CN117332640A - 基于bp神经网络的地震动放大系数预测方法及提示系统 - Google Patents
基于bp神经网络的地震动放大系数预测方法及提示系统 Download PDFInfo
- Publication number
- CN117332640A CN117332640A CN202311266862.4A CN202311266862A CN117332640A CN 117332640 A CN117332640 A CN 117332640A CN 202311266862 A CN202311266862 A CN 202311266862A CN 117332640 A CN117332640 A CN 117332640A
- Authority
- CN
- China
- Prior art keywords
- terrain
- neural network
- model
- earthquake motion
- training
- 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
- 230000003321 amplification Effects 0.000 title claims abstract description 95
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 20
- 230000010355 oscillation Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种基于BP神经网络的地震动放大系数预测方法及提示系统,包括:确定地形主要标签,按不同标签收集真实地形条件下地震加速度时程曲线,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库;建立BP神经网络模型,确定初始化模型,并基于数据库中样本数据执行神经网络训练,待模型精度满足要求后,保存训练结果;模型输出及数据预测,将待测地形的数据输入系统中,输出不同地形下的地震动放大系数,实现对地震动放大系数的预测。本发明不仅可以通过大量学习地震记录和地形地质参数之间的非线性关系,实现地震动放大系数的准确预测,为抗震设计提供可靠的依据,而且能够为山地区域的抗震设计提供理论支持和信息提示。
Description
技术领域
本发明涉及地震工程和抗震设计技术领域,尤其涉及一种基于BP神经网络的地震动放大系数预测方法及提示系统。
背景技术
我国山区分布广泛,占总面积的69.1%,包括喜马拉雅山脉、昆仑山脉、秦岭山脉、大别山系等,可谓土地资源丰富。但同时,我国地处环太平洋地震带和欧亚地震带的交汇处,是地震频发的国家之一。近年来,地震活动更是频繁。根据现有研究显示,当地震发生在山区时,凹凸起伏的地形会加剧地震的破坏程度,即地震动地形效应。为确保山区建筑的安全可靠,我国抗震设计中采用地震动放大系数来考虑这种现象。
地震动放大系数的确定涉及到许多复杂的因素,包括地震波传播、地形特征、岩土条件和建筑结构等。这使得地震动放大系数的研究变得相当复杂。目前,常见方法主要包括:
(1)地震动观测方法:这种方法可以直接观测到实际地震动地形效应的情况,具有较高的可靠性。然而,地震动观测方法受观测点的布设和地震事件的限制,观测范围有限,不能提供全面的地震动地形效应分布信息。
(2)试验模拟方法:这种方法可以控制实验条件,获取精确的地震动地形效应数据。然而,实验模拟方法受到实验条件和模型的限制,无法完全模拟真实地震波的复杂性,且实验成本较高。
(3)数值模拟方法:这种方法可以考虑地形的复杂性和非线性效应,能够提供详细的地震动地形效应分布图。然而,数值模拟方法需要大量的计算资源和复杂的模型参数,计算时间较长,且对模型参数的准确性要求较高。
可见,这三种方法都需要针对具体的地形地貌,难以获得通用性结论。当地形参数中的某一项发生变化后,地震动放大系数便会发生较大变化,需要重新进行分析研究。然而,重新研究特定参数的地形工作量较大,不便于结构设计师的工作开展。此外,现有规范对地震动放大系数的规定较为模糊,导致结构在抗震设计时取值不精准,山区建筑无法抵御地震作用,从而造成人员伤亡和财产损失。
