CN117607967B - 一种基于遗传算法的地震动基线校正方法及电子设备 - Google Patents
一种基于遗传算法的地震动基线校正方法及电子设备 Download PDFInfo
- Publication number
- CN117607967B CN117607967B CN202410078358.XA CN202410078358A CN117607967B CN 117607967 B CN117607967 B CN 117607967B CN 202410078358 A CN202410078358 A CN 202410078358A CN 117607967 B CN117607967 B CN 117607967B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- init
- population
- time
- earthquake motion
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 68
- 238000012937 correction Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002068 genetic effect Effects 0.000 title claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 120
- 238000006073 displacement reaction Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000001186 cumulative effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000035939 shock Effects 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims 1
- 238000002986 genetic algorithm method Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- YNPNZTXNASCQKK-UHFFFAOYSA-N Phenanthrene Natural products C1=CC=C2C3=CC=CC=C3C=CC2=C1 YNPNZTXNASCQKK-UHFFFAOYSA-N 0.000 description 2
- DGEZNRSVGBDHLK-UHFFFAOYSA-N [1,10]phenanthroline Chemical compound C1=CN=C2C3=NC=CC=C3C=CC2=C1 DGEZNRSVGBDHLK-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation 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
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Geophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于遗传算法的地震动基线校正方法及电子设备，属于防灾减灾技术领域，包括：获取原始地震动加速度数据，并对所述原始地震动加速度数据进行预处理，以消除加速度计的系统偏差；计算加速度累积能量比确定T 1‑init和T 3‑init，根据所述T 1‑init和所述T 3‑init得到消除加速度计系统偏差后的地震动加速度数据时程上三个时间参数T 1、T 2、T 3的取值范围；设定种群规模为N组与最大进化代数为M次，通过遗传算法得到最优个体的T 1、T 2和T 3取值，其中M、N为非零自然数；针对所述最优个体的T 1、T 2和T 3取值，对地震动进行基线校正。本发明的方法实现了高效的自动化校正，很好地恢复了地震动的永久位移。
Description
技术领域
本发明涉及防灾减灾技术领域，特别涉及一种基于遗传算法的地震动基线校正方法及电子设备。
背景技术
大量的地震记录为断层机理、近场地震动特性以及跨断层桥梁抗震的研究奠定了基础。但是，由于受地面倾斜、背景噪声和仪器噪声等因素的影响，实测地震动记录中不可避免的会受到基线漂移的影响。虽然基线偏移会使强震仪记录到的加速度时程发生很小的偏移，但通过积分求速度、位移时程时，漂移被逐步放大，从而对速度时程和位移时程产生很大的影响，因此，强震仪所记录到的地震记录一般要经过处理才能为结构抗震所服务，如何消除地震动中的基线漂移是需要解决的关键问题。
常用的消除地震动基线漂移的方法主要可以分为两种：频域处理法和基线校正方法。频域处理法中最常用的即为滤波方法，常采用美国地调局提出的BAP（BasicAcceleration Processing）方法，该方法采用高通滤波器进行处理，但通过这种方法不仅消除了极限偏移导致的误差，同时也消除了包括永久位移在内的低频信号成分。Yang和Mavroeidis采用原始地震动及高通滤波后的地震动，对比了跨断层减隔震连续梁桥的地震响应，研究表明地震动中的永久地面位移成分对跨断层桥梁的地震响应具有很大影响，在高通滤波后地震动作用下结构的所有响应量都被大大低估。
