CN117169955A - 一种基于lstm-gan的脉冲型地震动合成方法 - Google Patents
一种基于lstm-gan的脉冲型地震动合成方法 Download PDFInfo
- Publication number
- CN117169955A CN117169955A CN202311037593.4A CN202311037593A CN117169955A CN 117169955 A CN117169955 A CN 117169955A CN 202311037593 A CN202311037593 A CN 202311037593A CN 117169955 A CN117169955 A CN 117169955A
- Authority
- CN
- China
- Prior art keywords
- pulse
- model
- earthquake motion
- earthquake
- lstm
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 92
- 238000001308 synthesis method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000013201 Stress fracture Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于LSTM‑GAN的脉冲型地震动合成方法，属于地震工程技术领域，包括收集脉冲型地震动数据建立原始数据库，预处理脉冲型地震数据后，确定模型框架参数，训练得到训练模型后基于脉冲型地震合成模型进行脉冲型地震动合成。本发明中，通过LSTM‑GAN模型考虑了多个脉冲型地震动的特征参数以及物理约束条件，能够合成高质量的脉冲型地震动，这将弥补现有技术无法合理生成脉冲型地震动的缺陷，同时填补真实脉冲型地震动数据量不足的空缺，可为深度学习方法应用于土木和地震工程中奠定数据基础，在进行抗震设计时LSTM‑GAN模型能够提供参考性极高的地震动加速度时程的输入数据，满足工程上结构的抗震需求分析需要。
Description
技术领域
本发明属于地震工程技术领域，尤其涉及一种基于LSTM-GAN的脉冲型地震动合成方法。
背景技术
脉冲地震法是依据岩石中弹性波速及波的衰减与应力的内在关系来实测地应力状态，以记录弹性参数和在高压下出现微破裂时产生脉冲次数为基础，属于两种地震声学法之一。地震声学法弥补了其它地震方法的不足，据此可以估算接近于极限的应力状态。同地形变测量法比较其优点更为突出：所耗劳力不多；同一测点可多次测量，对实测脉冲型地震动数据量的不足，一直制约着脉冲型地震动作用下结构地震响应的研究，同时难以满足各类工程结构的抗震分析需求。
鉴于地震学中收集的地震动数据的逐渐增长，以及现代人工智能技术的飞速发展，采用深度学习方法按需求生成合理的脉冲型地震动是一条十分具有前瞻性的途径；
长短时记忆网络（Long Short-Term Memory network，LSTM）是深度学习中循环神经网络（RNN）的一种变体，由Hochreiter等在1997年首次提出，最初用于处理RNN训练中的梯度消失以及数据的长期依赖问题。LSTM能很好地捕捉数据前后之间的联系，对于带有时间序列的数据具有很好的学习能力，常应用于地震响应预测，并具有较高的预测精度和稳定性。LSTM的工作方式与RNN基本相同，区别在于LSTM通过一个更加细化的内部处理单元，实现上下文信息的有效存储和更新。相比基本的RNN，LSTM单元包含了3个门（Gate）结构：输入门、输出门和遗忘门，用以调节单元内部信息；
现有技术的缺点是所训练的GAN模型是针对非脉冲型地震动，在断层破裂机制的影响下，脉冲型地震动通常会表现出如下不同于普通地震动（非脉冲型地震动）的特点：（1)长周期脉冲和大幅值；（2) 较大的峰值速度和峰值加速度比（PGV/PGA）以及峰值位移和峰值加速度比（PGD/PGA）；（3) 不同于普通记录的谱形状；（4) 脉冲分量分担了相当多的一部分地震动能量。因此，以往针对非脉冲地震动的GAN合成方法无法准确的模拟脉冲型地震动，存在改进的空间。
发明内容
本发明的目的在于：为了解决现有技术合成脉冲型地震动不能很好的模拟脉冲型地震动的问题，而提出的一种基于LSTM-GAN的脉冲型地震动合成方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于LSTM-GAN的脉冲型地震动合成方法，包括收集脉冲型地震动数据建立原始数据库，预处理脉冲型地震数据后，确定模型框架参数，训练得到训练模型后基于脉冲型地震合成模型进行脉冲型地震动合成。
作为上述技术方案的进一步描述：
脉冲型地震数据预处理方法具体包括：
统一地震动样本的采样频率与时间窗大小；
数据标准化，采用如下公式将地震动的数据缩放至[-1,1]。
式中，X为输入变量，和/>为输入变量的最大值与最小值，/> 为标准化后的输入变量。
作为上述技术方案的进一步描述：
数据预处理方式还包括数据增强，对原始数据库中的地震动信号通过增加白噪声形成新的地震动数据。
作为上述技术方案的进一步描述：