BP(Back Propagation)神经网络是一种常见的前向反馈人工神经网络模型,具有强大的非线性拟合能力和适应性。该模型由输入层、隐藏层和输出层组成,通过调整权值和偏置值来实现对输入样本的非线性映射。在预测地震动放大系数的研究中,BP神经网络可以通过大量学习地震记录和地形地质参数之间的非线性关系,实现地震动放大系数的准确预测,为抗震设计提供可靠的依据。因此,基于BP神经网络的地震动放大系数预测方法及提示系统的实际意义在于,能够为山地区域的抗震设计提供理论支持和信息提示。
故针对现有技术存在的问题,本案设计人凭借从事此行业多年的经验,积极研究改良,于是有了本发明一种基于BP神经网络的地震动放大系数预测方法及提示系统。
发明内容
本发明第一目的是针对现有技术中,现有地震动放大系数的测试方法都需要针对具体的地形地貌,难以获得通用性结论等缺陷提供一种基于BP神经网络的地震动放大系数预测方法。
本发明第二目的是针对现有技术中,现有地震动放大系数的测试方法都需要针对具体的地形地貌,难以获得通用性结论等缺陷提供一种基于BP神经网络的地震动放大系数预测方法的提示系统。
为实现本发明之第一目的,本发明提供一种基于BP神经网络的地震动放大系数预测方法,所述基于BP神经网络的地震动放大系数预测方法,包括:
执行步骤S1:确定地形主要标签,按不同标签分别收集真实地形条件下地震加速度时程曲线,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库;
执行步骤S2:建立BP(Back Propagation)神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的优化BP神经网络模型,且在神经网络训练过程中需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
执行步骤S3:模型输出及数据预测,将待测地形的数据输入系统中,输出不同地形下的地震动放大系数,实现对地震动放大系数的预测。
可选地,在步骤S1中,构建实测数据库的方法,进一步包括:
执行步骤S11:对地形进行分类,按地形进行数值转化,并通过实地布测和文献查阅手段,收集实测点地震加速度时程曲线、地形高度/>、顶点位置信息(/>,/>)、待测点位置信息(/>,/>)、地形底部位置信息(/>,/>)、待测点曲率/>、地质条件/>、以及距待测地形最近三个地形顶点位置信息(/>,/>)、(/>,/>)、(/>,/>);
执行步骤S12:通过获得数据信息,计算求得待测点距离顶点的距离,坡度/>、待测点距山底的距离/>标签、地震动放大系数,其中,地震动放大系数为同一地震波作用下,待测点峰值水平加速度与平缓地区峰值水平加速度的比值,又考虑到不同地形之间会产生相互作用,故进一步引入地形距离标签,即实测地形距最近三个地形的距离/>、/>和,将所得信息矩阵化;
执行步骤S13:逐一提取信息矩阵中每列标签的最大值,并将对应标签列中的值除以每列标签的最大值/>,保证各标签下数值取值范围为(0,1),实现归一化处理,消除量纲影响。
可选地,在步骤S1中,构建仿真数据库的方法,进一步包括:
执行步骤S14:选取实测数据库中的真实地形,将真实地形三维图转化为黑白高层图,以便建立三维模型,并遍历黑白高层图中每个像素点的RGB值,识取真实地形每个像素点的高度,再逐点修正有限元模型高度,建立被选定的地形模型,进行分析验证,确保模型有效性;
执行步骤S15:在验证仿真模型有效性后,进行参数扩展分析,参数包括但不限于地质条件、地形总高度、坡度、实测点距山顶的纵向距离和横向距离、待测点曲率、地震波种类、地震波频率,且需确定每项参数的极值,将该参数极值乘上范围为(0,1)的random函数,生成随机参数,促使模型更具有代表性,建立有限元模型,进行分析;
执行步骤S16:仿真模型特征矩阵的获取按步骤S12和步骤S13执行。
可选地,在步骤S2中,获得训练后的优化BP神经网络模型,进一步包括:
执行步骤S21:从实测数据库和仿真数据库中随机选择个样本集,保证实测数据个数与仿真数据个数比例为1:20;
执行步骤S22:以数据库中的个特征作为输入值,以地震动放大系数作为输出值,建立包括输入层、隐含层和输出层的基础BP网络模型,共计/>个样本,按照4:1的比例划分为训练集与测试集;