一般来说，如果强震仪能够记录得到6个自由度的地震记录，则永久位移能够被精确恢复。但现阶段所采用的强震仪只能够记录到2个水平分量和1个竖直分量的地震动，因此永久位移也只能采用基于经验和近似的基线校正方法进行恢复。目前所采用的基线校正方法最早起源于上世纪80年代的Iwan方法，Iwan认为在加速度阈值大于50 cm/s2时仪器的磁滞效应会导致加速度记录出现明显的偏移，并根据此阈值确定了加速度时程首次和最后达到50 cm/s2的时间参数T 1和T 2，同时以此将地震记录划分为震前阶段(0~T 1)、强震阶段(T 1~T 2)和强震后阶段(T 2~T end)，再采用两个加速度修正参数A m 和A f 对强震及强震后阶段的加速度时程分别进行修正。
此后，Boore和Graizer研究发现，除仪器的磁滞效应外，地面的倾斜也是造成基线漂移的重要原因，根据加速度阈值大于50 cm/s2来确定T 1和T 2并不合理。因此Boore推广了Iwan方法，指出对参数T 1和T 2的选取不应该仅依据阈值判定，建议将T 1作为自由参数，T 2则取T 1到记录结束之间的任意值。所以，根据T 1和T 2取值的不同，最终校正得到的永久位移的范围很大，但Boore等并没有给出T 1和T 2合理取值的标准。
在Iwan和Boore等人的研究基础上，Wu结合对近场强震动的观测，提出了一个更加合理的时间参数选取方法，其认为基线校正后的位移时程应呈现斜坡函数的形式。Wu认为T 1为地震动开始产生永久位移的时间，同时引入了地震动达到永久位移的时间点T 3和平坦度指标f，而T 2则为范围在T 3~T end之间的随机参数。对于每一个选定的T 2，采用Iwan方法进行校正，并通过积分得到位移时程和计算f值，当f取得最大值时所对应的T 1和T 2取值即为最佳校正的取值。以下称该方法为Wu方法。
在平坦度指标f计算式中，r为以选定的T 1和T 2进行基线校正后得到的位移时程在T 3~T end之间拟合直线与离散点之间的相关系数，b则为拟合直线的斜率，σ为拟合直线与离散点之间的方差。所以当f越大时，T 3~T end之间的位移时程越平坦，校正的结果也越接近斜坡函数的形式，校正的结果也越好。但需要指出的是，Wu的方法在选择T 1和T 3时基于人工目测确定，存在一定的主观性，也不利于自动化计算，且计算量极大，计算效率低下。
在Wu的方法的基础上，Chao引入了加速度累积能量比，认为25%和65%加速度累积能量比对应的时刻即为T 1和T 3的最佳取值，该方法能够实现自动化校正。然而，对于那些距断层较远但仍表现出较大永久位移的地震动，相较于Wu的方法，采用Chao提出的方法会显著高估地面永久位移。因此，Chao方法选取的T 1和T 3存在不合理情况，需要进一步优化。
发明内容
本发明的目的在于克服现有技术对距断层较远但仍表现出较大永久位移的地震动处理的不足，提供一种基于遗传算法的地震动基线校正方法及电子设备。
为了实现上述发明目的，本发明提供了一种基于遗传算法的地震动基线校正的技术方案，包括以下步骤：
S1：获取原始地震动加速度数据，并对所述原始地震动加速度数据进行预处理，得到消除加速度计系统偏差后的地震动加速度数据；
S2：根据消除加速度计系统偏差后的地震动加速度数据确定T 1-init和T 3-init，根据所述T 1-init和所述T 3-init得到消除加速度计系统偏差后的地震动加速度数据时程上三个时间参数T 1、T 2、T 3的取值范围；
其中，T 1-init为强地震动开始产生永久位移的时间点的初始值，T 3-init为实现基线校正引入的时间点的初始值，T 1为强地震动开始产生永久位移的时间点，T 3为实现基线校正引入的时间点，T 2为T 3与地震动记录结束时间T end间的任意时间点；
S3：设定种群规模为N组与最大进化代数为M次，通过遗传算法得到最优个体的T 1、T 2和T 3取值，其中M、N为非零自然数；
S4：针对所述最优个体的T 1、T 2和T 3取值，对地震动进行基线校正。
采用上述技术方案，利用计算机编程实现了自动化校正，很好地恢复了地震动的永久位移。
作为本发明的优选方案，步骤S1包括：
S11：对获取到的所述原始地震动加速度数据，将加速度首次达到仪器出现磁滞效应加速度预设值的时刻确定为t1，加速度最后一次大于所述仪器出现磁滞效应加速度预设值的时刻确定为t2；
S12：根据原始加速度时程积分得到速度时程，通过最小二乘法对在所述t2至测量结束tend段之间的原始地震动速度时程进行线性拟合；
S13：对强震阶段t1~t2的加速度时程根据修正参数A m进行偏移，并对强震后阶段t2~tend加速度时程加速度根据拟合参数A f 进行偏移，得到消除加速度计系统偏差后的地震动加速度数据。
作为本发明的优选方案，步骤S12中，线性拟合的直线方程为：
其中，V f 为拟合直线，V0和A f 为拟合参数，A f 为拟合直线的斜率。
作为本发明的优选方案，步骤S13中所述的加速度修正参数的计算公式为：
其中，A m为强震阶段的加速度修正参数，A f 为加速度拟合参数。
作为本发明的优选方案，步骤S2还包括：根据加速度累积能量比确定T 1-init和T 3-init。
作为本发明的优选方案，所述加速度累积能量比的计算公式为：
其中，E r 为加速度累积能量比，E T 为P波达到后所记录的加速度平方和，n p 为地震动P波到达时间；n c 为加速度能量比为预设值时所对应的时刻；a i 为第i点的加速度值；
