CN117332703A - 人工地震波生成方法、设备及存储介质 - Google Patents
人工地震波生成方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117332703A CN117332703A CN202311629178.8A CN202311629178A CN117332703A CN 117332703 A CN117332703 A CN 117332703A CN 202311629178 A CN202311629178 A CN 202311629178A CN 117332703 A CN117332703 A CN 117332703A
- Authority
- CN
- China
- Prior art keywords
- time domain
- response
- artificial
- seismic
- reaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000004044 response Effects 0.000 claims abstract description 221
- 238000006243 chemical reaction Methods 0.000 claims abstract description 206
- 238000010586 diagram Methods 0.000 claims abstract description 206
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/27—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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种人工地震波生成方法、设备及存储介质,涉及地震学技术领域。该方法包括:采用训练过的物理增强条件生成对抗网络模型,按照输入的条件信息生成表征地震波时频域特征且可靠程度符合给定条件的多个人工弹性时域反应图;将人工弹性时域反应图输入训练过的线性神经网络模型,生成多个备选人工地震波;按照给定目标反应谱调整多个备选人工地震波的反应谱,从调整后的人工地震波中选择与目标反应谱拟合程度最好的目标数量个人工地震波。本申请利用物理增强条件生成对抗网络和线性神经网络,以时频域特征为地震波拟合的基准,稳定生成大量质量可靠、符合给定场地和周期条件的人工地震波,显著提升弹塑性时程分析的合理性。
Description
技术领域
本申请涉及地震学技术领域,特别涉及一种人工地震波生成方法、设备及存储介质。
背景技术
时程分析法是分析建筑结构地震反应的一种常用方法。在时程分析中,选用的地震波决定了分析结果的可靠性。《建筑抗震设计规范》(GB50011-2010)5.1.2条规定:“采用时程分析法时,应按建筑场地类别和设计地震分组选用实际强震记录和人工模拟的加速度时程曲线”。由于地震波具有很强的不可预测性和不确定性,而天然地震波的样本数量十分有限,实际应用中不仅需要采用天然地震波进行结构抗震性能验算,同时需要人工地震波进行补充验算。
传统的人工地震波生成方法中,仅仅考虑地震波的有限频域特征对结构地震反应的影响,而并未考虑地震波时域特征的影响以及时域特征和频域特征在时域内的组合影响,难以生成高质量的人工地震波,因此,结构弹塑性时程分析的合理性难以提升。
发明内容
为了实现上述目的,本申请提供了一种人工地震波生成方法、设备及存储介质,能够以时频域特征为地震波拟合的基准,稳定生成大量质量可靠、符合给定场地和周期条件的人工地震波,显著提升弹塑性时程分析的合理性。
第一方面,本申请提供一种人工地震波生成方法,该方法包括:
S1、将给定的条件信息输入经过训练的物理增强条件生成对抗网络模型,生成符合所述条件信息的多个人工弹性时域反应图;
其中,所述条件信息包括结构地震反应条件、场地条件和结构自振周期条件;所述结构地震反应条件指示所生成弹性时域反应图对应的结构地震反应的类型,结构地震反应的类型指示对应地震波的可靠程度,弹性时域反应图用于表征对应地震波的时频域特征对结构地震反应的影响;
S2、将生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型中,生成多个备选人工地震波;
S3、调整多个备选人工地震波的反应谱,以使各个人工地震波的反应谱与给定的目标反应谱匹配,从调整反应谱后得到的多个新的人工地震波中,选择反应谱与所述目标反应谱拟合程度最好的目标数量个人工地震波。
在一种可能实施方式中,所述线性神经网络模型包括多个全连接层,所述人工弹性时域反应图的横轴为时间,纵轴为周期;
所述步骤S2包括:将所生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型,通过所述多个全连接层,在不改变横轴的时间特征的情况下,对各个人工弹性时域反应图纵轴的周期特征进行一维线性运算,输出与所述人工弹性时域反应图的时间维度一致的多个备选人工地震波。
在一种可能实施方式中,所述物理增强条件生成对抗网络模型包括基于卷积神经网络构造的生成器、判别器以及物理增强判别器;
所述判别器用于在模型训练过程中约束生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距;所述物理增强判别器用于约束所述生成器所生成人工弹性时域反应图对应结构地震反应的类型符合给定的结构地震反应条件;
所述步骤S1包括:将随机噪声、所述结构地震反应条件、所述场地条件和所述结构自振周期条件输入经过训练的物理增强条件生成对抗网络模型的生成器,得到多个符合所述条件信息的弹性时域反应图,所述随机噪声用于提供所生成的多个弹性时域反应图之间的差异性。
在一种可能实施方式中,所述物理增强条件生成对抗网络模型的训练过程包括:
步骤A、根据多个天然地震波的数据,建立天然地震波数据库;
步骤B、求解所述多条天然地震波的单自由度体系地震反应,根据求解得到的多个弹性时域反应图得到弹性时域反应图数据库;