执行步骤S23:利用训练集对基础BP神经网络进行训练,训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节,当模型的均方误差小于0.15,确定训练后的基础BP神经网络,均方误差/>定义如下式:
式中,为样本个数,/>为样本预测值,/>为样本真实值;
执行步骤S24:输出训练后的基础BP神经网络中的权重值,筛选权重值排序前10%及权重值大于0.1的标签,作为主要特征标签,共计个;
执行步骤S25:按输入标签数为个,隐藏层为/>个,输出值为1个,建立新的神经网络模型,对比测试集在输出层的训练值和测试集在输出层的实际值,计算均方误差/>;
执行步骤S26:当新的神经网络模型的均方误差小于等于0.15,结束训练,训练后的BP神经网络模型即为优化BP神经网络模型,反之当均方误差/>大于0.15时,调整模型节点数目,重复执行步骤S25。
可选地,在步骤S3中,预测不同地形条件下地震动放大系数的方法,进一步包括:
执行步骤S31:根据待预测地形的基本信息,转化为优化后的BP神经网络模型所需要的主要特征标签值,并矩阵化;
执行步骤S32:将待预测的矩阵信息输入至优化后的BP神经网络中,输出地震动放大系数,实现对地震作用下地形效应的预测。
为实现本发明之第二目的,本发明提供一种基于BP神经网络的地震动放大系数预测方法的提示系统,所述基于BP神经网络的地震动放大系数的提示系统,包括:
数据库构造模块,根据地形特征,确定地形主要标签,收集真实地形条件下地震动放大系数数据,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库,且首选需对不同地形进行聚类划分;
神经网络训练模块,建立BP神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的BP神经网络模型,且需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
测试及提示模块,将待测地形的数据输入系统中,逐点输出不同地形下的地震动放大系数,并分别绘制地形三维图、等高线图、剖面图,在图中按颜色区分地震动放大系数的取值范围,实现对地震动放大系数的预测,并可对特定点进行读取,获得准确地震动放大系数。
可选地,数据库构造模块的工作原理参照步骤S11~S16执行。
可选地,神经网络训练模块的工作原理参照步骤S21~S26执行。
可选地,测试及提示模块的工作原理参照步骤S31~S32执行,并进一步包括:
执行步骤S33:输入地震动放大系数的界限值和预期阈值/>,并将地震动放大系数范围划分为4个范围,即(0,1),(1,/>),(/>,/>)和(/>,/>),定义(0,1)范围内显示为浅蓝色,表示抗震设计要求可适当放宽,(1,/>)范围内显示为深蓝色,表示抗震设计要求需适当提高,(/>,/>)范围内显示为浅红色,表示抗震设计要求需明显提高,(/>,/>)范围内显示为浅红色,表示建筑物应避免设置在此处;
执行步骤S34:输入选定区域范围内,导入地形模型,分析区域内各点的基本地形信息,将地形信息转化为神经网络模型可接受的数据矩阵,并逐点对地震动放大系数进行预测,分析地形效应;
执行步骤S35:结合选定地形信息,绘制地形三维图、等高线图、剖面图,并在图中按颜色区分地震动放大系数的取值范围,也可对特定点进行读取,获得准确地震动放大系数。
综上所述,本发明基于BP神经网络的地震动放大系数预测方法和提示系统不仅可以通过大量学习地震记录和地形地质参数之间的非线性关系,实现地震动放大系数的准确预测,为抗震设计提供可靠的依据,而且能够为山地区域的抗震设计提供理论支持和信息提示。
附图说明
图1所示为本发明基于BP神经网络的地震动放大系数预测方法流程图;
图2所述为基于BP神经网络的地震动放大系数的提示系统框图;
图3所示为真实山地地形图。
具体实施方式
为详细说明本发明创造的技术内容、构造特征、所达成目的及功效,下面将结合实施例并配合附图予以详细说明。
请参阅图1,图1所示为本发明基于BP神经网络的地震动放大系数预测方法流程图。所述基于BP神经网络的地震动放大系数预测方法,包括:
执行步骤S1:确定地形主要标签,包括但不限于山脊地形、河谷地形、平台地形、悬崖地形,按不同标签分别收集真实地形条件下地震加速度时程曲线,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库;