所述确定模型输入参数与输出参数具体包括：生成器的输入参数分为两部分，一部分为条件变量的特征参数，控制GAN模型的生成，另一部分为随机噪声；
生成器的输出是与预处理得到的地震动信号形式一致的时程；
判别器的输入参数分为三部分，分别是生成器的输出、来源于数据库中与条件变量相匹配的真实地震动速度时程数据和条件变量；
且判别器的输出是一维非零即一的变量。
作为上述技术方案的进一步描述：
所述条件变量的特征参数为震级、震中距、PGA（速度峰值）、PGV（位移峰值）、VS30、场地条件、断层类型、脉冲周期、脉冲幅值和脉冲持时。
作为上述技术方案的进一步描述：
所述初始化模型超参数，包括确定生成器和判别器中神经网络层的层数、神经元个数、激活函数和正则化项。
作为上述技术方案的进一步描述：
还包括在模型训练时进行超参数优化，具体步骤包括：确定模型框架以及输入输出后，将数据库中的地震动信号传递给模型进行训练，采用梯度下降方法，训练模型不断优化损失函数，模型的输入与输出维度决定生成器与判别器的结构，多次训练得到训练优化后的模型。
作为上述技术方案的进一步描述：
所述模型训练的迭代次数根据观察到模型输出已经能够捕捉到脉冲特性时停止。
作为上述技术方案的进一步描述：
还包括评估模型生成地震动的有效性以及应用在工程中的合理性的方法，具体包括：初步目视检测，观察模型生成的速度时程中是否具有脉冲，速度幅值是否合理，然后采用小波分析量化分析合成的地震动是否还有脉冲；
提取合成地震动的特征参数与真实地震动的标签进行对比，针对部分脉冲型地震动，可以对速度脉冲时程积分得到位移时程，对比由于滑冲效应引起的永久位移；
LSTM-GAN模型合成为速度时程，通过求导可以得到加速度时程，将加速度时程通过傅里叶变换可以得到频域信息，对比合成地震动的傅里叶谱与真实地震动的傅里叶谱。
作为上述技术方案的进一步描述：
一种计算机设备，包括处理器和存储器，存储器中存储有至少一条指令，由处理器加载并执行以实现基于LSTM-GAN的脉冲型地震动合成方法所执行的操作。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，通过LSTM-GAN模型考虑了多个脉冲型地震动的特征参数以及物理约束条件，能够合成高质量的脉冲型地震动，这将弥补现有技术无法合理生成脉冲型地震动的缺陷，同时填补真实脉冲型地震动数据量不足的空缺，可为深度学习方法应用于土木和地震工程中奠定数据基础，在进行抗震设计时LSTM-GAN模型能够提供参考性极高的地震动加速度时程的输入数据，满足工程结构的抗震分析需求。
附图说明
图1为可以用于本发明提出的一种基于LSTM-GAN的脉冲型地震动合成方法的流程图；
图2为长短时记忆网络的模型结构示意图；
图3为生成式对抗神经网络的模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图3，GAN模型能生成高清晰度、高质量的图像、语音乃至视频，也将GAN应用至地震动合成，并表现出不错的性能，深度学习模型可以调整模型的复杂度来适应任务的复杂度，其可以不断的学习和进化，因此，GAN模型是具有合成高质量脉冲型地震动的能力；
长短时记忆网络（Long Short-Term Memory network，LSTM）是深度学习中循环神经网络（RNN）的一种变体，由Hochreiter[1]等在1997年首次提出，最初用于处理RNN训练中的梯度消失以及数据的长期依赖问题。LSTM能很好地捕捉数据前后之间的联系，对于带有时间序列的数据具有很好的学习能力，常应用于地震响应预测，并具有较高的预测精度和稳定性[2-4]。LSTM的工作方式与RNN基本相同，区别在于LSTM通过一个更加细化的内部处理单元，实现上下文信息的有效存储和更新。相比基本的RNN，LSTM单元包含了3个门（Gate）结构：输入门、输出门和遗忘门，用以调节单元内部信息；
生成式对抗神经网络（Generative adversarial network，GAN）是当下最火的深度学习模型之一，是Goodfellow[5]在2014年提出的生成类模型。GAN在图像生成、语音生成和文本生成中都展现出不凡的能力，自提出以来被广泛引用于各类领域（不局限于计算机领域），产生了大量基于GAN的衍生模型。GAN模型由生成器与判别器两部分组成，其主要思想是从一个简单的分布（如高斯分布）中取样，并使用神经网络学习将这种噪声映射到真实的数据分布，通过两个网络的对抗性训练来实现。
实施例1
基于LSTM-GAN的脉冲型地震动合成方法，具体包括以下步骤：
步骤1：收集脉冲型地震动数据及其标签，建立原始数据库；
步骤2：脉冲型地震动数据预处理。主要包括以下几个部分：
1）由于地震测量台站采样频率不一致，需要统一地震动样本的采样频率与时间窗大小；
2）数据标准化，采用如下公式将地震动的数据缩放至[-1,1]；
式中，X为输入变量，和/>为输入变量的最大值与最小值，/> 为标准化后的输入变量；
3）数据增强，对原始数据库中的地震动信号通过增加白噪声形成新的地震动数据；
步骤3：确定模型输入参数与输出参数。生成器的输入参数分为两部分，一部分是条件变量（特征参数），以震级、震中距、PGA、PGV、VS30、场地条件、断层类型、脉冲周期、脉冲幅值、脉冲持时作为条件，控制GAN模型的生成，另一部分为随机噪声；生成器的输出是与预处理得到的地震动信号形式一致的时程。判别器的输入参数也分为三部分，一是生成器的输出，二是来源于数据库中与条件变量相匹配的真实地震动速度时程数据，三是条件变量；判别器的输出是一维非零即一的变量；