步骤C、利用所述天然地震波数据库,对给定的结构模型库中各个结构进行弹塑性时程分析,根据分析得到的结构地震反应构建结构地震反应数据库;
步骤D、按照预设的组合方式,将所述弹性时域反应图数据库中的弹性时域反应图组合,得到多个拟弹性时域反应图;并利用所述结构地震反应数据库,确定所述多个拟弹性时域反应图的分类标签,基于所述多个拟弹性时域反应图和对应的分类标签,建立拟弹性时域反应图数据库;
步骤E、采用所述拟弹性时域反应图数据库,训练物理增强条件生成对抗网络模型。
在一种可能实施方式中,所述物理增强条件生成对抗网络模型包括基于卷积神经网络构造的生成器、判别器以及物理增强判别器;
所述步骤E包括:
E1、将给定的样本条件信息和所述拟弹性时域反应图数据库输入所述判别器,训练所述判别器判断拟弹性时域反应图的来源以及是否符合所述样本条件信息,所述来源包括来自天然地震波和来自人工生成,所述样本条件信息包含样本结构地震反应条件、样本场地条件和样本结构自振周期条件;
E2、将给定的随机信息和所述样本条件信息输入所述生成器,输出符合所述样本条件信息的样本人工弹性时域反应图;
E3、将所述生成器生成的样本人工弹性时域反应图输入所述物理增强判别器,训练所述物理增强判别器判断所述人工弹性时域反应图对应结构地震反应的类型;
E4、根据所述判别器和所述物理增强判别器的输出结果,调整所述生成器的神经网络参数,以使调整后的生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距变小,且,生成的人工弹性时域反应图对应结构地震反应的类型符合所述样本结构地震反应条件。
在一种可能实施方式中,所述步骤B包括:
B1、以所述天然地震波的持续时间为横轴取值范围,使用动力学积分方法计算不同周期单自由度体系在所述天然地震波下的地震反应时程和最大反应;
B2、针对任一周期单自由度体系的地震反应时程除以所述最大反应,得到归一化时程反应;
B3、以周期为纵坐标,以时间为横坐标,以不同周期单自由度体系的所述归一化时程反应为灰度值,绘制所述天然地震波的弹性时域反应图,所述弹性时域反应图中任一点的灰度值表示在对应时间点、对应周期下时程反应的强弱;
B4、根据所述多个天然地震波的弹性时域反应图,构建所述弹性时域反应图数据库。
在一种可能实施方式中,所述步骤D包括:
D1、按照预设的组合方式,将所述弹性时域反应图数据库中的弹性时域反应图进行分组,将每个分组内的多个弹性时域反应图相对应位置的像素值相加后求平均,得到所述分组对应的拟弹性时域反应图;
D2、针对每个所述分组,对所述分组内各个弹性时域反应图对应天然地震波在所述结构地震反应数据库中的结构地震反应进行平均计算,得到组内平均值,所述结构地震反应由多个楼层各自的结构地震反应分量组成;
针对每个分组内的任一弹性时域反应图,根据所述弹性时域反应图对应结构地震反应和所述组内平均值之间的差值,得到所述组内偏差值;
D3、针对任一分组,计算所述分组中各个弹性时域反应图对应结构地震反应的组内偏差的平均值和标准差,根据所述平均值和所述标准差的和,确定所述分组对应的拟弹性时域反应图的偏差判定系数;
其中,所述偏差判定系数指示分组内各个弹性时域反应图对应结构地震反应相对于组内平均值的偏差程度,所述偏差判定系数越大的拟弹性时域反应图的可靠程度越小;
D4、将所述偏差判定系数值小于第一阈值的拟弹性时域反应图确定为一类,生成指示所述拟弹性时域反应图为一类的结构地震反应标签;
D5、基于所述多个和所述结构地震反应标签,扩充所述弹性时域反应图数据库,所述拟弹性时域反应图的分类标签还包括:场地条件标签和结构自振周期标签。
在一种可能实施方式中,弹性时域反应图的横轴为时间,纵轴为周期,所述线性神经网络模型的训练过程包括:
将所述弹性时域反应图数据库包含的多个天然地震波对应的弹性时域反应图输入至待训练所述线性神经网络模型中,通过所述线性神经网络模型对输入的弹性时域反应图的周期进行一维线性运算,生成与输入的弹性时域反应图时间维度一致的多个样本人工地震波;
按照给定的训练要求对所述线性神经网络模型输出的多个样本人工地震波进行验证,按照验证结果调整所述线性神经网络模型的参数,所述训练要求包括:输出的样本人工地震波在给定的误差内接近对应的天然地震波的波形,并且,输出的人工地震波的反应谱在给定的精度要求内拟合对应天然地震波的反应谱。
第二方面,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人工地震波生成方法。
第三方面,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人工地震波生成方法。
本申请提供的技术方案至少包括如下技术效果:
采用训练过的物理增强条件生成对抗网络模型,按照输入的给定条件信息生成表征地震波时频域特征且对应结构地震反应的可靠程度符合给定条件的多个人工弹性时域反应图;将人工弹性时域反应图输入训练过的线性神经网络模型,生成多个备选人工地震波;按照给定目标反应谱调整多个备选人工地震波的反应谱,从调整后的人工地震波中选择与目标反应谱拟合程度最好的目标数量个人工地震波。本申请利用物理增强的生成对抗网络和线性神经网络,以时频域特征为地震波拟合的基准,稳定生成大量质量可靠、符合给定场地和周期条件的人工地震波,显著提升弹塑性时程分析的合理性。
附图说明
图1是本申请实施例提供的一种人工地震波生成方法的流程示意图;
图2是本申请实施例提供的一种物理增强条件生成对抗网络模型中生成器和判别器的示意图;
图3是本申请实施例提供的一种物理增强条件生成对抗网络模型中物理增强判别器的示意图;
图4是本申请实施例提供的一种线性神经网络模型的示意图;
图5是本申请实施例提供的一种模型训练流程的示意图;
图6是本申请实施例提供的另一种人工地震波生成方法的流程示意图;
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,多个地震波是指两个或两个以上的地震波。
现结合附图和具体实施方式对本申请进一步说明。