执行步骤S2:建立BP(Back Propagation)神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的优化BP神经网络模型,且在神经网络训练过程中需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
执行步骤S3:模型输出及数据预测,将待测地形的数据输入系统中,输出不同地形下的地震动放大系数,实现对地震动放大系数的预测。
更具体地,在步骤S1中,构建实测数据库的方法,进一步包括:
执行步骤S11:对地形进行分类,按地形进行数值转化,如山脊地形记为1、河谷地形记为2、平台地形记为3、悬崖地形记为4,以此类推,并通过实地布测和文献查阅手段,收集实测点地震加速度时程曲线、地形高度/>、顶点位置信息(/>,/>)、待测点位置信息(/>,)、地形底部位置信息(/>,/>)、待测点曲率/>、地质条件/>、以及距待测地形最近三个地形顶点位置信息(/>,/>)、(/>,/>)、(/>,/>);
执行步骤S12:通过获得数据信息,计算求得待测点距离顶点的距离,坡度/>、待测点距山底的距离/>标签、地震动放大系数/>,其中,地震动放大系数为同一地震波作用下,待测点峰值水平加速度与平缓地区峰值水平加速度的比值,又考虑到不同地形之间会产生相互作用,故进一步引入地形距离标签,即实测地形距最近三个地形的距离/>、/>和,将所得信息矩阵化;
执行步骤S13:逐一提取信息矩阵中每列标签的最大值,并将对应标签列中的值除以每列标签的最大值/>,保证各标签下数值取值范围为(0,1),实现归一化处理,消除量纲影响。
在步骤S1中,构建仿真数据库的方法,进一步包括:
执行步骤S14:选取实测数据库中的真实地形,将真实地形三维图转化为黑白高层图,以便建立三维模型,并遍历黑白高层图中每个像素点的RGB值,识取真实地形每个像素点的高度,再逐点修正有限元模型高度,建立被选定的地形模型,进行分析验证,确保模型有效性;
执行步骤S15:在验证仿真模型有效性后,进行参数扩展分析,参数包括但不限于地质条件、地形总高度、坡度、实测点距山顶的纵向距离和横向距离、待测点曲率、地震波种类、地震波频率,且需确定每项参数的极值,将该参数极值乘上范围为(0,1)的random函数,生成随机参数,促使模型更具有代表性,建立有限元模型,进行分析;
执行步骤S16:仿真模型特征矩阵的获取按步骤S12和步骤S13执行。
在步骤S2中,获得训练后的优化BP神经网络模型,进一步包括:
执行步骤S21:从实测数据库和仿真数据库中随机选择个样本集,保证实测数据个数与仿真数据个数比例为1:20;
执行步骤S22:以数据库中的个特征作为输入值,以地震动放大系数作为输出值,建立包括输入层、隐含层和输出层的基础BP网络模型,共计/>个样本,按照4:1的比例划分为训练集与测试集;
执行步骤S23:利用训练集对基础BP神经网络进行训练,训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节,当模型的均方误差小于0.15,确定训练后的基础BP神经网络,均方误差/>定义如下式:
式中,为样本个数,/>为样本预测值,/>为样本真实值;
执行步骤S24:输出训练后的基础BP神经网络中的权重值,筛选权重值排序前10%及权重值大于0.1的标签,作为主要特征标签,共计个;
执行步骤S25:按输入标签数为个,隐藏层为/>个,输出值为1个,建立新的神经网络模型,对比测试集在输出层的训练值和测试集在输出层的实际值,计算均方误差/>;
执行步骤S26:当新的神经网络模型的均方误差小于等于0.15,结束训练,训练后的BP神经网络模型即为优化BP神经网络模型,反之当均方误差/>大于0.15时,调整模型节点数目,重复执行步骤S25;
在步骤S3中,预测不同地形条件下地震动放大系数的方法,进一步包括:
执行步骤S31:根据待预测地形的基本信息,转化为优化后的BP神经网络模型所需要的主要特征标签值,并矩阵化;
执行步骤S32:将待预测的矩阵信息输入至优化后的BP神经网络中,输出地震动放大系数,实现对地震作用下地形效应的预测。
