和计算结果的可靠性也要通过大规模的模拟试验加以验证，评估结果虽能反映出破坏情况，但缺乏实例验证且评估过程工作量巨大。半经验半理论法虽综合了经验方法和理论方法各自的优点，使其局限性减小，适用场合和适用范围增大，应用逐渐广泛和成熟。但在评估过程中人为主观意识强烈，缺乏科学性和自主学习能力，自适应能力不足，从而导致对地震灾害的推演不够准确且可靠。因此，亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种地震灾害破坏推演方法及系统。
第一方面，提供一种地震灾害破坏推演方法，所述方法包括：基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息；基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子；基于地震破坏结果，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果；其中，所述若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：获得震例信息和基础信息中的地下结构信息，根据所述震例信息和所述地下结构信息量化出震害影响系数；将所述震害影响系数进行均衡化处理，获得对应的均衡化处理结果；对所述均衡化处理结果进行数据归一化处理，得到样本数据库，其中，样本数据库包含：训练集、验证集和测试集；根据所述训练集、所述验证集和所述测试集搭建神经网络，通过数据优化函数对所述神经网络进行系数优化，获得最优的初始权值和阈值；将所述最优的初始权值和阈值反馈至所述神经网络中，获得震害评估模型；通过所述震害评估模型对所述需要进行分析的地震灾害事件信息进行计算，获得地震损害结果。
在一种独立实施的实施例中，当从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息时，所述基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，之前还包括：基于每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，从所述不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息；所述基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，包括：基于人工智能模拟的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与所述第一事先设定数目的需要进行分析的地震灾害事件信息中每一个需要进行分析的地震灾害事件信息之间的共享因子。
在一种独立实施的实施例中，所述基于每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，从所述不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息，包括以下至少一项：依据所述每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，对每一个需要进行分析的地震灾害事件信息进行排布，并基于排布结果依照指定顺序挑选出第一事先设定数目的需要进行分析的地震灾害事件信息；将所述不少于一个需要进行分析的地震灾害事件信息划分为若干个数据集合，依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从所述其中一个数据集合中挑选需要进行分析的地震灾害事件信息，以使得从所述若干个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量符合第一事先设定数目。
在一种独立实施的实施例中，所述依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从所述其中一个数据集合中挑选需要进行分析的地震灾害事件信息，包括：依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，挑选与目标地震灾害事件信息之间的差异最小的需要进行分析的地震灾害事件信息确定为符合事先设定获得方式的需要进行分析的地震灾害事件信息。
在一种独立实施的实施例中，所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子包括：所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子以及所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子；基于人工智能模拟技术的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，包括：基于人工智能模拟的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，以及基于人工智能模拟的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子。
在一种独立实施的实施例中，基于地震破坏结果，确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息存在共性；若所述目标地震灾害事件的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息存在共性；若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息不存在共性；若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性要求，则依据所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息，并通过数据优化函数优化神经网络以及震害评估模型，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性，并基于地震破坏结果，确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果；其中，所述若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：获得震例信息和基础信息中的地下结构信息，根据所述震例信息和所述地下结构信息量化出震害影响系数；将所述震害影响系数进行均衡化处理，获得对应的均衡化处理结果；对所述均衡化处理结果进行数据归一化处理，得到样本数据库，其中，样本数据库包含：训练集、验证集和测试集；根据所述训练集、所述验证集和所述测试集搭建神经网络，通过数据优化函数对所述神经网络进行系数优化，获得最优的初始权值和阈值；将所述最优的初始权值和阈值反馈至所述神经网络中，获得震害评估模型；通过所述震害评估模型对所述需要进行分析的地震灾害事件信息进行计算，获得地震损害结果。