针对相关技术中,无法高效地生成高质量人工地震波的问题,本申请提出了一种人工地震波生成方法,采用经过训练的物理增强条件生成对抗网络(Physics-EnhancedConditional Deep Convolutional Generative Adversarial Networks,Physics-Enhanced CDCGAN)模型以及经过训练的线性神经网络模型(Linear Neural Network,LNN)来生成符合给定条件的人工地震波。图1是本申请实施例提供的一种人工地震波生成方法的流程示意图。参见图1,该方法包括S1至步骤S3。
S1、将给定的条件信息输入经过训练的物理增强条件生成对抗网络模型,生成符合条件信息的多个人工弹性时域反应图。
其中,条件信息包括结构地震反应条件、场地条件和结构自振周期条件;结构地震反应条件指示所生成弹性时域反应图对应的结构地震反应的类型,结构地震反应的类型指示对应地震波的可靠程度;弹性时域反应图用于表征对应地震波的时频域特征对结构地震反应的影响。
其中,弹性时域反应图的横轴为时间,纵轴为周期,弹性时域反应图中任一点的灰度值表示在对应时间点、对应周期下时程反应的强弱。弹性时域反应图描述地震波在不同周期单自由度体系下的归一化时程反应。因此,弹性时域反应图可以有效地描述地震波的时频域特征(时间对应时域,周期对应频域)对结构地震反应的影响。
本申请实施例中,物理增强条件生成对抗网络模型(简称为PHY-CDCGAN模型)能够根据输入的条件信息,输出一定数量的对应条件的人工弹性时域反应图。具体地,条件信息包括:结构地震反应条件(指定弹性时域反应图的类型)、场地条件、结构自振周期条件。
示例性地,结构地震反应条件预先设置多种类型,类型指示所生成弹性时域反应图对应的结构地震反应和对应条件(条件信息)下天然地震波的结构地震反应之间的相似程度,越相似则所生成的人工弹性时域反应图的可靠程度越高。
具体地,按照可靠程度可预先划分有多个类,结构地震反应条件用于约束人工弹性时域反应图对应的结构地震反应为可靠程度最高的类型。示例性地,划分有四个类型,四类到一类,可靠程度递增。基于此,在给定条件信息时,设置结构地震反应条件为“一类”,即可确保所生成弹性时域反应图对应的结构地震反应尽可能接近对应条件(条件信息)下天然地震波的结构地震反应,也即是,确保则所生成的人工弹性时域反应图的可靠程度尽可能高。
本申请实施例中,场地条件描述待分析的场地的地质特征,例如,场地条件包括按照土地使用年限或土地松软程度划分的土地类型(C类、D类等)。结构的自振周期反映结构的动力特性,与结构的质量及刚度有关,在构造输入的条件信息时可以按照所针对的结构进行设置。在上述示例下,条件信息可以表示为:结构地震反应条件为一类、场地条件为C类/D类、结构自振周期条件为[0.1s,10s]范围。
本申请实施例中,PHY-CDCGAN模型包括基于卷积神经网络(CNN)构造的生成器、判别器以及物理增强判别器。
其中,生成器用于根据输入的条件信息和随机信息输出人工弹性时域反应图。判别器用于在模型训练过程中约束生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距;物理增强判别器用于约束生成器所生成人工弹性时域反应图对应结构地震反应的类型符合给定的结构地震反应条件。
本申请实施例中,判别器以来自弹性时域反应图数据库(数据库构建过程参见后文)中的真实弹性时域反应图以及训练过程中生成器生成的人工弹性时域反应图作为输入,并在训练过程中,尝试区分哪些样本图像来自真实数据,哪些来自生成器生成数据。判别器的目标是尽可能准确地判别输入图像的来源以及判别是否符合给定的条件信息(也即是输入图像是否和对应分类标签相匹配)。
因此,判别器的输出结果可作为调整生成器的依据之一,在训练生成器的过程中,通过判别器的输出结果来约束所生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距尽可能小,也即是,使得生成器所生成的人工弹性时域反应图尽可能地接近天然地震波的弹性时域反应图。
图2是本申请实施例提供的一种PHY-CDCGAN模型中生成器和判别器的示意图。
图2中(a)部分示出了PHY-CDCGAN模型中生成器的网络结构以及每一层的参数设置,生成器的输入包括随机噪声(Random Noise)和条件信息(Condition);输入的数据经过全连接层(FC)、重构层(Reshape)、多个反卷积层(Deconv)后,输出得到人工弹性时域反应图(尺寸为预设)。
图2中(b)部分示出了PHY-CDCGAN模型中判别器的网络结构以及每一层的参数设置,给定的条件信息(Condition)经过嵌入层(Embedding)后再通过重构层(Reshape),和给定的训练样本图像一起作为判别器的输入;训练样本图像包括正样本图像(Real Image)和负样本图像(Fake image),正样本图像为天然地震波的弹性时域反应图,负样本图像为人工弹性时域反应图。输入的数据经过多个卷积层(Conv)、扁平层(Flatten)和全连接层(FC)后,输出一个(1×1)大小的判别结果,该判别结果指示输入的条件信息对应的训练样本图像是属于天然地震波还是人工地震波。
本申请实施例中,物理增强判别器是本申请所提出的PHY-CDCGAN模型中的核心部分之一,在判别器学习训练样本分布规律的基础上,该物理增强判别器能够所设置的条件进行多重约束,从而学习到对应的物理定律,也即是,约束所生成弹性时域反应图对应的结构地震反应尽可能接近对应条件(条件信息)下天然地震波的结构地震反应(约束所生成的人工弹性时域反应图的可靠程度尽可能高)。相比于纯数据驱动的传统神经网络学习,本申请提供的物理增强判别器额外补充了物理信息约束,因此在更少数据样本的基础上,学习到更具泛化能力的模型。
本申请实施例中,物理增强判别器以生成器生成的人工时域反应图为输入,尝试判别该人工时域反应图的类型,也即是,判别该人工时域反应图对应的结构地震反应的标签。物理增强判别器的目的是约束生成器生成的人工弹性时域反应图对应的结构地震反应标签为“一类”。
本申请实施例中,生成器所生成的物理判别器的输出结果是输入的图像对应各种类型的概率,概率最大的也即是输入的图像对应的类型。因此,物理增强判别器的输出结果可作为调整生成器的另一依据,在训练生成器的过程中,通过物理判别器的输出结果来约束所生成的人工弹性时域反应图对应的结构地震反应属于可靠程度最高的类型(也即是符合给定的结构地震反应条件)。