请参阅图2、图3,并结合参阅图1,图2所述为基于BP神经网络的地震动放大系数预测方法的提示系统框图。图3所示为真实山地地形图。所述基于BP神经网络的地震动放大系数预测方法的提示系统,包括:
数据库构造模块1,根据地形特征,确定地形主要标签,收集真实地形条件下地震动放大系数数据,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库,且首选需对不同地形进行聚类划分;
神经网络训练模块2,建立BP神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的BP神经网络模型,且需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
测试及提示模块3,将待测地形的数据输入系统中,逐点输出不同地形下的地震动放大系数,并分别绘制地形三维图、等高线图、剖面图,在图中按颜色区分地震动放大系数的取值范围,实现对地震动放大系数的预测,并可对特定点进行读取,获得准确地震动放大系数。
其中,数据库构造模块1的工作原理参照步骤S11~S16执行。神经网络训练模块2的工作原理参照步骤S21~S26执行。测试及提示模块3的工作原理参照步骤S31~S32执行,并进一步包括:
执行步骤S33:输入地震动放大系数的界限值和预期阈值/>,并将地震动放大系数范围划分为4个范围,即(0,1),(1,/>),(/>,/>)和(/>,/>),定义(0,1)范围内显示为浅蓝色,表示抗震设计要求可适当放宽,(1,/>)范围内显示为深蓝色,表示抗震设计要求需适当提高,(/>,/>)范围内显示为浅红色,表示抗震设计要求需明显提高,(/>,/>)范围内显示为浅红色,表示建筑物应避免设置在此处;
执行步骤S34:输入选定区域范围内,导入地形模型,分析区域内各点的基本地形信息,将地形信息转化为神经网络模型可接受的数据矩阵,并逐点对地震动放大系数进行预测,分析地形效应;
执行步骤S35:结合选定地形信息,绘制地形三维图、等高线图、剖面图,并在图中按颜色区分地震动放大系数的取值范围,也可对特定点进行读取,获得准确地震动放大系数。
为了更直观的揭露本发明之技术方案,凸显本发明之有益效果,现结合具体实施方式对所述基于BP神经网络的地震动放大系数预测方法及提示系统的工作原理进行阐述。在具体实施方式中,所述比例选取、条件限制等仅为列举,不应视为对本发明技术方案的限制。
请继续参阅图1,并结合参阅图2,本发明所述基于BP神经网络的地震动放大系数预测方法,包括:
(1)获取实测数据,选择地震多发山区中的不同典型地形,在不同高度处设置加速度传感器,其中平坦地形处设置为原始点,并记录各测点处地形种类(山脊地形、山谷地形、悬崖地形、平台地形等)、待测点高度、待测点坐标(/>,/>)、待测点斜率/>、该地形最大高度/>、该地形坡度/>等特征情况,通过待测点加速度与原始点加速度的比值确定为地震动放大系数;
(2)获取仿真数据,以真实地形为基础,建立有限元模型,通过仿真对地震动放大系数进行参数扩展,其中,变化参数可包括地形最大高度、地形坡度/>、地震波种类、地震波评论/>等。通过遍历模型表面各节点水平加速度,与原始点水平加速度进行比值,并将对应特征信息与结果存入仿真数据库中。需指出,模型表面水平加速度与原始点水平加速度的值应为同一地震波作用下的结果值;
(3)本案例从实测数据库和仿真数据库中按比例1:20选取数据集,其中特征信息确定为地形最大高度、待测点是否为顶点(顶点为1,不是顶点为0)、顶点左侧斜率/>、顶点右侧斜率/>、待测点与顶点的斜率,当待测点在顶点左侧时为/>,当待测点在顶点右侧时为/>;
(4)遍历每列数据中的最大值与最小值/>,通过公式/>对每列数据进行归一化处理,消除量纲的影响;
(5)以数据中前6列为输入层,第7列为输出层,建立神经网络模型,其中,隐藏层定义为3层,每层节点分别为200、50、10。从所有数据按比例4:1随机划分训练集和测试集,完成数据分类;
(6)基于训练集样本序列中的各样本输入至神经网络中,正向计算各节点函数输出,计算损失函数,对损失函数求出各权值的偏导,基于随机梯度下降法反向传输过程优化,更新网络中各权重值及偏差值,重复上述步骤直至达到均方误差小于0.15,其中损失函数定义为;
(7)模型测试及输出,将待测地形数据标签归一化处理后,输入模型,对该点地震动放大系数进行输出,实现复杂地形地质条件下地震动放大系数的预测。
综上所述,本发明基于BP神经网络的地震动放大系数预测方法和提示系统不仅可以通过大量学习地震记录和地形地质参数之间的非线性关系,实现地震动放大系数的准确预测,为抗震设计提供可靠的依据,而且能够为山地区域的抗震设计提供理论支持和信息提示。
本领域技术人员均应了解,在不脱离本发明的精神或范围的情况下,可以对本发明进行各种修改和变型。因而,如果任何修改或变型落入所附权利要求书及等同物的保护范围内时,认为本发明涵盖这些修改和变型。
Claims (9)
1.一种基于BP神经网络的地震动放大系数预测方法,其特征在于,所述基于BP神经网络的地震动放大系数预测方法,包括:
执行步骤S1:确定地形主要标签,按不同标签分别收集真实地形条件下地震加速度时程曲线,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库;
执行步骤S2:建立BP神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的优化BP神经网络模型,且在神经网络训练过程中需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
执行步骤S3:模型输出及数据预测,将待测地形的数据输入系统中,输出不同地形下的地震动放大系数,实现对地震动放大系数的预测。
2.如权利要求1所述基于BP神经网络的地震动放大系数预测方法,其特征在于,在步骤S1中,构建实测数据库的方法,进一步包括:
执行步骤S11:对地形进行分类,按地形进行数值转化,并通过实地布测和文献查阅手段,收集实测点地震加速度时程曲线、地形高度/>、顶点位置信息(/>,/>)、待测点位置信息(/>,/>)、地形底部位置信息(/>,/>)、待测点曲率/>、地质条件/>、以及距待测地形最近三个地形顶点位置信息(/>,/>)、(/>,/>)、(/>,/>);
执行步骤S12:通过获得数据信息,计算求得待测点距离顶点的距离,坡度/>、待测点距山底的距离/>标签、地震动放大系数,其中,地震动放大系数为同一地震波作用下,待测点峰值水平加速度与平缓地区峰值水平加速度的比值,又考虑到不同地形之间会产生相互作用,故进一步引入地形距离标签,即实测地形距最近三个地形的距离/>、/>和,将所得信息矩阵化;
执行步骤S13:逐一提取信息矩阵中每列标签的最大值,并将对应标签列中的值除以每列标签的最大值/>,保证各标签下数值取值范围为(0,1),实现归一化处理,消除量纲影响。
3.如权利要求2所述基于BP神经网络的地震动放大系数预测方法,其特征在于,在步骤S1中,构建仿真数据库的方法,进一步包括:
执行步骤S14:选取实测数据库中的真实地形,将真实地形三维图转化为黑白高层图,以便建立三维模型,并遍历黑白高层图中每个像素点的RGB值,识取真实地形每个像素点的高度,再逐点修正有限元模型高度,建立被选定的地形模型,进行分析验证,确保模型有效性;
执行步骤S15:在验证仿真模型有效性后,进行参数扩展分析,参数包括但不限于地质条件、地形总高度、坡度、实测点距山顶的纵向距离和横向距离、待测点曲率、地震波种类、地震波频率,且需确定每项参数的极值,将该参数极值乘上范围为(0,1)的random函数,生成随机参数,促使模型更具有代表性,建立有限元模型,进行分析;
执行步骤S16:仿真模型特征矩阵的获取按步骤S12和步骤S13执行。
4.如权利要求1所述基于BP神经网络的地震动放大系数预测方法,其特征在于,在步骤S2中,获得训练后的优化BP神经网络模型,进一步包括:
执行步骤S21:从实测数据库和仿真数据库中随机选择个样本集,保证实测数据个数与仿真数据个数比例为1:20;
执行步骤S22:以数据库中的个特征作为输入值,以地震动放大系数作为输出值,建立包括输入层、隐含层和输出层的基础BP网络模型,共计/>个样本,按照4:1的比例划分为训练集与测试集;
执行步骤S23:利用训练集对基础BP神经网络进行训练,训练时通过节点传递函数、训练函数、网络学习函数以及性能分析函数对基础BP神经网络进行反馈调节,当模型的均方误差小于0.15,确定训练后的基础BP神经网络,均方误差/>定义如下式:
式中,为样本个数,/>为样本预测值,/>为样本真实值;