所述P波达到后所记录的加速度平方和的计算公式为：
其中，N为加速度记录总数。
作为本发明的优选方案，步骤S2包括：
S21：根据加速度累积能量比达到第一预设值确定T 1-init，加速度累积能量比达到第二预设值确定T 3-init；
S22：根据所述T 1-init和T 3-init，确定T 1、T 2和T 3的取值范围。
作为本发明的优选方案，步骤S3包括：
S31：根据所述T 1、T 2和T 3的取值范围，随机产生N组地震动时间参数，每一组为3×1的矩阵，组成N组潜在解，采用二进制编码形成3×N的二进制矩阵，所述二进制矩阵为完成种群初始化的种群染色体矩阵；
S32：将所述种群染色体矩阵解码为种群表现型矩阵，并计算所述种群表现型矩阵的平坦度指标f，根据所述平坦度指标f形成目标函数矩阵与种群适应度矩阵；
所述平坦度指标f的计算公式为：
其中，r为以选定的T 1和T 2进行基线校正后得到的位移时程在T 3~T end之间拟合直线与离散点之间的相关系数，b则为拟合直线的斜率，σ为拟合直线与离散点之间的方差；
S33：对父代种群进行选择-交叉-变异形成子代种群，并计算子代种群的平坦度指标得到子代种群适应度；
S34：采用精英保留策略，将所述父代种群和所述子代种群进行合并，得到规模为2N组的种群，从所述种群中按照适应度从大到小排序，选择出前N个的个体形成新一代种群染色体矩阵；
S35：重复M次步骤S32-S34，取最后一次进化的新一代数据中最优个体，即得到最优个体的T 1、T 2和T 3取值。
作为本发明的优选方案，步骤S4包括：
S41：对速度时程在最优的T 2至测量结束T end的速度时程进行线性拟合得到A f ，并计算得到A m；
S42：对强震阶段T 1 ~T 2 的加速度时程根据修正参数A m进行偏移，并对强震后阶段T 2 ~T end 加速度时程加速度根据拟合参数A f 进行偏移，得到最终基线校正后的地震动加速度数据。
另一方面，公开了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的基于遗传算法的地震动基线校正方法。
与现有技术相比，本发明的有益效果在于：实现了地震动基线高效的自动化校正，很好地恢复了地震动的永久位移。
附图说明
图1是本发明实施例1所述的一种基于遗传算法的地震动基线校正方法的流程图；
图2是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的加速度累积能量比图；
图3是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的遗传算法流程图；
图4是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的两点交叉图；
图5是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的变异图；
图6是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的采用基于遗传算法的Wu基线校正方法校正地震动TCU052EW和地震动TCU074NS波形图，其中，a是TCU052-EW加速度校正结果对比图，b是TCU074-NS加速度校正结果对比图，c是TCU052-EW速度校正结果对比图，d是TCU074-NS速度校正结果对比图，e是TCU052-EW位移校正结果对比图，f是TCU074-NS位移校正结果对比图；
图7是本发明实施例2所述的一种基于遗传算法的地震动基线校正方法的遗传算法进化过程(TCU052EW,TCU074NS)平坦度指标变化图，其中，a是TCU052-EW的遗传算法进化过程平坦度指标变化图，b是TCU074-NS的遗传算法进化过程平坦度指标变化图；
图8是本发明实施例3所述的一种电子设备的结构框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于遗传算法的地震动基线校正方法，如图1所示，包括以下步骤：
S1：获取原始地震动加速度数据，并对所述原始地震动加速度数据进行预处理，得到消除加速度计系统偏差后的地震动加速度数据。
S2：根据消除加速度计系统偏差后的地震动加速度数据确定T 1-init和T 3-init，根据所述T 1-init和所述T 3-init得到消除加速度计系统偏差后的地震动加速度数据时程上三个时间参数T 1、T 2、T 3的取值范围；
其中，T 1-init为强地震动开始产生永久位移的时间点的初始值，T 3-init为实现基线校正引入的时间点的初始值，T 1为强地震动开始产生永久位移的时间点，T 3为实现基线校正引入的时间点，T 2为T 3与地震动记录结束时间T end间的任意时间点。
S3：设定种群规模为N组与最大进化代数为M次，通过遗传算法得到最优个体的T 1、T 2和T 3取值，其中M、N为非零自然数。
S4：针对所述最优个体的T 1、T 2和T 3取值，对地震动进行基线校正。
实现了地震动基线的自动化校正，很好地恢复了地震动的永久位移。
实施例2
本实施例为实施例1的具体实施例，具体包括：
S1：获取原始地震动加速度数据，并对所述原始地震动加速度数据进行预处理，得到消除加速度计系统偏差后的地震动加速度数据。所述原始地震动加速度数据可以通过强震仪进行记录获取。