图3是本申请实施例提供的一种PHY-CDCGAN模型中物理增强判别器的示意图。
图3中示出了PHY-CDCGAN模型中物理判别器的网络结构以及每一层的参数设置,物理判别器的输入为生成器所生成的人工弹性时域反应图,输入的人工弹性时域反应图经过多个卷积层(Conv)、扁平层(Flatten)和全连接层(FC)后,输出一个(1×N)大小的判别结果,该判别结果指示输入人工弹性时域反应图的类别,N为人工弹性时域反应图的类型数量。示例性地,图3中的N为四,也即是,人工弹性时域反应图预设有四类。
本申请实施例中,步骤S1包括:将随机信息、结构地震反应条件、场地条件和结构自振周期条件输入经过训练的物理增强条件生成对抗网络模型的生成器,得到多个符合给定条件信息的弹性时域反应图,随机信息用于提供所生成的多个弹性时域反应图之间的差异性。其中,随机信息例如是随机噪声或随机向量。
通过上述过程,采用经过训练的PHY-CDCGAN模型,即可在拟合程度和可靠程度的多重约束作用下,根据输入的条件信息生成对应条件的人工弹性时域反应图。由于人工弹性时域反应图表征了地震波的时频域特征对结构地震反应的影响,因此,经过训练的PHY-CDCGAN模型能够以地震波的时频域特征为准来生成和给定条件下天然地震波最贴近的多种人工弹性时域反应图,从而为后续生成人工地震波提供考虑地震波时频域特征的输入,提升所生成人工地震波的质量。
在介绍了PHY-CDCGAN模型的各个模型模块及其功能后,下面对PHY-CDCGAN模型的训练过程进行介绍。本申请实施例中,PHY-CDCGAN模型的训练过程包括下述的步骤A至步骤E。
步骤A、根据多个天然地震波的数据,建立天然地震波数据库。
本申请实施例中,根据不同的场地条件、不同结构自振周期条件对天然地震波数据库中的地震波数据进行初步分组。其中,天然地震波至少三条,以支持排列组合的可能性。
示例性地,所采用的天然地震波可以为天然强震地震波,强震是指震级等于或大于6 级的地震。当然,也可以采用其他的天然地震波,本申请对此不作限定。
步骤B、求解多条天然地震波的单自由度体系地震反应,根据求解得到的多个弹性时域反应图得到弹性时域反应图数据库。
本申请实施例中,步骤B包括:
B1、以天然地震波的持续时间为横轴取值范围,使用动力学积分方法计算不同周期单自由度体系在天然地震波下的地震反应时程和最大反应。
B2、针对任一周期单自由度体系的地震反应时程除以最大反应,得到归一化时程反应。
B3、以周期为纵坐标,以时间为横坐标,以不同周期单自由度体系的归一化时程反应为灰度值,绘制天然地震波的弹性时域反应图,弹性时域反应图中任一点的灰度值表示在对应时间点、对应周期下时程反应的强弱。
B4、根据多个天然地震波的弹性时域反应图,构建弹性时域反应图数据库。
可选地,还可以对上述生成的弹性时域反应图进行调整,以使得弹性时域反应图的尺寸更适合进行神经网络训练、特征更加突出。
调整过程包括:在横坐标方向保留地震波峰值加速度(PGA)发生时刻的前后各预设时长(例如20秒)的图像;在纵坐标方向保留预设周期范围内的内容,例如,预设周期范围为,T 1为结构一阶振型周期,T n为确保累计振型质量参与系数大于0.9需考虑的振型数量。
通过上述过程,将弹性时域反应图数据库中的弹性时域反应图与天然地震波数据库中的天然地震波一一对应,并按照天然地震波数据库的分组关系,对弹性时域反应图数据库进行相应的初步分组,也即是,按照天然地震波对应的场地条件和结构自振周期条件将弹性时域反应图进行初步分组,后续的数据库扩充处理则是针对场地条件和结构自振周期条件都相同的多个天然地震波及其对应的弹性时域反应图分别进行。
步骤C、利用天然地震波数据库,对给定的结构模型库中各个结构进行弹塑性时程分析,根据分析得到的结构地震反应构建结构地震反应数据库。
本申请实施例中,通过建立多个不同周期及结构类型的结构数值分析模型,即可形成结构模型库。再利用天然地震波数据库中的数据对结构模型库内各个结构进行弹塑性时程分析,即可获得相应的结构地震反应,得到结构地震反应数据库。
步骤D、按照预设的组合方式,将弹性时域反应图数据库中的弹性时域反应图组合,得到多个拟合弹性时域反应图;并利用结构地震反应数据库,确定多个拟合弹性时域反应图的分类标签,基于多个拟弹性时域反应图和对应的分类标签,建立拟弹性时域反应图数据库。
本申请实施例中,步骤D具体包括:
D1、按照预设的组合方式,将弹性时域反应图数据库中的弹性时域反应图进行分组,将每个分组内的多个弹性时域反应图相对应位置的像素值相加后求平均,得到分组对应的拟弹性时域反应图。
具体地,预设的组合方式包括:每一组内包含的地震波数量以及对每组地震波进行排列组合的方式。以每组选取地震波数量为7为例,从天然地震波数据库中随机选出Y(Y为正整数)组含7条地震波的组合;再得到这7条天然地震波处理得到的弹性时域反应图分组,进而对分组内7个弹性时域反应图相对应位置的像素值相加后求平均,得到这个分组对应的拟弹性时域反应图。通过上述过程,即可得到Y个拟弹性时域反应图。
D2、针对每个分组,对分组内各个弹性时域反应图对应天然地震波在结构地震反应数据库中的结构地震反应进行平均计算,得到组内平均值,结构地震反应由多个楼层各自的结构地震反应分量组成;针对每个分组内的任一弹性时域反应图,根据弹性时域反应图对应结构地震反应和组内平均值之间的差值,得到组内偏差值。
具体地,以Y个分组,每个分组对应7个天然地震波为例,首先计算每个分组内7个(弹性时域反应图对应的)天然地震波在结构地震反应数据库中对应的结构地震反应的平均值,得到组内平均值。其中,结构地震反应由多个楼层各自的结构地震反应分量组成,则上述计算平均的过程中,是针对每个楼层各自的结构地震反应分量进行平均后,再将各个楼层各自的结构地震反应分量平均值组合得到组内平均值。
接着,针对每个分组内的每个弹性时域反应图对应的地震波结构响应,以楼层为粒度,将地震波结构响应中各个楼层的结构地震反应分量减去组内平均值中对应的结构地震反应分量平均值,即可得到各条结构地震响应各自的组内偏差值。该组内偏差值指示了该结构地震响应相对于组内整体平均值的偏差程度,也即表征了该结构地震响应对应的弹性时域反应图在整个分组内的代表性。可以理解地,这个组内偏差值越小,说明这个弹性时域反应图越具有代表性,弹性时域反应图表征地震波的时频域特征,因此,组内偏差值越小,则这个弹性时域反应图越能够代表对应条件(场地和结构自振周期)下天然地震波的时频域特征。
D3、针对任一分组,计算分组中各个弹性时域反应图对应结构地震反应的组内偏差的平均值和标准差,根据平均值和标准差的和,确定分组对应的拟弹性时域反应图的偏差判定系数。
为了进一步精细化地对弹性时域反应图的可靠程度进行评估。通过计算分组中7条天然地震波对应的组内偏差值的平均值及标准差,再将平均值及标准差相加得到这个分组对应拟弹性时域反应图的偏差判定系数。
其中,偏差判定系数指示分组内各个弹性时域反应图对应结构地震反应相对于组内平均值的偏差程度,偏差判定系数越大的拟弹性时域反应图的可靠程度越小。
可以理解地,偏差判定系数越小,则说明对应的拟弹性时域反应图越能够代表对应条件(场地和结构自振周期)下多条天然地震波的平均时频域特征。
D4、将偏差判定系数值小于第一阈值的拟弹性时域反应图确定为一类,生成指示拟弹性时域反应图为一类的结构地震反应标签;
具体地,可以设置有多个阈值来划分出多个类型。例如,第一阈值为0.3。基于此,将偏差判定系数值小于0.3的拟弹性时域反应图的结构地震反应标签归为一类,针对偏差判定系数值大于或等于0.3的拟弹性时域反应图,偏差判定系数值在0.4~0.5之间的结构地震反应标签归为二类,偏差判定系数值在0.6~0.7之间的结构地震反应标签归为三类,偏差判定系数值大于0.8的结构地震反应标签归为四类。这四类标签即可作为拟弹性时域反应图的结构地震反应标签。
本申请实施例中,“一类”也即是偏差判定系数在预设范围内最小的一批拟弹性时域反应图。因此,上述的物理增强判别器即可依据处理得到的结构地震反应标签进行训练,约束生成器所生成人工弹性时域反应图的分类标签为一类。
通过上述过程,即以结构地震反应为分类特征,将分类结果映射到弹性时域反应图中,进而建立了地震波的时频域特征和结构地震反应之间的联系,基于此分类结果,即可在训练模型的过程中,使得模型可以根据弹性时域反应图,在生成人工地震波的过程中考虑地震波的时频域特征对结构地震反应的影响,提升所生成人工地震波的质量。
D5、基于多个和结构地震反应标签,扩充弹性时域反应图数据库,拟弹性时域反应图的分类标签还包括:场地条件标签和结构自振周期标签。
具体地,扩充后拟弹性时域反应图数据库中的每一个拟弹性时域反应图以及弹性时域反应图对应有至少三个标签:场地条件标签、结构自振周期标签和结构地震反应标签。
其中,结构自振周期标签例如是[0.1s,10s]内的任意范围。场地条件标签例如是C类土/D类土。结构地震反应标签即为前述举例的一类至四类中任一种。相应地,给定的条件信息指示了场地条件标签、结构自振周期标签和结构地震反应标签所需满足的条件。
步骤E、采用拟弹性时域反应图数据库,训练PHY-CDCGAN模型。
本申请实施例中,PHY-CDCGAN模型包括基于卷积神经网络构造的生成器、判别器以及物理增强判别器。在这种示例下,步骤E具体包括:
E1、将给定的样本条件信息和拟弹性时域反应图数据库输入判别器,训练判别器判断拟弹性时域反应图的来源以及是否符合样本条件信息,来源包括来自天然地震波和来自人工生成,样本条件信息包含样本结构地震反应条件、样本场地条件和样本结构自振周期条件。
E2、将给定的随机信息和样本条件信息输入生成器,输出符合样本条件信息的样本人工弹性时域反应图。
E3、将生成器生成的样本人工弹性时域反应图输入物理增强判别器,训练物理增强判别器判断人工弹性时域反应图对应结构地震反应的类型。其中,类型例如是一类、二类、三类或四类。
E4、根据判别器和物理增强判别器的输出结果,调整生成器的神经网络参数,以使调整后的生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距变小,且,生成的人工弹性时域反应图对应结构地震反应的类型符合所述样本结构地震反应条件。
本申请实施例考虑到天然地震波数量有限,不足以训练生成对抗网络。因此采用拟弹性时域反应图及对应标签来扩充数据库库,从而能够支持生成对抗网络的训练,如果天然地震波数量充足,也可仅采用弹性时域反应图进行训练(也即是无需扩充得到拟弹性时域反应图数据库)。训练过程中,生成器根据判别器与物理增强判别器的判别结果,不断优化自身参数,来提高所生成样本(人工地震波)的质量。
S2、将生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型中,生成多个备选人工地震波。
本申请实施例中采用的LNN模型包括多个全连接层,LNN模型的输入为二维(时间轴,周期轴)的人工弹性时域反应图,也即是,人工弹性时域反应图的横轴为时间,纵轴为周期。
本申请实施例中,步骤S2包括:将所生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型,通过多个全连接层,在不改变横轴的时间特征的情况下,对各个人工弹性时域反应图的周期特征进行一维线性运算,输出与人工弹性时域反应图的时间维度一致的多个备选人工地震波。
本申请实施例中采用LNN模型对所输入人工弹性时域反应图的特征轴(周期轴)做一维线性运算,而不改变其时间轴的维度。最终LNN输出与人工弹性时域反应图时间轴长度一致的人工地震波。
图4是本申请实施例提供的一种LNN模型的示意图。参见图4,LNN模型包括多个全连接层(FC1至FC7),输入的人工弹性时域反应图的大小为248×4000(周期轴长度×时间轴长度),经过FC1至FC7的处理,将输入的人工弹性时域反应图周期特征逐步从1024维、512维、64维压缩为一维,过程中保持其时间轴的长度4000不变,最后输出了1×4000大小的人工地震波。
基于上述原理,本申请实施例对LNN的训练过程包括:
步骤(1)将上述弹性时域反应图数据库(包含天然地震波数据库中天然地震波对应的弹性时域反应图)输入至待训练的LNN模型中,通过该LNN模型对输入的弹性时域反应图进行一维线性运算,输出与输入的弹性时域反应图时间维度一致的多个样本人工地震波,所生成的样本人工地震波的弹性时域反应图与输入的天然地震波的弹性时域反应图一致。