在一种独立实施的实施例中，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，包括：计算所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息的属性共享因子以及关键共享因子；根据计算结果，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子。
在一种独立实施的实施例中，确定所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子，包括：获得第一重要因子集合以及第二重要因子集合，所述第一重要因子集合中涵盖所述目标地震灾害事件信息的关键信息对应的不少于一个重要因子，所述第二重要因子集合中涵盖所述其中一个需要进行分析的地震灾害事件信息的关键信息对应的不少于一个重要因子；确定所述第一重要因子集合以及所述第二重要因子集合的共享因子为所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子。
在一种独立实施的实施例中，所述基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，包括：基于事先设定的地震灾害事件对应的共享因子评估函数，依照事先设定查询方式分别确定每一个地震灾害事件信息以及目标地震灾害事件信息的查询；依据每一个地震灾害事件信息以及目标地震灾害事件信息分别对应的查询，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息；符合所述事先设定查询方式的查询由若干个组以及每组中的历史地震系数构成。
第二方面，提供一种地震灾害破坏推演系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本申请实施例所提供的一种地震灾害破坏推演方法及系统，基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，然后基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，并基于地震破坏结果，分别确定目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。本申请能够通过与历史地震数据进行匹配，通过AI模型进行配合，能评估出各震害影响因素综合作用下，能够精确地获得可能出现的全部破坏等级及出现各种破坏等级的概率，从而实现救援力量有效的部署。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种地震灾害破坏推演方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种地震灾害破坏推演方法，该方法可以包括以下步骤S101-步骤S104所描述的技术方案。
步骤S101、基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息。
其中，事先设定的地震灾害事件可以理解为预设的地震灾害数据集（比如：包括有地震等级设定信息如1级地震、2级地震....10级地震）。目标地震灾害事件信息可以理解为实时发生的地震信息，其中，包括：地震是横波还是纵波或者是二者相结合以及地震振动的强度等信息。
其中，共享因子评估函数可以理解为相似度的计算方式。
步骤S102、基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子。
其中，共享因子分析方式可以理解为相似度分析规则。
其中，人工智能模拟技术可以理解为一个地震模拟，可以模拟出地震的破坏力，从而能够推演出山川以及建筑受到损害的情况。
比如，结合地震强度、建筑物所处环境及自身结构特征等，选取地震烈度、场地类型、发震断层类型、距震中距离、距发震断层距离、建筑物结构类型、建筑用途、抗震设防烈度作为建筑物震害主要影响因素，收集整理历史地震案例等资料，获取主要影响因素及建筑物破坏等级信息。
进一步地，对按上述标准量化取值后的震害信息进行均衡化和归一化处理，得到用于构震害评估模型的样本数据集。
步骤S103、基于地震破坏结果，分别确定目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性。
进一步地，地震破坏结果可以理解为历史上发生地震时，对山体或者建筑等的破坏情况。
其中，共性可以理解为相似度。
其中，地震破坏结果可有理解为地震强度等级以及距离震中的距离（离震中的距离越近受到的破坏越大，离震中越远就存在地震等级衰减的情况，受到的破坏越小）。
步骤S104、若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。
示例性的，基础信息包括：
对于本申请实施例，若步骤S101中仅评估一个需要进行分析的地震灾害事件信息，则通过人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息与评估的该需要进行分析的的地震灾害事件信息是否存在共性；若步骤S101中评估不少于一个需要进行分析的地震灾害事件信息，则通过人工智能模拟的地震灾害事件共享因子分析方式，分别确定目标地震灾害事件信息与评估的每一个需要进行分析的的地震灾害事件信息是否存在共性。
步骤S102、步骤S103和步骤S104中可以包括：基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，并基于地震破坏结果确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，直至分别确定出目标地震灾害事件信息与每一个需要进行分析的地震灾害事件是否存在共性。其中，基于人工智能模拟技术的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，在此不再赘述；其中，地震损害结果包括山体受到地震发生滑坡或者崩塌、建筑受到地震发生开裂或者倒塌、桥梁受到地震发生开裂或者倒塌以及由于地震导致山体发生滑坡或者崩塌，从而导致堰塞湖的发生等情况。
本申请实施例通过基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，然后基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，并基于地震破坏结果，分别确定目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息。
本申请实施例的一种可能的实现方式，步骤S101可以包括：步骤S1011以及步骤S1012，具体可以包括以下内容。
步骤S1011、基于事先设定的地震灾害事件对应的共享因子评估函数，依照事先设定查询方式分别确定每一个地震灾害事件信息以及目标地震灾害事件信息的查询。
其中，符合事先设定查询方式的查询由若干个组以及每组中的历史地震系数构成。
步骤S1012、依据每一个地震灾害事件信息以及目标地震灾害事件信息分别对应的查询，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息。