S11：对获取到的所述原始地震动加速度数据，将加速度首次达到仪器出现磁滞效应加速度预设值的时刻确定为t1，加速度最后一次大于所述仪器出现磁滞效应加速度预设值的时刻确定为t2；
S12：根据原始加速度时程积分得到速度时程，通过最小二乘法对在所述t2至测量结束tend段之间的原始地震动速度时程进行线性拟合；
步骤S12中，线性拟合的直线方程为：
其中，V f 为拟合直线，V0和A f 为拟合参数，A f 为拟合直线的斜率。
S13：对强震阶段t1~t2的加速度时程根据修正参数A m进行偏移，并对强震后阶段t2~tend加速度时程加速度根据拟合参数A f 进行偏移，得到消除加速度计系统偏差后的地震动加速度数据。
步骤S13中所述的加速度修正参数的计算公式为：
其中，A m为强震阶段的加速度修正参数，A f 为加速度拟合参数。
S2：根据消除加速度计系统偏差后的地震动加速度数据确定T 1-init和T 3-init，根据所述T 1-init和所述T 3-init得到消除加速度计系统偏差后的地震动加速度数据时程上三个时间参数T 1、T 2、T 3的取值范围；
其中，T 1-init为强地震动开始产生永久位移的时间点的初始值，T 3-init为实现基线校正引入的时间点的初始值，T 1为强地震动开始产生永久位移的时间点，T 3为实现基线校正引入的时间点，T 2为T 3与地震动记录结束时间T end间的任意时间点；
S21：根据加速度累积能量比达到第一预设值确定T 1-init，加速度累积能量比达到第二预设值确定T 3-init；
S22：根据所述的初始值T 1-init和T 3-init，确定T 1、T 2和T 3的取值范围。
具体的，所述第一预设值和所述第二预设值可以根据实际需要进行设置，例如，如图2所示，根据加速度累积能量比达到25%确定初始值T 1-init，加速度累积能量比达到65%确定初始值T 3-init，将第一预设值设置为25%，第二预设值设置为65%，给定合理预设值使得计算效率更高。
步骤S21中所述的加速度累积能量比的计算公式为：
其中，E r 为加速度累积能量比，E T 为P波达到后所记录的加速度平方和，n p 为地震动P波到达时间，本实施例中取地震动记录的初始时刻；n c 为加速度能量比为预设值时所对应的时刻；a i 为第i点的加速度值；
所述P波达到后所记录的加速度平方和的计算公式为：
其中，N为加速度记录总数。
S22：根据所述T 1-init和T 3-init，确定T 1、T 2和T 3的取值范围，针对不同地震动基线校正的研究，本实施例在综合考虑强震仪所记录地震动加速度数据的总时长、遗传算法收敛速度，推荐将时间参数的随机变化取到T 1-init和T 3-init的±4范围，所述T 1的取值范围的计算公式为：
其中，T 1-init为T 1初始值；
所述T 2的取值范围的计算公式为：
其中，T 3-init为T 3初始值，T end为地震动记录停止时间；
所述T 3的取值范围的计算公式为：
其中，T 3-init为T 3初始值。
且T 1、T 2和T 3之间限制关系为：
S3：设定种群规模为N组与最大进化代数为M次，通过遗传算法得到最优个体的T 1、T 2和T 3取值，其中M、N为非零自然数；如图3所示，步骤S3包括：
S31：根据所述T 1、T 2和T 3的取值范围，随机产生N组地震动时间参数，每一组为3×1的矩阵，组成N组潜在解，采用二进制编码形成3×N的二进制矩阵，所述二进制矩阵为完成种群初始化的种群染色体矩阵Chrom；
S32：将所述种群染色体矩阵Chrom解码（将二进制转换为十进制）为种群表现型矩阵Phen，并计算所述种群表现型矩阵的平坦度指标f，根据所述平坦度指标f形成目标函数矩阵ObjV与种群适应度矩阵FitnV；
所述平坦度的计算公式为：
其中，r为以选定的T 1和T 2进行基线校正后得到的位移时程在T 3~T end之间拟合直线与离散点之间的相关系数，b则为拟合直线的斜率，σ为拟合直线与离散点之间的方差；
S33：对父代种群进行选择-交叉-变异形成子代种群，并计算子代种群的平坦度指标得到子代种群适应度；
其中，父代在这里表达的是上一次“选择-交叉-变异-精英保留策略”得到的种群，这里用父代种群来指代，子代种群在这里指的是此次“选择-交叉-变异”得到的种群。
S34：采用精英保留策略，将所述父代种群和所述子代种群进行合并，得到规模为2N组的种群，从所述种群中按照适应度从大到小排序，选择出前N个的个体形成新一代种群染色体矩阵Chrom；
S35：重复M次步骤S32-S34，取最后一次进化的新一代数据中最优个体，即得到最优个体的T 1、T 2和T 3取值。
具体的，根据所述T 1、T 2和T 3取值范围，随机产生50组时间参数，组成50组潜在解，形成3×50的Phen矩阵。并采用二进制编码形成矩阵Chrom。如假设按照该范围随机产生的一组解为[5, 11, 8]，此时二进制编码为[0 1 0 1, 1 0 1 1 ,1 0 0 0]。此时得到的矩阵为完成种群初始化的种群染色体矩阵。
根据预处理后的地震动加速度数据，针对50组时间参数，按平坦度指标计算公式得到的由f组成的目标函数矩阵ObjV与适应度矩阵FitnV。
从现有50组数据中随机抽取母体独立地进行两点交叉操作，如图4所示。
为提高种群的多样性，防止算法陷入局部最优解，对两点交叉得到的数据进行变异操作。由于数据是二进制编码，采用二进制变异，依据变异概率反转染色体中的特定片段，即0和1互换，如图5所示。得到变异后的数据。