步骤(2)按照给定的训练要求对LNN模型的输出结果进行验证,并按照验证结果调整LNN模型的参数:验证LNN模型是否能够根据输入的天然地震波弹性时域反应图,输出在给定的误差内接近对应的天然地震波波形的人工地震波(也可称为预测地震波),并且,所生成的人工地震波的反应谱是否在给定的精度要求内拟合天然地震波的反应谱。
本申请实施例提供的人工地震波生成方法主要包含对PHY-CDCGAN模型和LNN模型的训练过程,以及利用经过训练的PHY-CDCGAN模型和LNN模型来生成人工地震波的生成过程。图5是本申请实施例提供的一种模型训练流程的示意图。
下面结合图5,对本申请实施例所提供人工地震波生成方法中PHY-CDCGAN模型和LNN模型的训练流程进行说明。参见图5,通过上述步骤A构建天然强震地震波数据库后,通过步骤B构建天然强震地震波对应的弹性时域反应图数据库;同步地,通过步骤C构建结构模型库,再依据天然强震地震波数据库和结构模型库进行弹塑性时程分析,得到结构地震反应数据库;继续基于步骤D,利用结构地震反应数据库和弹性时域反应图数据库进行数据扩增,得到拟弹性时域反应图及其对应的标签来扩充弹性时域反应图数据库;最后通过步骤E即可对物理增强条件生成对抗网络(PHY-CDCGAN)模型进行训练;过程中,天然强震地震波数据库和对应的弹性时域反应图数据库可用于在步骤(1)和步骤(2)中训练线性神经网络(LNN)模型。
S3、调整多个备选人工地震波的反应谱,以使各个人工地震波的反应谱与给定的目标反应谱匹配,从调整反应谱后的得到的多个新的人工地震波中,选择反应谱与目标反应谱拟合程度最好的目标数量个人工地震波。
在一种可能实施方式中,调整是指对所生成的人工地震波进行调幅处理,来使调整后的人工地震波的反应谱尽可能和目标谱。基于此,调整后的多个新的人工地震波中,进一步挑选出和目标谱拟合程度最好的X(目标数量X为正整数)个,即可作为结构弹塑性地震反应分析的人工地震波输入。
图6是本申请实施例提供的另一种人工地震波生成方法的流程示意图,下面结合图6,对本申请实施例所提供人工地震波生成方法中的生成过程进行总结性说明。参见图6,根据给定的条件信息(包含结构地震反应条件、场地条件和结构自振周期条件)和随机噪声作为输入数据,输入到经过训练的物理增强条件生成对抗网络(PHY-CDCGAN)模型中,对应条件的人工弹性时域反应图;再将对应条件的人工弹性时域反应图输入经过训练的线性神经网络(LNN)模型中,生成多个备选人工地震波;其中,LNN模型包括输入层、隐层和输出层,隐层包括多个全连接层。最终,按照给定的目标谱,接口选出拟合程度最好的多个人工地震波,用于对选定的建筑结构进行弹塑性时程分析。
通过本申请实施例提供的技术方案,可以在极少量天然地震波的指导下(例如,在构建天然地震波数据库以训练PHY-CDCGAN模型时,最少仅需3条天然地震波),以天然地震波的时频域特征为地震波拟合的基准,稳定生成大量质量可靠、符合给定场地和周期条件的人工地震波,从而实现对大量地震波输入下结构地震响应的稳定估计,显著提高弹塑性时程分析结果合理性。
本申请提供了一种计算设备,可用于执行上述提供的人工地震波生成方法中的全部或部分步骤。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、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等,本申请对此不做限定。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 (10)
1.一种人工地震波生成方法,其特征在于,所述方法包括:
S1、将给定的条件信息输入经过训练的物理增强条件生成对抗网络模型,生成符合所述条件信息的多个人工弹性时域反应图;
其中,所述条件信息包括结构地震反应条件、场地条件和结构自振周期条件;所述结构地震反应条件指示所生成弹性时域反应图对应的结构地震反应的类型,结构地震反应的类型指示对应地震波的可靠程度,弹性时域反应图用于表征对应地震波的时频域特征对结构地震反应的影响;
S2、将生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型中,生成多个备选人工地震波;
S3、调整多个备选人工地震波的反应谱,以使各个人工地震波的反应谱与给定的目标反应谱匹配,从调整反应谱后得到的多个新的人工地震波中,选择反应谱与所述目标反应谱拟合程度最好的目标数量个人工地震波。
2.根据权利要求1所述的人工地震波生成方法,其特征在于,所述线性神经网络模型包括多个全连接层,所述人工弹性时域反应图的横轴为时间,纵轴为周期;
所述步骤S2包括:将所生成的多个人工弹性时域反应图输入经过训练的线性神经网络模型,通过所述多个全连接层,在不改变横轴的时间特征的情况下,对各个人工弹性时域反应图纵轴的周期特征进行一维线性运算,输出与所述人工弹性时域反应图的时间维度一致的多个备选人工地震波。
3.根据权利要求1所述的人工地震波生成方法,其特征在于,所述物理增强条件生成对抗网络模型包括基于卷积神经网络构造的生成器、判别器以及物理增强判别器;
所述判别器用于在模型训练过程中约束生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距;所述物理增强判别器用于约束所述生成器所生成人工弹性时域反应图对应结构地震反应的类型符合给定的结构地震反应条件;
所述步骤S1包括:将随机噪声、所述结构地震反应条件、所述场地条件和所述结构自振周期条件输入经过训练的物理增强条件生成对抗网络模型的生成器,得到多个符合所述条件信息的弹性时域反应图,所述随机噪声用于提供所生成的多个弹性时域反应图之间的差异性。
4.根据权利要求1所述的人工地震波生成方法,其特征在于,所述物理增强条件生成对抗网络模型的训练过程包括:
步骤A、根据多个天然地震波的数据,建立天然地震波数据库;
步骤B、求解所述多条天然地震波的单自由度体系地震反应,根据求解得到的多个弹性时域反应图得到弹性时域反应图数据库;
步骤C、利用所述天然地震波数据库,对给定的结构模型库中各个结构进行弹塑性时程分析,根据分析得到的结构地震反应构建结构地震反应数据库;
步骤D、按照预设的组合方式,将所述弹性时域反应图数据库中的弹性时域反应图组合,得到多个拟弹性时域反应图;并利用所述结构地震反应数据库,确定所述多个拟弹性时域反应图的分类标签,基于所述多个拟弹性时域反应图和对应的分类标签,建立拟弹性时域反应图数据库;
步骤E、采用所述拟弹性时域反应图数据库,训练物理增强条件生成对抗网络模型。
5.根据权利要求4所述的人工地震波生成方法,其特征在于,所述物理增强条件生成对抗网络模型包括基于卷积神经网络构造的生成器、判别器以及物理增强判别器;
所述步骤E包括:
E1、将给定的样本条件信息和所述拟弹性时域反应图数据库输入所述判别器,训练所述判别器判断拟弹性时域反应图的来源以及是否符合所述样本条件信息,所述来源包括来自天然地震波和来自人工生成,所述样本条件信息包含样本结构地震反应条件、样本场地条件和样本结构自振周期条件;
E2、将给定的随机信息和所述样本条件信息输入所述生成器,输出符合所述样本条件信息的样本人工弹性时域反应图;
E3、将所述生成器生成的样本人工弹性时域反应图输入所述物理增强判别器,训练所述物理增强判别器判断所述人工弹性时域反应图对应结构地震反应的类型;
E4、根据所述判别器和所述物理增强判别器的输出结果,调整所述生成器的神经网络参数,以使调整后的生成器生成的人工弹性时域反应图和天然地震波的弹性时域反应图之间的差距变小,且,生成的人工弹性时域反应图对应结构地震反应的类型符合所述样本结构地震反应条件。
6.根据权利要求4所述的人工地震波生成方法,其特征在于,所述步骤B包括:
B1、以所述天然地震波的持续时间为横轴取值范围,使用动力学积分方法计算不同周期单自由度体系在所述天然地震波下的地震反应时程和最大反应;
B2、针对任一周期单自由度体系的地震反应时程除以所述最大反应,得到归一化时程反应;
B3、以周期为纵坐标,以时间为横坐标,以不同周期单自由度体系的所述归一化时程反应为灰度值,绘制所述天然地震波的弹性时域反应图,所述弹性时域反应图中任一点的灰度值表示在对应时间点、对应周期下时程反应的强弱;
B4、根据所述多个天然地震波的弹性时域反应图,构建所述弹性时域反应图数据库。
7.根据权利要求4所述的人工地震波生成方法,其特征在于,所述步骤D包括:
D1、按照预设的组合方式,将所述弹性时域反应图数据库中的弹性时域反应图进行分组,将每个分组内的多个弹性时域反应图相对应位置的像素值相加后求平均,得到所述分组对应的拟弹性时域反应图;
D2、针对每个所述分组,对所述分组内各个弹性时域反应图对应天然地震波在所述结构地震反应数据库中的结构地震反应进行平均计算,得到组内平均值,所述结构地震反应由多个楼层各自的结构地震反应分量组成;
针对每个分组内的任一弹性时域反应图,根据所述弹性时域反应图对应结构地震反应和所述组内平均值之间的差值,得到所述组内偏差值;
D3、针对任一分组,计算所述分组中各个弹性时域反应图对应结构地震反应的组内偏差的平均值和标准差,根据所述平均值和所述标准差的和,确定所述分组对应的拟弹性时域反应图的偏差判定系数;
其中,所述偏差判定系数指示分组内各个弹性时域反应图对应结构地震反应相对于组内平均值的偏差程度,所述偏差判定系数越大的拟弹性时域反应图的可靠程度越小;
D4、将所述偏差判定系数值小于第一阈值的拟弹性时域反应图确定为一类,生成指示所述拟弹性时域反应图为一类的结构地震反应标签;
D5、基于所述多个和所述结构地震反应标签,扩充所述弹性时域反应图数据库,所述拟弹性时域反应图的分类标签还包括:场地条件标签和结构自振周期标签。
8.根据权利要求4所述的人工地震波生成方法,其特征在于,弹性时域反应图的横轴为时间,纵轴为周期,所述线性神经网络模型的训练过程包括:
将所述弹性时域反应图数据库包含的多个天然地震波对应的弹性时域反应图输入至待训练所述线性神经网络模型中,通过所述线性神经网络模型对输入的弹性时域反应图的周期进行一维线性运算,生成与输入的弹性时域反应图时间维度一致的多个样本人工地震波;
按照给定的训练要求对所述线性神经网络模型输出的多个样本人工地震波进行验证,按照验证结果调整所述线性神经网络模型的参数,所述训练要求包括:输出的样本人工地震波在给定的误差内接近对应的天然地震波的波形,并且,输出的人工地震波的反应谱在给定的精度要求内拟合对应天然地震波的反应谱。
9.一种计算设备,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8任一所述的人工地震波生成方法。
10.一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8任一所述的人工地震波生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311629178.8A CN117332703B (zh) | 2023-12-01 | 2023-12-01 | 人工地震波生成方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311629178.8A CN117332703B (zh) | 2023-12-01 | 2023-12-01 | 人工地震波生成方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332703A true CN117332703A (zh) | 2024-01-02 |
CN117332703B CN117332703B (zh) | 2024-02-02 |
Family
ID=89277753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311629178.8A Active CN117332703B (zh) | 2023-12-01 | 2023-12-01 | 人工地震波生成方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332703B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236256A (zh) * | 2008-01-25 | 2008-08-06 | 北京工业大学 | 多阻尼比目标反应谱兼容的人工地震波合成方法 |
KR20110015169A (ko) * | 2009-08-07 | 2011-02-15 | 한국전력공사 | 지진파형의 시간영역 부지응답특성 변환을 통한 인접부지의 지진동세기추정시스템 및 그 추정방법 |
CN113935240A (zh) * | 2021-10-15 | 2022-01-14 | 西华大学 | 基于生成式对抗网络算法的人工地震波模拟方法 |
CN116756515A (zh) * | 2023-07-07 | 2023-09-15 | 广州大学 | 基于深度卷积生成对抗网络的人工地震波生成方法 |
CN116776208A (zh) * | 2023-08-25 | 2023-09-19 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
-
2023
- 2023-12-01 CN CN202311629178.8A patent/CN117332703B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236256A (zh) * | 2008-01-25 | 2008-08-06 | 北京工业大学 | 多阻尼比目标反应谱兼容的人工地震波合成方法 |
KR20110015169A (ko) * | 2009-08-07 | 2011-02-15 | 한국전력공사 | 지진파형의 시간영역 부지응답특성 변환을 통한 인접부지의 지진동세기추정시스템 및 그 추정방법 |
CN113935240A (zh) * | 2021-10-15 | 2022-01-14 | 西华大学 | 基于生成式对抗网络算法的人工地震波模拟方法 |
CN116756515A (zh) * | 2023-07-07 | 2023-09-15 | 广州大学 | 基于深度卷积生成对抗网络的人工地震波生成方法 |
CN116776208A (zh) * | 2023-08-25 | 2023-09-19 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
康昊,郭子雄,刘洋: "基于 CNN 的考虑地震波时频特征影响选波方法研究", 《工程力学》, pages 2 - 13 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332703B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766940B (zh) | 用于生成模型的方法和装置 | |
CN110084377B (zh) | 用于构建决策树的方法和装置 | |
JP6823523B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US11295517B2 (en) | Generating realistic point clouds | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN109983480B (zh) | 使用聚类损失训练神经网络 | |
CN111524216B (zh) | 生成三维人脸数据的方法和装置 | |
Viladomat et al. | Assessing the significance of global and local correlations under spatial autocorrelation: a nonparametric approach | |
JP2019534487A (ja) | 最適ストラテジーを決定するためのシステムおよび方法 | |
US20230177089A1 (en) | Identifying similar content in a multi-item embedding space | |
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 | |
US20230306258A1 (en) | Training video data generation neural networks using video frame embeddings | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN109121133B (zh) | 一种位置隐私保护方法及装置 | |
CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
CN117332703B (zh) | 人工地震波生成方法、设备及存储介质 | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN114898155B (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN117010480A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN111126617B (zh) | 一种选择融合模型权重参数的方法、装置及设备 | |
CN114510592A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112905792A (zh) | 基于非文本场景的文本聚类方法、装置、设备及存储介质 | |
CN110889635A (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
EP4184398A1 (en) | Identifying, or checking integrity of, a machine-learning classification model | |
CN116451775A (zh) | 数据扩充方法、装置、计算机设备和存储介质 |
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 |