步骤4：确定LSTM-GAN模型框架，为了控制模型能够有条件的输出，采用CGAN（条件生成对抗网络）框架，为了考虑纵波会在横波之前到达，此时地震动振幅通常较低的物理约束，生成器和判别器中采用LSTM捕捉时间序列中的潜在关系；
步骤5：初始化模型超参数，包括确定生成器和判别器中神经网络层的层数、神经元个数、激活函数、正则化项；
步骤6：模型训练与超参数优化。在确定了模型框架以及输入输出后，将数据库中的地震动信号传递给模型进行训练，采用梯度下降方法，训练模型不断优化损失函数，模型训练的迭代次数，可以在观察到模型输出已经能够捕捉到脉冲特性时停止。模型的输入与输出维度将决定生成器与判别器的结构，时间序列越长，所需的模型结构就越复杂，需要更多的神经层数，不断的试错能得到一个不错的结果；
步骤7：模型评估与工程验证。为合理的评估模型生成地震动的有效性以及应用在工程中的合理性。
实施例2
通过太平洋地震工程研究中心（PEER）网站或日本防灾技术科学研究所网站，下载带有脉冲的地震动，并确定每条地震动的特征参数（如：震级、震中距、PGA（加速度峰值）、PGV（速度峰值）、PGD（位移峰值）、VS30、场地条件、断层类型、脉冲周期、脉冲幅值、脉冲持时），建立数据库；
定义采样频率为50Hz，时间窗为40s，则每条地震动具有2000个样本点。地震动数据不足40s的通过高斯噪声填充，超过40s的以地震动时程峰值为时窗中心（波动2s）截取地震动信号；
针对每条原始的地震动叠加1次高斯噪声扩充数据库；
将新数据库中的地震动信号采用式（1）归一化至[-1,1]；
（1）
式中，X为输入变量，和/>为输入变量的最大值与最小值，/> 为标准化后的输入变量。
确定模型输入参数与输出参数。针对生成器输入参数分为两部分，一部分是条件变量，控制GAN模型有条件的生成；另一部分为100维的随机噪声。生成器的输出则是具有2000个样本点的地震动速度时程。判别器的输入分为三部分，一是生成器的输出，二是来源于数据库中与条件变量相匹配的真实地震动速度时程数据，三是对应的条件变量。判别器的输出则是0或1，判断两者相似或不相似；
确定LSTM-GAN模型框架与初始超参数，模型主要采用CGAN（条件生成对抗网络）框架，基于scikit-learn和Tensorflow开源机器学习平台可以快速搭建模型。其中生成器与判别器中的神经网络模型采用LSTM，捕捉时间序列信号中的潜在信息。初步拟定生成器采用4层LSTM，神经元个数分别为32、128、128、32。判别器采用4层LSTM。神经元个数分别为64、256、256、64；
采用ReLU激活函数（式2），与L2正则化项（式3中的第二项）：
（2）
（3）
（4）式中 />为模型的损失函数； />为正则项超参数，可以控制正则化的程度；m为训练集的大小；n为特征数量；w、b为模型训练参数
w、b为模型训练参数。
模型训练与超参数优化。在确定了模型框架以及输入输出后，将数据库中的地震动信号传递给模型进行训练，采用梯度下降方法，训练模型不断优化损失函数（式5），迭代10000次。模型的输入与输出维度将决定生成器与判别器的结构，时间序列越长，所需的模型结构就越复杂，需要更多的神经层数，通过不断的试错能得到一个不错的超参数结果。
（5）
式中，G为生成器，D为判别器，x是真实样本的采样，y是条件变量，z是高斯噪声中的采样。
实施例3
模型评估包括采用多种方法综合评估LSTM-GAN模型，如下：
初步目视检测，观察模型生成的速度时程中是否具有脉冲，速度幅值是否合理。然后采用Baker提出的小波分析量化分析合成的地震动是否还有脉冲。
提取合成地震动的特征参数（如：脉冲幅值、脉冲周期、脉冲持时、PGA、PGV等）与真实地震动的标签进行对比。针对部分脉冲型地震动，可以对速度脉冲时程积分得到位移时程，对比由于滑冲效应引起的永久位移。
LSTM-GAN模型合成的是速度时程，因此，通过求导可以得到加速度时程，将加速度时程通过傅里叶变换可以得到频域信息，对比合成地震动的傅里叶谱与真实地震动的傅里叶谱。
工程应用验证：以一座三跨简支梁桥为例，通过ANSYS建立有限元模型，将合成的地震动与真实的地震动，以同等的激励方式分别进行有限元结构非线性动力响应分析，对比模型之间的抗震需求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，包括收集脉冲型地震动数据建立原始数据库，预处理脉冲型地震数据后，确定模型框架参数，训练得到训练模型后基于脉冲型地震合成模型进行脉冲型地震动合成。
2.根据权利要求1所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，脉冲型地震数据预处理方法具体包括：
统一地震动样本的采样频率与时间窗大小；
数据标准化，采用如下公式将地震动的数据缩放至[-1,1]；
式中，X为输入变量，和/>为输入变量的最大值与最小值，/> 为标准化后的输入变量。