本申请实施例的一种可能的实现方式，当从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息时，步骤S102之前还可以包括：步骤Sa，步骤S102可以包括步骤S1021，可以包括如下内容。
步骤Sa、基于每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，从不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息。
对于本申请实施例，每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异。在本申请实施例中，以汉明差异为例进行介绍。
对于本申请实施例，若步骤S101中基于联合机器学习以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，由于在步骤S101中通过联合机器学习进行共享因子计算时，已经计算出了每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的汉明差异，则步骤Sa中可以直接基于需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的汉明差异，从不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息。具体的挑选方式详见步骤Sa1以及步骤Sa2，在此不再赘述。
对于本申请实施例，第一事先设定数目可以由用户事先设定设置，也可以由计算设备设置。在本申请实施例中不做限定。
步骤S1021、基于人工智能模拟的地震灾害事件共享因子分析方式，分别确定目标地震灾害事件信息与第一事先设定数目的需要进行分析的地震灾害事件信息中每一个需要进行分析的地震灾害事件信息之间的共享因子。
譬如，步骤S101中基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估X2个需要进行分析的地震灾害事件信息，步骤Sa中从X2个需要进行分析的地震灾害事件信息挑选出Y个需要进行分析的地震灾害事件信息，其中，Y《X2，则通过步骤Sa以及步骤S1021可以得到：通过人工智能模拟的地震灾害事件共享因子算法，计算共享因子时，时间复杂度由A（X2）下降为A（Y），时间复杂度大大下降，降低了计算成本。
对于本申请实施例，步骤S1021可以包括：基于人工智能模拟的地震灾害事件共享因子分析方式，评估目标地震灾害事件信息与第一事先设定数目的需要进行分析的地震灾害事件信息中其中一个需要进行分析的地震灾害事件信息之间共享因子，直至评估出目标地震灾害事件信息与第一事先设定数目的需要进行分析的地震灾害事件信息中每一个需要进行分析的地震灾害事件信息之间的共享因子。其中，基于人工智能模拟技术的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，包括：步骤Sb，在此不在赘述。
本在一种可能实施的实施例中，步骤Sa具体可以包括：步骤Sa1以及步骤Sa2中不少于一个，可以包括如下步骤。
步骤Sa1、基于每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，对每一个需要进行分析的地震灾害事件信息进行排布，并基于排布结果依照指定顺序挑选出第一事先设定数目的需要进行分析的地震灾害事件信息。
对于本申请实施例，步骤Sa1中的排布方式可以选用线性排布。
对于本申请实施例，基于X2个需要进行分析的地震灾害事件信息中每一个需要进行分析的地震灾害事件信息分别与目标地震灾害事件信息之间的差异，对X2个需要进行分析的地震灾害事件信息依照特定的排布算法进行排布，并基于排布结果依照差异指定顺序挑选出Y个需要进行分析的地震灾害事件信息。
譬如，X2为5，Y为3，5个需要进行分析的地震灾害事件信息（需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息2、需要进行分析的地震灾害事件信息3、需要进行分析的地震灾害事件信息4以及需要进行分析的地震灾害事件信息5）与目标地震灾害事件信息之间的差异分别为1、3、2、6、4，则上述5个需要进行分析的地震灾害事件信息依照从小到大进行排布依次为需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息3、需要进行分析的地震灾害事件信息2、需要进行分析的地震灾害事件信息5以及需要进行分析的地震灾害事件信息5，则挑选出的3个需要进行分析的地震灾害事件信息分别为需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息3、需要进行分析的地震灾害事件信息2。
步骤Sa2、将不少于一个需要进行分析的地震灾害事件信息划分为若干个数据集合，依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从其中一个数据集合中挑选需要进行分析的地震灾害事件信息，以使得从若干个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量符合第一事先设定数目。
对于本申请实施例，将步骤S101中评估的不少于一个需要进行分析的地震灾害事件信息（X2个需要进行分析的地震灾害事件信息），划分为若干个数据集合，其中每个数据集合中涵盖不少于一个需要进行分析的地震灾害事件信息，针对其中一个数据集合，基于该数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的汉明差异，从该数据集合中挑选需要进行分析的地震灾害事件信息，以使得依照上述事先设定挑选原则从每一个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量总和符合第一事先设定数目（Y）。
譬如，第一事先设定数目为3，步骤S101中评估5个需要进行分析的地震灾害事件信息（需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息2、需要进行分析的地震灾害事件信息3、需要进行分析的地震灾害事件信息4以及需要进行分析的地震灾害事件信息5），将该5个需要进行分析的地震灾害事件信息划分为2个数据集合，分别为数据集合1以及数据集合2，其中数据集合1中包括需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息2以及需要进行分析的地震灾害事件信息4，数据集合2中包括需要进行分析的地震灾害事件信息3以及需要进行分析的地震灾害事件信息5，事先设定挑选原则可以为从数据集合1中依照差异由小到大挑选出2个需要进行分析的地震灾害事件信息，从数据集合2中依照差异从小到大挑选出1个需要进行分析的地震灾害事件信息，则依照该事先设定挑选原则，从数据集合1中挑选出需要进行分析的地震灾害事件信息1以及需要进行分析的地震灾害事件信息2，从数据集合2中挑选出需要进行分析的地震灾害事件信息3，以使得从2个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量为3。
下述详细介绍一种可能的实现方式，即将步骤S101中评估的需要进行分析的地震灾害事件信息划分为第一事先设定数目的数据集合（Y个数据集合），并从Y个数据集合的每一个数据集合中挑选出该数据集合中与目标地震灾害事件信息差异最小的需要进行分析的地震灾害事件信息，具体如下所示：