采用精英保留策略，将父代和交叉变异后的子代进行合并，得到规模为100的种群，再从合并后的种群中依据适应度的从大到小排序，选择50组顺序靠前的形成新一代数据。
S4：针对所述最优个体的T 1、T 2和T 3取值，对地震动进行基线校正。
S41：对最优个体的T 2至测量结束T end段的速度时程进行线性拟合得到A f ，并计算得到A m ；
S42：对强震阶段T 1 ~T 2 的加速度时程根据修正参数A m进行偏移，并对强震后阶段T 2 ~T end 加速度时程加速度根据拟合参数A f 进行偏移，得到最终基线校正后的地震动加速度数据。
具体的，对我国台湾地区的集集地震中的地震动TCU052EW、TCU074NS进行校正，校正后的结果如图6所示。由于该方法是基于经验和近似的，校正后的结果一般需要与台站附近GPS台站的永久位移进行对比。从图中可以看出，本文的方法得到的永久位移与GPS的结果均较为接近，如TCU074校正后的永久位移为133.5cm，而GPS的永久位移为128.4cm，从以上结果对比图可看出本方法对于地震动加速度、速度、位移的校正效果均较好。此外，本文提出的方法可以自动选择T 1和T 3，计算过程中不需要人工进行干预，减小了校正过程中的主观性，也实现了自动化。同时，从图7的遗传算法进化过程可以发现，通过遗传算法对时间参数的优化能很快达到收敛，随着进化代数的增加，平坦度指标逐渐增大收敛，一般计算20代就能取得较好的结果，而在此过程中也只进行了50(种群规模)×20=1000次基线校正，本文所提出的方法也大大提高了计算效率。
实施例3
如图8所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，以及与所述至少一个处理器通讯连接的至少一个输入输出接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（Read Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于遗传算法的地震动基线校正方法，其特征在于，包括以下步骤：
S1：获取原始地震动加速度数据，并对所述原始地震动加速度数据进行预处理，得到消除加速度计系统偏差后的地震动加速度数据；
S2：根据消除加速度计系统偏差后的地震动加速度数据确定T 1-init和T 3-init，根据所述T 1-init和所述T 3-init得到消除加速度计系统偏差后的地震动记录时程上三个时间参数T 1、T 2、T 3的取值范围；
其中，T 1-init为强地震动开始产生永久位移的时间点的初始值，T 3-init为实现基线校正引入的时间点的初始值，T 1 为强地震动开始产生永久位移的时间点，T 3 为实现基线校正引入的时间点，T 2 为T 3 与地震动记录结束时间T end间的任意时间点；
S3：设定种群规模为N组与最大进化代数为M次，通过遗传算法得到最优个体的T 1、T 2和T 3取值，其中M、N为非零自然数；
S4：针对所述最优个体的T 1、T 2和T 3取值，对地震动进行基线校正；
其中，步骤S3包括：
S31：根据所述T 1、T 2和T 3的取值范围，随机产生N组地震动时间参数，每一组为3×1的矩阵，组成N组潜在解，采用二进制编码形成3×N的二进制矩阵，所述二进制矩阵为完成种群初始化的种群染色体矩阵；
S32：将所述种群染色体矩阵解码为种群表现型矩阵，并计算所述种群表现型矩阵的平坦度指标f，根据所述平坦度指标f形成目标函数矩阵与种群适应度矩阵；
所述平坦度指标f的计算公式为：
其中，r为以选定的T 1和T 2进行基线校正后得到的位移时程在T 3~T end之间拟合直线与离散点之间的相关系数，b则为拟合直线的斜率，σ为拟合直线与离散点之间的方差；
S33：对父代种群进行选择-交叉-变异形成子代种群，并计算子代种群的平坦度指标得到子代种群适应度；
S34：采用精英保留策略，将所述父代种群和所述子代种群进行合并，形成规模为2N组的种群，从所述种群中按照适应度从大到小排序，选择出前N个的个体形成新一代种群染色体矩阵；
S35：重复M次步骤S32-S34，取最后一次进化的新一代数据中最优个体，即得到最优个体的T 1、T 2和T 3取值；
步骤S4包括：
S41：对最优个体的T 2至测量结束T end段的速度时程进行线性拟合得到A f， 并计算得到A m；其中，T end为地震动记录结束时间，A m为强震阶段的加速度修正参数，A f 为加速度拟合参数；
S42：对强震阶段T 1~T 2的加速度时程根据修正参数A m进行偏移，并对强震后阶段T 2~T end加速度时程加速度根据拟合参数A f 进行偏移，得到最终基线校正后的地震动加速度数据。
2.根据权利要求1所述的一种基于遗传算法的地震动基线校正方法，其特征在于，步骤S1包括：
S11：对获取到的所述原始地震动加速度数据，将加速度首次达到仪器出现磁滞效应加速度预设值的时刻确定为t1，加速度最后一次大于所述仪器出现磁滞效应加速度预设值的时刻确定为t2；
S12：根据原始加速度时程积分得到速度时程，通过最小二乘法对在所述t2至测量结束tend段之间的原始地震动速度时程进行线性拟合；
S13：对强震阶段t1~t2的加速度时程根据修正参数A m进行偏移，并对强震后阶段t2~tend加速度时程加速度根据拟合参数A f 进行偏移，得到消除加速度计系统偏差后的地震动加速度数据。
3.根据权利要求2所述的一种基于遗传算法的地震动基线校正方法，其特征在于，步骤S12中，线性拟合的直线方程为：