3.根据权利要求2所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，数据预处理方式还包括数据增强，对原始数据库中的地震动信号通过增加白噪声形成新的地震动数据。
4.根据权利要求1所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，所述确定模型输入参数与输出参数具体包括：生成器的输入参数分为两部分，一部分为条件变量的特征参数，控制GAN模型的生成，另一部分为随机噪声；
生成器的输出是与预处理得到的地震动信号形式一致的时程；
判别器的输入参数分为三部分，分别是生成器的输出、来源于数据库中与条件变量相匹配的真实地震动速度时程数据和条件变量；
且判别器的输出是一维非零即一的变量。
5.根据权利要求4所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，所述条件变量的特征参数为震级、震中距、PGA（速度峰值）、PGV（位移峰值）、VS30、场地条件、断层类型、脉冲周期、脉冲幅值和脉冲持时。
6.根据权利要求4所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，所述初始化模型超参数，包括确定生成器和判别器中神经网络层的层数、神经元个数、激活函数和正则化项。
7.根据权利要求1所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，还包括在模型训练时进行超参数优化，具体步骤包括：确定模型框架以及输入输出后，将数据库中的地震动信号传递给模型进行训练，采用梯度下降方法，训练模型不断优化损失函数，模型的输入与输出维度决定生成器与判别器的结构，多次训练得到训练优化后的模型。
8.根据权利要求7所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，所述模型训练的迭代次数根据观察到模型输出已经能够捕捉到脉冲特性时停止。
9.根据权利要求1所述的一种基于LSTM-GAN的脉冲型地震动合成方法，其特征在于，还包括评估模型生成地震动的有效性以及应用在工程中的合理性的方法，具体包括：初步目视检测，观察模型生成的速度时程中是否具有脉冲，速度幅值是否合理，然后采用小波分析量化分析合成的地震动是否还有脉冲；
提取合成地震动的特征参数与真实地震动的标签进行对比，针对部分脉冲型地震动，可以对速度脉冲时程积分得到位移时程，对比由于滑冲效应引起的永久位移；
LSTM-GAN模型合成为速度时程，通过求导可以得到加速度时程，将加速度时程通过傅里叶变换可以得到频域信息，对比合成地震动的傅里叶谱与真实地震动的傅里叶谱。
10.一种计算机设备，其特征在于，包括处理器和存储器，存储器中存储有至少一条指令，由处理器加载并执行以实现如权利要求1-9任一项所述的基于LSTM-GAN的脉冲型地震动合成方法所执行的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037593.4A CN117169955A (zh) | 2023-08-17 | 2023-08-17 | 一种基于lstm-gan的脉冲型地震动合成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037593.4A CN117169955A (zh) | 2023-08-17 | 2023-08-17 | 一种基于lstm-gan的脉冲型地震动合成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117169955A true CN117169955A (zh) | 2023-12-05 |
Family
ID=88934656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037593.4A Pending CN117169955A (zh) | 2023-08-17 | 2023-08-17 | 一种基于lstm-gan的脉冲型地震动合成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117169955A (zh) |
-
2023
- 2023-08-17 CN CN202311037593.4A patent/CN117169955A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vlachos et al. | A multi-modal analytical non-stationary spectral model for characterization and stochastic simulation of earthquake ground motions | |
| Dabaghi et al. | Stochastic model for simulation of near‐fault ground motions | |
| Dong et al. | Denoising the optical fiber seismic data by using convolutional adversarial network based on loss balance | |