本在一种可能实施的实施例中，步骤Sa2中依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从其中一个数据集合中挑选需要进行分析的地震灾害事件信息，包括：依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，挑选与目标地震灾害事件信息之间的差异最小的需要进行分析的地震灾害事件信息确定为符合事先设定获得方式的需要进行分析的地震灾害事件信息。
譬如，第一事先设定数目为3，步骤S101中评估5个需要进行分析的地震灾害事件信息（需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息2、需要进行分析的地震灾害事件信息3、需要进行分析的地震灾害事件信息4以及需要进行分析的地震灾害事件信息5），则将5个需要进行分析的地震灾害事件信息划分为3个数据集合，分别为数据集合1、数据集合2以及数据集合3，其实，数据集合1中包括：需要进行分析的地震灾害事件信息1以及需要进行分析的地震灾害事件信息5，数据集合2中包括：需要进行分析的地震灾害事件信息2以及需要进行分析的地震灾害事件信息4，数据集合3中包括：需要进行分析的地震灾害事件信息3，其中，数据集合1中与目标地震灾害事件信息之间的差异最小的需要进行分析的地震灾害事件信息为需要进行分析的地震灾害事件信息1，数据集合2中与目标地震灾害事件信息之间的差异最小的需要进行分析的地震灾害事件信息为需要进行分析的地震灾害事件信息2，数据集合3中仅包括1个需要进行分析的地震灾害事件信息，则挑选的需要进行分析的地震灾害事件信息分别为需要进行分析的地震灾害事件信息1、需要进行分析的地震灾害事件信息2以及需要进行分析的地震灾害事件信息3。
对于本申请实施例，通过需要进行分析的地震灾害事件信息划分为若干个数据集合，其中每个数据集合中涵盖不少于一个需要进行分析的地震灾害事件信息，针对其中一个数据集合，基于该数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的汉明差异，从该数据集合中挑选需要进行分析的地震灾害事件信息，以使得依照上述事先设定挑选原则从每一个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量总和符合第一事先设定数目（Y）。
在上述实施例的基础上，目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子包括：目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子以及目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子；因此基于人工智能模拟技术的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，包括：步骤Sb，可以包括如下步骤。
步骤Sb、基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，以及基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子。
对于本申请实施例，基于目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，以及目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果；其中，所述若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：获得震例信息和基础信息中的地下结构信息，根据所述震例信息和所述地下结构信息量化出震害影响系数；将所述震害影响系数进行均衡化处理，获得对应的均衡化处理结果；对所述均衡化处理结果进行数据归一化处理，得到样本数据库，其中，样本数据库包含：训练集、验证集和测试集；根据所述训练集、所述验证集和所述测试集搭建神经网络，通过数据优化函数对所述神经网络进行系数优化，获得最优的初始权值和阈值；将所述最优的初始权值和阈值反馈至所述神经网络中，获得震害评估模型；通过所述震害评估模型对所述需要进行分析的地震灾害事件信息进行计算，获得地震损害结果。。
对于本申请实施例，基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，主要通过确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性，目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息是否存在共性；还可以根据目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性。
本申请实施例的一种可能的实现方式，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，包括：计算目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息的属性共享因子以及关键共享因子；基于计算结果，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子。
本申请实施例的一种可能的实现方式，确定目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子，包括：获得第一重要因子集合以及第二重要因子集合；确定第一重要因子集合以及第二重要因子集合的共享因子为目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子。
其中，第一重要因子集合中涵盖目标地震灾害事件信息的关键信息对应的不少于一个重要因子，第二重要因子集合中涵盖其中一个需要进行分析的地震灾害事件信息的关键信息对应的不少于一个重要因子。
对于本申请实施例，基于第一重要因子集合以及第二重要因子集合的共享因子确定目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息是否存在共性。
对于本申请实施例，步骤Sb中基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，以及基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子，因此基于地震破坏结果，可以确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。