其中，V f 为拟合直线，V 0和A f 为拟合参数，A f 为拟合直线的斜率。
4.根据权利要求3所述的一种基于遗传算法的地震动基线校正方法，其特征在于，步骤S13中所述加速度的修正参数的计算公式为：
其中，A m为强震阶段的加速度修正参数，A f 为加速度拟合参数。
5.根据权利要求1所述的一种基于遗传算法的地震动基线校正方法，其特征在于，步骤S2还包括：根据加速度累积能量比确定T 1-init和T 3-init。
6.根据权利要求5所述的一种基于遗传算法的地震动基线校正方法，其特征在于，所述的加速度累积能量比的计算公式为：
其中，E r 为加速度累积能量比，E T 为P波达到后所记录的加速度平方和，n p 为地震动P波到达时间；n c 为加速度能量比为预设值时所对应的时刻；a i 为第i点的加速度值；
所述P波达到后所记录的加速度平方和的计算公式为：
其中，N为加速度记录总数。
7.根据权利要求6所述的一种基于遗传算法的地震动基线校正方法，其特征在于，步骤S2包括：
S21：根据加速度累积能量比达到第一预设值确定T 1-init，加速度累积能量比达到第二预设值确定T 3-init；
S22：根据所述T 1-init和T 3-init，确定T 1、T 2和T 3的取值范围。
8.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的基于遗传算法的地震动基线校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078358.XA CN117607967B (zh) | 2024-01-19 | 2024-01-19 | 一种基于遗传算法的地震动基线校正方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078358.XA CN117607967B (zh) | 2024-01-19 | 2024-01-19 | 一种基于遗传算法的地震动基线校正方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117607967A CN117607967A (zh) | 2024-02-27 |
| CN117607967B true CN117607967B (zh) | 2024-03-26 |
Family
ID=89946579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410078358.XA Active CN117607967B (zh) | 2024-01-19 | 2024-01-19 | 一种基于遗传算法的地震动基线校正方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607967B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008107334A (ja) * | 2006-09-28 | 2008-05-08 | National Research Institute For Earth Science & Disaster Provention | 計測震度概算装置、それを用いた計測震度概算システム及び計測震度概算方法 |
| CN102692649A (zh) * | 2011-03-23 | 2012-09-26 | 中国石油天然气集团公司 | 一种可控震源地震勘探中消除谐波干扰的方法 |
| CN104849759A (zh) * | 2013-06-17 | 2015-08-19 | 英洛瓦(天津)物探装备有限责任公司 | 从地震信号中去除偏移的方法 |
| CN108051848A (zh) * | 2018-01-12 | 2018-05-18 | 中国科学院地质与地球物理研究所 | 基于加速度传感器的地震预警系统及地震参数获取方法 |
| CN109143370A (zh) * | 2018-07-25 | 2019-01-04 | 中国地震局地球物理研究所 | 地震动加速度记录基线漂移的校正方法 |
| CN109186910A (zh) * | 2018-10-10 | 2019-01-11 | 东南大学 | 一种用于跨断层地震波的地震模拟振动台试验控制方法 |
| KR101970149B1 (ko) * | 2018-05-30 | 2019-04-22 | 주식회사 나노켐 | 가속도 센서를 이용한 지진 감지 장치 및 방법 |
| CN109933855A (zh) * | 2019-02-18 | 2019-06-25 | 北京交通大学 | 基于遗传算法的自复位支撑结构抗震性能优化方法与系统 |
| CN110389379A (zh) * | 2019-07-12 | 2019-10-29 | 中国地震局地球物理研究所 | 能够表征地面永久位移的近断层地震加速度时程拟合方法 |
| CN112083481A (zh) * | 2020-09-11 | 2020-12-15 | 杭州叙简科技股份有限公司 | 一种通过加速度获取速度和位移的方法 |
| CN112269207A (zh) * | 2020-11-06 | 2021-01-26 | 中国地震局工程力学研究所 | 一种具有永久位移的强震动位移时程仿真方法 |