| Liao et al. | Physically compliant, conditionally simulated spatially variable seismic ground motions for performance‐based design | |
| Amiri et al. | Wavelet‐based method for generating nonstationary artificial pulse‐like near‐fault ground motions | |
| CN111487676B (zh) | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 | |
| Yao et al. | Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method | |
| Muscolino et al. | Generation of fully non-stationary random processes consistent with target seismic accelerograms | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| Pioldi et al. | Earthquake‐induced structural response output‐only identification by two different Operational Modal Analysis techniques | |
| Broccardo et al. | Simulation of near-fault ground motions using frequency-domain discretization | |
| CN111208559B (zh) | 一种地震安全性评价计算装置和计算方法 | |
| Amiri et al. | Extraction of forward-directivity velocity pulses using S-Transform-based signal decomposition technique | |
| Khansefid et al. | Empirical predictive model for generating synthetic non-stationary stochastic accelerogram of the Iranian plateau: including far-and near-field effects as well as mainshock and aftershock categorization | |
| Waezi et al. | Stochastic non-stationary model for ground motion simulation based on higher-order crossing of linear time variant systems | |
| Li et al. | Soil seismic response modeling of KiK-net downhole array sites with CNN and LSTM networks | |
| Assessment | Pacific earthquake engineering research center | |
| CN110146923A (zh) | 一种高效的高精度深度域地震子波提取方法 | |
| Shi et al. | Broadband ground motion synthesis via generative adversarial neural operators: Development and validation | |
| Nelson et al. | Multi-step ahead state estimation with hybrid algorithm for high-rate dynamic systems | |
| Si et al. | A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network | |
| CN106338767A (zh) | 多参数地震属性分析方法及系统 | |
| CN117169955A (zh) | 一种基于lstm-gan的脉冲型地震动合成方法 | |
| WO2022153984A1 (ja) | 学習データ生成方法、モデル生成方法および学習データ生成装置 | |
| Salimi et al. | Reliability-based fragility analysis of nonlinear structures under the actions of random earthquake loads |
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 |