对于本申请实施例，基于步骤Sb中目标地震灾害事件信息的关键信息与该其中一个地震灾害事件信息的关键信息之间的共享因子，以得到是否存在共性的地震破坏结果，以及目标地震灾害事件信息的主题信息与该其中一个地震灾害事件信息的主题信息之间的共享因子，以得到是否存在共性的地震破坏结果，进而确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。在本申请实施例中，通过人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性，以及基于人工智能模拟的地震灾害事件共享因子分析方式，确定目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息是否存在共性，并基于上述地震破坏结果，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，可以提高存在共性重复评估的准确度，减少误判，并且可以提高计算效率。
对于本申请实施例，当目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息存在共性（即目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求），则地震破坏结果记为P，反之不存在共性（反之不符合存在共性要求），则地震破坏结果记为X；当目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的主题信息存在共性（即目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求），则地震破坏结果记为P，反之不存在共性（反之不符合存在共性要求），则地震破坏结果记为X，因此当地震破坏结果同为P，则输出P（目标地震灾害事件信息与该其中一个需要进行分析的地震灾害事件信息存在共性），具体详见步骤Sc1；当地震破坏结果同为X，则输出X（目标地震灾害事件信息与该其中一个需要进行分析的地震灾害事件信息不存在共性），具体详见步骤Sc2；当主题信息的地震破坏结果为X，关键信息的输出结果为P，则输出P（目标地震灾害事件信息与该其中一个需要进行分析的地震灾害事件信息存在共性），具体详见步骤Sc3；当主题信息的地震破坏结果为P，关键信息的输出结果为X，则需要对目标地震灾害事件信息的主题信息以及该其中一个需要进行分析的地震灾害事件信息的主题信息进行进一步评估，具体详见步骤Sc4。
本在一种可能实施的实施例中，基于地震破坏结果，确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，具体可以包括：步骤Sc1、步骤Sc2、步骤Sc3以及步骤Sc4，其中，
步骤Sc1、若目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息存在共性。
步骤Sc2、若目标地震灾害事件的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息存在共性。
步骤Sc3、若目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性，则确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息不存在共性。
步骤Sc4、若目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且目标地震灾害事件信息的关键信息与其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性要求，则基于目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息，并通过数据优化函数优化神经网络以及震害评估模型，确定目标地震灾害事件信息的主题信息与其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性，并基于地震破坏结果，确定目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。
最后计算得到的每条输入数据对应的置信度就是各震害影响因素综合作用下，可能出现的所有破坏等级对应的概率。
基于上述方法对于第条规则，假设给定，激活权重的计算公式如下所示：实施例，将目标地震灾害事件信息通过三层级联框架，进行地震灾害事件共享因子评估，第一层为将目标地震灾害事件信息通过事先设定的地震灾害事件对应的共享因子评估函数（譬如联合机器学习），评估X2个需要进行分析的地震灾害事件信息，然后通过第二层算法挑选出Y个需要进行分析的地震灾害事件信息（譬如通过局部最优线性时间挑选出Y个需要进行分析的地震灾害事件信息），然后通过第三层算法，即将目标地震灾害事件信息分别与Y个需要进行分析的地震灾害事件信息进行主题共享因子评估以及正文共享因子评估，并将主题共享因子评估结果以及正文共享因子评估的结果进行融合，得到目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。其中，在进行正文共享因子评估时，从关键信息中抽取K个重要因子，得到重要因子集合，并基于目标地震灾害事件信息重要因子集合与需要进行分析的地震灾害事件信息分别对应的重要因子集合，确定关键信息的是否存在共性。
在上述基础上，提供了一种地震灾害破坏推演装置，所述装置包括：
信息分析模块，用于基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息；
因子确定模块，用于基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子；
共性确定模块，用于基于地震破坏结果，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；
判断确定模块，用于若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。
在上述基础上，示出了一种地震灾害破坏推演系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，然后基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，并基于地震破坏结果，分别确定目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果。本申请能够通过与历史地震数据进行匹配，通过AI模型进行配合，能评估出各震害影响因素综合作用下，能够精确地获得可能出现的全部破坏等级及出现各种破坏等级的概率，从而实现救援力量有效的部署。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种地震灾害破坏推演方法，其特征在于，所述方法包括：
基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息；
基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子；
基于地震破坏结果，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息是否存在共性；
若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果；
其中，当从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息时，所述基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，之前还包括：基于每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，从所述不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息；
所述基于人工智能模拟技术的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与每一个需要进行分析的地震灾害事件信息之间的共享因子，包括：基于人工智能模拟的地震灾害事件共享因子分析方式，分别确定所述目标地震灾害事件信息与所述第一事先设定数目的需要进行分析的地震灾害事件信息中每一个需要进行分析的地震灾害事件信息之间的共享因子；
其中，所述基于每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，从所述不少于一个需要进行分析的地震灾害事件信息中挑选出第一事先设定数目的需要进行分析的地震灾害事件信息，包括以下至少一项：
依据所述每一个需要进行分析的地震灾害事件信息与所述目标地震灾害事件信息之间的差异，对每一个需要进行分析的地震灾害事件信息进行排布，并基于排布结果依照指定顺序挑选出第一事先设定数目的需要进行分析的地震灾害事件信息；
将所述不少于一个需要进行分析的地震灾害事件信息划分为若干个数据集合，依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从所述其中一个数据集合中挑选需要进行分析的地震灾害事件信息，以使得从所述若干个数据集合中挑选出的需要进行分析的地震灾害事件信息的数量符合第一事先设定数目；
其中，所述依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，依据事先设定挑选方式从所述其中一个数据集合中挑选需要进行分析的地震灾害事件信息，包括：
依照其中一个数据集合中每一个需要进行分析的地震灾害事件信息与目标地震灾害事件信息之间的差异，挑选与目标地震灾害事件信息之间的差异最小的需要进行分析的地震灾害事件信息确定为符合事先设定获得方式的需要进行分析的地震灾害事件信息；
其中，所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子包括：
所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子以及所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子；
基于人工智能模拟技术的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息与其中一个需要进行分析的地震灾害事件信息之间的共享因子，包括：基于人工智能模拟的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，以及基于人工智能模拟的地震灾害事件共享因子分析方式，确定所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子；
其中，基于地震破坏结果，确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：
若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息存在共性；
若所述目标地震灾害事件的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子符合存在共性要求，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息存在共性；若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子不符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性，则确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息不存在共性；
若所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子符合存在共性要求，且所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子不符合存在共性要求，则依据所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息，并通过数据优化函数优化神经网络以及震害评估模型，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息是否存在共性，并基于地震破坏结果，确定所述目标地震灾害事件信息与所述其中一个需要进行分析的地震灾害事件信息是否存在共性；若存在共性，则根据历史地震数和灾害受损信息推演出，获得地震损害结果；
其中，所述若不存在共性，则获得震例信息和基础信息，根据所述震例信息和所述基础信息评估震害影响系数，建立样本数据库，通过所述样本数据库搭建神经网络进行，根据数据优化函数对所述神经网络进行优化，构建出震害评估模型，将所述需要进行分析的地震灾害事件信息输入至所述震害评估模型中进行计算，获得地震损害结果，包括：
获得震例信息和基础信息中的地下结构信息，根据所述震例信息和所述地下结构信息量化出震害影响系数；
将所述震害影响系数进行均衡化处理，获得对应的均衡化处理结果；
对所述均衡化处理结果进行数据归一化处理，得到样本数据库，其中，样本数据库包含：训练集、验证集和测试集；
根据所述训练集、所述验证集和所述测试集搭建神经网络，通过数据优化函数对所述神经网络进行系数优化，获得最优的初始权值和阈值；
将所述最优的初始权值和阈值反馈至所述神经网络中，获得震害评估模型；
通过所述震害评估模型对所述需要进行分析的地震灾害事件信息进行计算，获得地震损害结果。
2.根据权利要求1所述的方法，其特征在于，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子，包括：
计算所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息的属性共享因子以及关键共享因子；
根据计算结果，确定所述目标地震灾害事件信息的主题信息与所述其中一个需要进行分析的地震灾害事件信息的主题信息之间的共享因子。
3.根据权利要求2所述的方法，其特征在于，确定所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子，包括：
获得第一重要因子集合以及第二重要因子集合，所述第一重要因子集合中涵盖所述目标地震灾害事件信息的关键信息对应的不少于一个重要因子，所述第二重要因子集合中涵盖所述其中一个需要进行分析的地震灾害事件信息的关键信息对应的不少于一个重要因子；
确定所述第一重要因子集合以及所述第二重要因子集合的共享因子为所述目标地震灾害事件信息的关键信息与所述其中一个需要进行分析的地震灾害事件信息的关键信息之间的共享因子。
4.根据权利要求1所述的方法，其特征在于，所述基于事先设定的地震灾害事件对应的共享因子评估函数以及目标地震灾害事件信息，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息，包括：
基于事先设定的地震灾害事件对应的共享因子评估函数，依照事先设定查询方式分别确定每一个地震灾害事件信息以及目标地震灾害事件信息的查询；
依据每一个地震灾害事件信息以及目标地震灾害事件信息分别对应的查询，从若干个目标地震灾害事件信息中评估不少于一个需要进行分析的地震灾害事件信息；
符合所述事先设定查询方式的查询由若干个组以及每组中的历史地震系数构成。
5.一种地震灾害破坏推演系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220698.3A CN117077897B (zh) | 2023-09-21 | 2023-09-21 | 一种地震灾害破坏推演方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311220698.3A CN117077897B (zh) | 2023-09-21 | 2023-09-21 | 一种地震灾害破坏推演方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077897A CN117077897A (zh) | 2023-11-17 |
| CN117077897B true CN117077897B (zh) | 2024-03-19 |
Family
ID=88713499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311220698.3A Active CN117077897B (zh) | 2023-09-21 | 2023-09-21 | 一种地震灾害破坏推演方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077897B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006343578A (ja) * | 2005-06-09 | 2006-12-21 | Shimizu Corp | 地震被害予測システム |
| KR20160104788A (ko) * | 2015-02-26 | 2016-09-06 | 주식회사 제이비티 | 화산재해 대응 의사결정 지원 시스템 |
| KR20170079648A (ko) * | 2015-12-30 | 2017-07-10 | 대한민국(국민안전처 국립재난안전연구원장) | 미래위험 변화예측 분석 시스템 |
| CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
| CN108172258A (zh) * | 2016-12-07 | 2018-06-15 | 台湾积体电路制造股份有限公司 | 存储器元件 |
| CN110472350A (zh) * | 2019-08-20 | 2019-11-19 | 广西科技大学 | 一种基于虚拟仿真的地震震害评估方法 |
| CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
| CN111985847A (zh) * | 2020-09-02 | 2020-11-24 | 四川省地震局减灾救助研究所 | 一种地震灾害风险评估与对策分析系统 |
| CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
| CN112785066A (zh) * | 2021-01-27 | 2021-05-11 | 北京师范大学 | 基于卷积-递归神经网络的全球野火次季节时空预测方法 |
| CN114239348A (zh) * | 2021-11-30 | 2022-03-25 | 中铁二院工程集团有限责任公司 | 一种桥梁抗震可靠性分析方法 |
| KR20220095092A (ko) * | 2020-12-29 | 2022-07-06 | 세종대학교산학협력단 | 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 |
| CA3206387A1 (en) * | 2021-01-29 | 2022-08-04 | Ethan Victor TAKLA | Pest infestation detection for horticultural grow operations |
| CN114912798A (zh) * | 2022-05-16 | 2022-08-16 | 中震科建(广东)防灾减灾研究院有限公司 | 一种基于随机森林和震害大数据的地震损失评估系统 |
| CN115166815A (zh) * | 2022-06-17 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于地理信息和边缘算法的地震灾害评估决策模型 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
| CN116703197A (zh) * | 2023-04-20 | 2023-09-05 | 四川省地震应急服务中心 | 一种适用于黑箱期的地震灾害快速协同评估的方法和系统 |
| CN116756525A (zh) * | 2023-08-17 | 2023-09-15 | 四川省华地建设工程有限责任公司 | 基于人工智能的岩土体参数智能测试方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3122684C (en) * | 2018-12-11 | 2023-12-19 | Exxonmobil Upstream Research Company | Data augmentation for seismic interpretation systems and methods |
-
2023
- 2023-09-21 CN CN202311220698.3A patent/CN117077897B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006343578A (ja) * | 2005-06-09 | 2006-12-21 | Shimizu Corp | 地震被害予測システム |
| KR20160104788A (ko) * | 2015-02-26 | 2016-09-06 | 주식회사 제이비티 | 화산재해 대응 의사결정 지원 시스템 |
| KR20170079648A (ko) * | 2015-12-30 | 2017-07-10 | 대한민국(국민안전처 국립재난안전연구원장) | 미래위험 변화예측 분석 시스템 |
| CN108172258A (zh) * | 2016-12-07 | 2018-06-15 | 台湾积体电路制造股份有限公司 | 存储器元件 |
| CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
| CN110472350A (zh) * | 2019-08-20 | 2019-11-19 | 广西科技大学 | 一种基于虚拟仿真的地震震害评估方法 |
| CN111401682A (zh) * | 2020-02-11 | 2020-07-10 | 北京师范大学 | 一种地震伤亡人口评估方法及系统 |
| CN111985847A (zh) * | 2020-09-02 | 2020-11-24 | 四川省地震局减灾救助研究所 | 一种地震灾害风险评估与对策分析系统 |
| CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
| KR20220095092A (ko) * | 2020-12-29 | 2022-07-06 | 세종대학교산학협력단 | 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 |
| CN112785066A (zh) * | 2021-01-27 | 2021-05-11 | 北京师范大学 | 基于卷积-递归神经网络的全球野火次季节时空预测方法 |
| CA3206387A1 (en) * | 2021-01-29 | 2022-08-04 | Ethan Victor TAKLA | Pest infestation detection for horticultural grow operations |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN114239348A (zh) * | 2021-11-30 | 2022-03-25 | 中铁二院工程集团有限责任公司 | 一种桥梁抗震可靠性分析方法 |
| CN114912798A (zh) * | 2022-05-16 | 2022-08-16 | 中震科建(广东)防灾减灾研究院有限公司 | 一种基于随机森林和震害大数据的地震损失评估系统 |
| CN115166815A (zh) * | 2022-06-17 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于地理信息和边缘算法的地震灾害评估决策模型 |
| CN116703197A (zh) * | 2023-04-20 | 2023-09-05 | 四川省地震应急服务中心 | 一种适用于黑箱期的地震灾害快速协同评估的方法和系统 |
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
| CN116756525A (zh) * | 2023-08-17 | 2023-09-15 | 四川省华地建设工程有限责任公司 | 基于人工智能的岩土体参数智能测试方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于相似性与结构敏感性分析的产品平台设计过程模型;张换高;赵文燕;江屏;檀润华;李国平;;机械工程学报;20120605(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077897A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3816806B1 (en) | Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform | |
| KR20200098378A (ko) | 설명 정보 확정 방법, 장치, 전자 기기 및 컴퓨터 저장 매체 | |
| US20090024551A1 (en) | Managing validation models and rules to apply to data sets | |
| US20060229854A1 (en) | Computer system architecture for probabilistic modeling | |
| CN114840853B (zh) | 基于大数据的数字化业务分析方法及云服务器 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN110490304B (zh) | 一种数据处理方法及设备 | |
| Ascia et al. | Performance evaluation of efficient multi-objective evolutionary algorithms for design space exploration of embedded computer systems | |
| CN111582488A (zh) | 一种事件推演方法及装置 | |
| CN114004700A (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
| CN116362564A (zh) | 酒店公共卫生视频监管结果的生成方法及系统 | |
| CN114218034B (zh) | 在大数据场景下的在线办公安防处理方法及大数据服务器 | |
| CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
| KR101830936B1 (ko) | 데이터베이스와 애플리케이션을 위한 웹기반 성능개선 시스템 | |
| CN116756525B (zh) | 基于人工智能的岩土体参数智能测试方法及系统 | |
| CN117077897B (zh) | 一种地震灾害破坏推演方法及系统 | |
| CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
| US11176502B2 (en) | Analytical model training method for customer experience estimation | |
| CN116739184A (zh) | 一种滑坡预测方法及系统 | |
| CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
| CN114297063B (zh) | 针对源代码的自动化形式化建模与验证的方法与系统 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| US11714855B2 (en) | Virtual dialog system performance assessment and enrichment | |
| CN114968821A (zh) | 基于强化学习的测试数据生成方法及装置 | |
| US20220342903A1 (en) | A data extraction method |
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 |