| CN112666605A (zh) * | 2021-01-19 | 2021-04-16 | 哈尔滨工业大学 | 基于主成分分析和多目标遗传算法挑选地震动的方法 |
| KR102376894B1 (ko) * | 2021-05-17 | 2022-03-22 | 대한민국(기상청장) | 지진 시계열 데이터 분석을 제공하는 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| CN116498138A (zh) * | 2023-04-14 | 2023-07-28 | 中国建筑西南设计研究院有限公司 | 一种降低局部房间地震加速度的模块化布置的结构 |
| CN117407966A (zh) * | 2023-12-14 | 2024-01-16 | 中国建筑西南设计研究院有限公司 | 融合分布式剪枝和遗传算法的多规格钢筋下料方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7107625B2 (ja) * | 2017-02-22 | 2022-07-27 | ビュー， インコーポレイテッド | 地震事象検出システム |
-
2024
- 2024-01-19 CN CN202410078358.XA patent/CN117607967B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008107334A (ja) * | 2006-09-28 | 2008-05-08 | National Research Institute For Earth Science & Disaster Provention | 計測震度概算装置、それを用いた計測震度概算システム及び計測震度概算方法 |
| CN102692649A (zh) * | 2011-03-23 | 2012-09-26 | 中国石油天然气集团公司 | 一种可控震源地震勘探中消除谐波干扰的方法 |
| CN104849759A (zh) * | 2013-06-17 | 2015-08-19 | 英洛瓦(天津)物探装备有限责任公司 | 从地震信号中去除偏移的方法 |
| CN108051848A (zh) * | 2018-01-12 | 2018-05-18 | 中国科学院地质与地球物理研究所 | 基于加速度传感器的地震预警系统及地震参数获取方法 |
| KR101970149B1 (ko) * | 2018-05-30 | 2019-04-22 | 주식회사 나노켐 | 가속도 센서를 이용한 지진 감지 장치 및 방법 |
| CN109143370A (zh) * | 2018-07-25 | 2019-01-04 | 中国地震局地球物理研究所 | 地震动加速度记录基线漂移的校正方法 |
| CN109186910A (zh) * | 2018-10-10 | 2019-01-11 | 东南大学 | 一种用于跨断层地震波的地震模拟振动台试验控制方法 |
| CN109933855A (zh) * | 2019-02-18 | 2019-06-25 | 北京交通大学 | 基于遗传算法的自复位支撑结构抗震性能优化方法与系统 |
| CN110389379A (zh) * | 2019-07-12 | 2019-10-29 | 中国地震局地球物理研究所 | 能够表征地面永久位移的近断层地震加速度时程拟合方法 |
| CN112083481A (zh) * | 2020-09-11 | 2020-12-15 | 杭州叙简科技股份有限公司 | 一种通过加速度获取速度和位移的方法 |
| CN112269207A (zh) * | 2020-11-06 | 2021-01-26 | 中国地震局工程力学研究所 | 一种具有永久位移的强震动位移时程仿真方法 |
| CN112666605A (zh) * | 2021-01-19 | 2021-04-16 | 哈尔滨工业大学 | 基于主成分分析和多目标遗传算法挑选地震动的方法 |
| KR102376894B1 (ko) * | 2021-05-17 | 2022-03-22 | 대한민국(기상청장) | 지진 시계열 데이터 분석을 제공하는 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| CN116498138A (zh) * | 2023-04-14 | 2023-07-28 | 中国建筑西南设计研究院有限公司 | 一种降低局部房间地震加速度的模块化布置的结构 |
| CN117407966A (zh) * | 2023-12-14 | 2024-01-16 | 中国建筑西南设计研究院有限公司 | 融合分布式剪枝和遗传算法的多规格钢筋下料方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| "加速度和位移双谱匹配地震动选取及合成方法研究";陈亚彬;《中国优秀硕士学位论文全文数据库》;20220215;第1-213页 * |
| "强震、微震记录数据差异的模型验算";崔庆谷;《地震学报》;20120830;第667-675页 * |