执行步骤S24:输出训练后的基础BP神经网络中的权重值,筛选权重值排序前10%及权重值大于0.1的标签,作为主要特征标签,共计个;
执行步骤S25:按输入标签数为个,隐藏层为/>个,输出值为1个,建立新的神经网络模型,对比测试集在输出层的训练值和测试集在输出层的实际值,计算均方误差/>;
执行步骤S26:当新的神经网络模型的均方误差小于等于0.15,结束训练,训练后的BP神经网络模型即为优化BP神经网络模型,反之当均方误差/>大于0.15时,调整模型节点数目,重复执行步骤S25。
5.如权利要求1所述基于BP神经网络的地震动放大系数预测方法,其特征在于,在步骤S3中,预测不同地形条件下地震动放大系数的方法,进一步包括:
执行步骤S31:根据待预测地形的基本信息,转化为优化后的BP神经网络模型所需要的主要特征标签值,并矩阵化;
执行步骤S32:将待预测的矩阵信息输入至优化后的BP神经网络中,输出地震动放大系数,实现对地震作用下地形效应的预测。
6.一种如权利要求1所述基于BP神经网络的地震动放大系数预测方法的提示系统,其特征在于,所述基于BP神经网络的地震动放大系数的提示系统,包括:
数据库构造模块,根据地形特征,确定地形主要标签,收集真实地形条件下地震动放大系数数据,构建实测数据库,并利用仿真技术,变化地形参数,获得扩展数据,构建仿真数据库,且首选需对不同地形进行聚类划分;
神经网络训练模块,建立BP神经网络模型,确定初始化模型,并基于实测数据库和仿真数据库中样本数据执行神经网络训练,以获得训练后的BP神经网络模型,且需筛选该类地形的主要特征,进行训练,待模型精度满足要求后,保存训练结果;
测试及提示模块,将待测地形的数据输入系统中,逐点输出不同地形下的地震动放大系数,并分别绘制地形三维图、等高线图、剖面图,在图中按颜色区分地震动放大系数的取值范围,实现对地震动放大系数的预测,并可对特定点进行读取,获得准确地震动放大系数。
7.如权利要求6所述基于BP神经网络的地震动放大系数预测方法的提示系统,其特征在于,数据库构造模块的工作原理参照步骤S11~S16执行。
8.如权利要求6所述基于BP神经网络的地震动放大系数预测方法的提示系统,其特征在于,神经网络训练模块的工作原理参照步骤S21~S26执行。
9.如权利要求6所述基于BP神经网络的地震动放大系数预测方法的提示系统,其特征在于,测试及提示模块的工作原理参照步骤S31~S32执行,并进一步包括:
执行步骤S33:输入地震动放大系数的界限值和预期阈值/>,并将地震动放大系数范围划分为4个范围,即(0,1),(1,/>),(/>,/>)和(/>,/>),定义(0,1)范围内显示为浅蓝色,表示抗震设计要求可适当放宽,(1,/>)范围内显示为深蓝色,表示抗震设计要求需适当提高,(/>,/>)范围内显示为浅红色,表示抗震设计要求需明显提高,(/>,/>)范围内显示为浅红色,表示建筑物应避免设置在此处;
执行步骤S34:输入选定区域范围内,导入地形模型,分析区域内各点的基本地形信息,将地形信息转化为神经网络模型可接受的数据矩阵,并逐点对地震动放大系数进行预测,分析地形效应;
执行步骤S35:结合选定地形信息,绘制地形三维图、等高线图、剖面图,并在图中按颜色区分地震动放大系数的取值范围,也可对特定点进行读取,获得准确地震动放大系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266862.4A CN117332640A (zh) | 2023-09-28 | 2023-09-28 | 基于bp神经网络的地震动放大系数预测方法及提示系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266862.4A CN117332640A (zh) | 2023-09-28 | 2023-09-28 | 基于bp神经网络的地震动放大系数预测方法及提示系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332640A true CN117332640A (zh) | 2024-01-02 |
Family
ID=89276642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266862.4A Pending CN117332640A (zh) | 2023-09-28 | 2023-09-28 | 基于bp神经网络的地震动放大系数预测方法及提示系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332640A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
-
2023
- 2023-09-28 CN CN202311266862.4A patent/CN117332640A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
CN117972437B (zh) * | 2024-03-29 | 2024-07-09 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Danciu et al. | The 2014 Earthquake Model of the Middle East: ground motion model and uncertainties | |
KR100982447B1 (ko) | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 | |
Chevalier et al. | Data integration methods to account for spatial niche truncation effects in regional projections of species distribution | |
CN116596321B (zh) | 基于神经网络的建筑风险监测与评估方法和系统 | |
CN117332640A (zh) | 基于bp神经网络的地震动放大系数预测方法及提示系统 | |
CN114139819B (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
CN114693281B (zh) | 一种基于云平台的工程勘察信息管理系统 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN114662774B (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN117035505A (zh) | 一种基于斜坡式重力储能的技术经济性评估方法及系统 | |
CN117131441B (zh) | 夜间光污染监测方法、装置、计算机设备和存储介质 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN116663779B (zh) | 耕地土壤多深度肥力点面转换方法及装置 | |
CN117010274B (zh) | 一种基于集成增量学习的地下水有害元素智能预警方法 | |
CN117690035A (zh) | 一种基于深度学习的anpp与bnpp的遥感估算方法 | |
CN117688511A (zh) | 一种地理气候因子作用的多源卫星土壤水机器学习融合方法 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
CN111611422A (zh) | 基于svc自动生成地震灾害风险评估中定性图件的方法及系统 | |
CN116681158A (zh) | 基于集成极限学习机的参考作物蒸散量预测方法 | |
CN116091939A (zh) | 基于多尺度地理加权回归的森林地上生物量降尺度方法 | |
CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 | |
CN115630577A (zh) | 一种降尺度降雨量预测方法及系统 | |
CN114742795A (zh) | 一种基于深度学习的隧道衬砌病害智能检测方法 | |
CN114881309A (zh) | 一种城市活力与碳排空间特征相关性的测度方法 |
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 |