| "Fuzzy aided baseline controller for active vibration control of non-linear hysteretic base isolation buildings";Subasri;《 2015 International Conference on Cognitive Computing and Information Processing (CCIP)》;20150604;6 pp * |
| Wei-An Chao."An automatic scheme for baseline correction of strong-motion records in coseismic deformation determination".《J Seismol》.2009,第495⁃504页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117607967A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175168B (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
| Apivatanagul et al. | Long-term regional hurricane hazard analysis for wind and storm surge | |
| CN109559358B (zh) | 一种基于卷积自编码的图像样本升采样方法 | |
| Dabaghi | Stochastic modeling and simulation of near-fault ground motions for performance-based earthquake engineering | |
| Tao et al. | Deep learning optimizes data-driven representation of soil organic carbon in Earth system model over the conterminous United States | |
| CN105528520B (zh) | 一种基于主余震序列的损伤指数评估方法 | |
| CN109738950B (zh) | 基于三维稀疏聚焦域反演的噪声型数据一次波反演方法 | |
| CN111402137B (zh) | 一种基于感知损失引导的深度注意力编解码单图像超分辨率算法 | |
| CN117607967B (zh) | 一种基于遗传算法的地震动基线校正方法及电子设备 | |
| CN109859310B (zh) | 一种可用于生成mr图像的模型及其建立方法 | |
| Abrahamson et al. | Application of single-station sigma ground motion prediction equations in practice | |
| CN114063163B (zh) | 一种裂缝型储层单斜等效介质地震表征与反演方法及系统 | |
| CN115345458A (zh) | 业务流程合规性检查方法、计算机设备以及可读存储介质 | |
| CN107024717A (zh) | 一种用于叠前地震数据参数反演的改进遗传算法 | |
| CN111914609A (zh) | 井震联合叠前地质统计学弹性参数反演方法及装置 | |
| CHAKRABORTY et al. | Visualizing data saturation process in mapping site amplification of earthquake ground motions | |
| Braga et al. | Echoes from the past: New insights into the early hominin cochlea from a phylo-morphometric approach | |
| Werner | On the fluctuations of seismicity and uncertainties in earthquake catalogs: Implications and methods for hypothesis testing | |
| Michael | Viscoelasticity, postseismic slip, fault interactions, and the recurrence of large earthquakes | |
| CN115407388A (zh) | 一种基于arima模型的地震预测方法 | |
| GB2624832A (en) | Random noise attenuation for seismic data | |
| CN117348077A (zh) | 匹配多个地震动强度指标概率分布的地震记录集选取方法 | |
| CN110580390A (zh) | 基于改进遗传算法与信息熵的地质统计学随机反演方法 | |
| CN114754857B (zh) | 一种两段式光纤传感水声信号补偿方法和装置 | |
| CN113011476B (zh) | 基于自适应滑动窗口gan的用户行为安全检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |