JP2021189136A - Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device - Google Patents

Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device Download PDF

Info

Publication number
JP2021189136A
JP2021189136A JP2020097844A JP2020097844A JP2021189136A JP 2021189136 A JP2021189136 A JP 2021189136A JP 2020097844 A JP2020097844 A JP 2020097844A JP 2020097844 A JP2020097844 A JP 2020097844A JP 2021189136 A JP2021189136 A JP 2021189136A
Authority
JP
Japan
Prior art keywords
seismic motion
seismic
evaluation model
motion evaluation
data
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
Application number
JP2020097844A
Other languages
Japanese (ja)
Other versions
JP7438852B2 (en
Inventor
透 石井
Toru Ishii
温子 小穴
Atsuko Koana
健介 和田
Kensuke Wada
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimizu Construction Co Ltd
Shimizu Corp
Original Assignee
Shimizu Construction Co Ltd
Shimizu Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shimizu Construction Co Ltd, Shimizu Corp filed Critical Shimizu Construction Co Ltd
Priority to JP2020097844A priority Critical patent/JP7438852B2/en
Publication of JP2021189136A publication Critical patent/JP2021189136A/en
Application granted granted Critical
Publication of JP7438852B2 publication Critical patent/JP7438852B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)

Abstract

To provide an earthquake motion evaluation model generation method capable of generating an earthquake motion evaluation model for evaluating and predicting an earthquake motion considered to occur in the future with high accuracy while utilizing increase in data volume and improvement of information processing capacity of a computer to the maximum.SOLUTION: An earthquake motion evaluation model generation method includes: an acquisition step for acquiring a plurality of pieces of learning data 12 composed of a feature quantity and an objective variable from a database 10 associating earthquake motion various characteristic parameters including at least azimuthal characteristics of an earthquake motion with an earthquake motion observation record and storing them when the earthquake motion is observed by using the earthquake motion various characteristic parameters as the feature quantity and an earthquake motion index obtained from the earthquake motion observation record as the objective variable with respect to each combination between a plurality of earthquakes and at least one observation point at which earthquake motions caused by the plurality of earthquakes are observed; and a generation step for generating an earthquake motion evaluation model 13 by learning correlation between the feature quantity and the objective variable by machine learning on the basis of the plurality of pieces of learning data 12.SELECTED DRAWING: Figure 3

Description

本発明は、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置に関する。 The present invention relates to a seismic motion evaluation model generation method, a seismic motion evaluation model generation device, a seismic motion evaluation method, and a seismic motion evaluation device.

過去の地震(震源断層のすべり破壊現象)や地震動(地震によってもたらされる地盤の揺れ)等に関して得られた様々なデータに基づいて将来発生すると考えられる地震による地震動の特性を評価・予測する技術は、その有用性ゆえ、地震動の特徴分析・解釈から建築物・構造物の挙動予測・構造設計等、更には地震防災等に至るまで、社会で幅広く活用されている。 Technology for evaluating and predicting the characteristics of earthquake motions that are expected to occur in the future based on various data obtained from past earthquakes (slip-breaking phenomenon of source faults) and earthquake motions (ground motion caused by earthquakes) Because of its usefulness, it is widely used in society, from characteristic analysis and interpretation of earthquake motion to behavior prediction and structural design of buildings and structures, and even earthquake disaster prevention.

従来、個々の専門家により自らの判断を伴いつつ選定された一部のデータが、専門的な手法により分析された上で、将来の地震による地震動の最大振幅(最大加速度・最大速度・最大変位等)や応答スペクトル(地震動をある固有周期と減衰定数を有する一質点系に入力させた場合の一質点系の最大応答振幅)等を評価・予測するための予測式(一般に距離減衰式・地震動評価式・地震動予測式等と称されることが多い)が開発され、活用されてきた(例えば、特許文献1、非特許文献1参照)。 Conventionally, some data selected by individual experts with their own judgment is analyzed by a professional method, and then the maximum amplitude (maximum acceleration, maximum speed, maximum displacement) of seismic motion due to future earthquakes. Etc.) and response spectrum (maximum response amplitude of one mass point system when seismic motion is input to one mass point system having a certain natural period and decay constant), etc. Evaluation formulas, seismic motion prediction formulas, etc.) have been developed and utilized (see, for example, Patent Document 1 and Non-Patent Document 1).

特開2008−39446号公報Japanese Unexamined Patent Publication No. 2008-39446

Nobuyuki Morikawa and Hiroyuki Fujiwara,A New Ground Motion Prediction Equation for Japan Applicable up to M9 Mega-Earthquake,Journal of Disaster Research,Vol.8,No.5,2013,p.878-888Nobuyuki Morikawa and Hiroyuki Fujiwara, A New Ground Motion Prediction Equation for Japan Applicable up to M9 Mega-Earthquake, Journal of Disaster Research, Vol.8, No.5, 2013, p.878-888

既往の検討により開発され活用されている実用的な距離減衰式等の予測式は、個々の専門家の検討に用いられた地震観測記録のデータに依存する上、大規模な地震や最大級の地震動は稀な自然現象であるため、それらの予測式に反映される既往の知見の質と量にはアンバランスが含まれている。また、日々蓄積・解析されることによるデータ量の増加とコンピュータの情報処理能力の向上は、その問題の改善に大きく寄与する可能性を秘めているが、新たなデータが得られる度に個々の専門家が予測式の再検討・再評価を行うには膨大な時間と労力を要するため、少なからず限界がある。 Prediction formulas such as practical distance attenuation formulas developed and utilized by previous studies depend on the seismic observation record data used in the studies of individual experts, and are large-scale earthquakes and the largest. Since seismic motion is a rare natural phenomenon, there is an imbalance in the quality and quantity of existing findings reflected in those prediction formulas. In addition, the increase in the amount of data and the improvement of the information processing capacity of computers due to daily accumulation and analysis have the potential to greatly contribute to the improvement of the problem, but each time new data is obtained, it is individual. It takes a huge amount of time and effort for experts to reexamine and re-evaluate the prediction formula, so there are not a few limits.

本発明は、このような事情を考慮してなされたものであって、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる、地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置を提供することを目的とする。 The present invention has been made in consideration of such circumstances, and while making the best use of the increase in the amount of data and the improvement of the information processing capacity of the computer, the characteristics of the seismic motion due to the earthquake that is considered to occur in the future are enhanced. It is an object of the present invention to provide a seismic motion evaluation model generation method, a seismic motion evaluation model generation device, a seismic motion evaluation method, and a seismic motion evaluation device that can be evaluated and predicted with accuracy.

本発明は、上記課題を解決するものであって、本発明の一実施形態に係る地震動評価モデル生成方法は、
コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
複数の地震と当該複数の地震による地震動が観測された少なくとも1つの観測点との各組み合わせについて、前記地震動が観測されたときの、少なくとも地震動の方位特性を含む地震動諸特性パラメータ及び地震動観測記録を関連付けて記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動観測記録から得られる地震動指標を目的変数として、前記特徴量及び前記目的変数で構成される学習用データを複数取得する取得工程と、
前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含む。
The present invention solves the above-mentioned problems, and the seismic motion evaluation model generation method according to the embodiment of the present invention is
It is a seismic motion evaluation model generation method that generates a seismic motion evaluation model by machine learning using a computer.
For each combination of multiple earthquakes and at least one observation point where seismic motion due to the multiple earthquakes was observed, the seismic motion characteristic parameters including at least the orientation characteristics of the seismic motion and the seismic motion observation record when the seismic motion was observed are recorded. Acquisition of a plurality of learning data composed of the feature amount and the objective variable from the associated and stored database, with the seismic motion characteristic parameters as feature quantities and the seismic motion index obtained from the seismic motion observation record as the objective variable. Process and
The seismic motion evaluation model as a learned model of the machine learning by learning the correlation between the feature amount and the objective variable by the machine learning based on the plurality of learning data acquired in the acquisition step. Includes a generation process and.

また、本発明の一実施形態に係る地震動評価モデル生成装置は、
コンピュータであって、上記地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える。
Further, the seismic motion evaluation model generator according to the embodiment of the present invention is
It is a computer and includes a control unit that executes each process included in the above-mentioned seismic motion evaluation model generation method.

また、本発明の一実施形態に係る地震動評価方法は、
コンピュータを用いて、上記地震動評価モデル生成方法により生成された前記地震動評価モデルに基づいて前記地震動の特性を評価する地震動評価方法であって、
少なくとも地震動の方位特性を含む、予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む。
Further, the seismic motion evaluation method according to the embodiment of the present invention is
It is a seismic motion evaluation method that evaluates the characteristics of the seismic motion based on the seismic motion evaluation model generated by the seismic motion evaluation model generation method using a computer.
A reception process that accepts the seismic motion characteristic parameters to be predicted, including at least the seismic motion azimuth characteristics.
The prediction target is based on the objective variable output from the seismic motion evaluation model by inputting the seismic motion characteristic parameters of the prediction target received in the reception step into the seismic motion evaluation model as the feature quantities. Includes a prediction step for predicting the seismic motion index corresponding to the seismic motion characteristic parameters.

また、本発明の一実施形態に係る地震動評価装置は、
コンピュータであって、上記地震動評価方法に含まれる各工程を実行する制御部を備える。
Further, the seismic motion evaluation device according to the embodiment of the present invention is
It is a computer and includes a control unit that executes each process included in the above-mentioned seismic motion evaluation method.

本発明の一実施形態に係る地震動評価モデル生成装置、及び、地震動評価装置によれば、複数の学習用データに基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、機械学習の学習済みモデルとして地震動評価モデルを生成するので、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。 According to the seismic motion evaluation model generator and the seismic motion evaluation device according to the embodiment of the present invention, a machine is obtained by learning the correlation between a feature amount and an objective variable by machine learning based on a plurality of learning data. Since the seismic motion evaluation model is generated as a trained model for learning, the characteristics of seismic motion due to an earthquake that is expected to occur in the future are evaluated and predicted with high accuracy while making the best use of the increase in the amount of data and the improvement of the information processing capacity of the computer. It is possible to provide a seismic motion evaluation model that can be used.

また、本発明の一実施形態に係る地震動評価方法、及び、地震動評価装置によれば、地震動評価モデル生成装置及び地震動評価モデル生成方法により生成された地震動評価モデルを利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。 Further, according to the seismic motion evaluation method according to the embodiment of the present invention and the seismic motion evaluation device, the seismic motion evaluation model generated by the seismic motion evaluation model generation device and the seismic motion evaluation model generation method can be used for individual specialization. It is possible to evaluate and predict the characteristics of seismic motion caused by an earthquake that is expected to occur in the future with high accuracy without depending on the experience of the house.

本発明の第1の実施形態に係る地震動評価システム1の一例を示す概略構成図である。It is a schematic block diagram which shows an example of the seismic motion evaluation system 1 which concerns on 1st Embodiment of this invention. 本発明の第1の実施形態に係る地震動評価システム1の一例を示すブロック図である。It is a block diagram which shows an example of the seismic motion evaluation system 1 which concerns on 1st Embodiment of this invention. 本発明の第1の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。It is a function explanatory drawing which shows an example of the seismic motion evaluation model generation apparatus 3 and the seismic motion evaluation model generation method which concerns on 1st Embodiment of this invention. データベース10の一例を示すデータ構成図である。It is a data structure diagram which shows an example of a database 10. 学習用データ12の集合(学習用データセットA)の各特徴量の相関を示す散布図である。It is a scatter diagram which shows the correlation of each feature amount of the set of learning data 12 (learning data set A). 勾配ブースティング木の概要を示す概要図である。It is a schematic diagram which shows the outline of the gradient boosting tree. 本発明の第1の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。It is a functional explanatory diagram which shows an example of the seismic motion evaluation apparatus 4 and the seismic motion evaluation method which concerns on 1st Embodiment of this invention. 地震動指標を距離減衰特性として表すときの出力結果の一例を示し、(a)はモーメントマグニチュードMwに応じた最大加速度PGA、(b)は震央方位Λに応じた擬似速度応答スペクトルpSv(1.0s)を示す図である。An example of the output result when the seismic motion index is expressed as the distance attenuation characteristic is shown. (A) is the maximum acceleration PGA according to the moment magnitude Mw, and (b) is the pseudo velocity response spectrum pSv (1.0s) according to the epicenter direction Λ. ). 目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示し、(a)は関東モデルA5、(b)は関東モデルA6、(c)は関東モデルB5、(d)は関東モデルB6をそれぞれ示す図である。The degree of influence of each feature (earthquake motion characteristic parameter) on the objective variable (earthquake motion index) is shown. (A) is Kanto model A5, (b) is Kanto model A6, (c) is Kanto model B5, and (d) is. It is a figure which shows each of the Kanto model B6. 関東モデルA6における各目的変数(地震動指標)について、地震動観測記録から得られる観測値と、地震動評価モデル13により得られる評価値との相関を示す散布図である。It is a scatter diagram which shows the correlation between the observation value obtained from the seismic motion observation record, and the evaluation value obtained by the seismic motion evaluation model 13 for each objective variable (earthquake motion index) in the Kanto model A6. 各目的変数(地震動指標)の「評価値/観測値」比をヒストグラムで示し、(a)は関東モデルA5、(b)は関東モデルA6をそれぞれ示す図である。The "evaluation value / observation value" ratio of each objective variable (earthquake motion index) is shown in a histogram, (a) is a diagram showing Kanto model A5, and (b) is a diagram showing Kanto model A6. 関東モデルA5、A6、B5、B6について、各目的変数(地震動指標)の「評価値/観測値」比の平均とばらつきを示す図である。It is a figure which shows the average and variation of the "evaluation value / observation value" ratio of each objective variable (earthquake motion index) about Kanto model A5, A6, B5, B6. 本発明の第2の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。It is a function explanatory drawing which shows an example of the seismic motion evaluation model generation apparatus 3 and the seismic motion evaluation model generation method which concerns on 2nd Embodiment of this invention. 学習用データ12の集合の各特徴量の相関を示し、(a)は学習用データセットS、(b)学習用データセットTを示す散布図である。It is a scatter diagram which shows the correlation of each feature amount of the set of learning data 12, (a) is a learning data set S, and (b) is a learning data set T. 本発明の第2の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。It is a functional explanatory diagram which shows an example of the seismic motion evaluation apparatus 4 and the seismic motion evaluation method which concerns on 2nd Embodiment of this invention. 地震動指標を方位特性として表すときの出力結果の一例を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。An example of the output result when the seismic motion index is expressed as the azimuth characteristic is shown, (a) is a figure which shows the point model S4, and (b) is a figure which shows the point model T4 respectively. 目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。It is a figure which shows the degree of influence of each feature quantity (earthquake motion characteristic parameter) with respect to objective variable (earthquake motion index), (a) is a point model S4, and (b) is a point model T4. 各目的変数(地震動指標)について、地震動観測記録から得られる観測値と、地震動評価モデル13により得られる評価値との相関を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す散布図である。For each objective variable (earthquake motion index), the correlation between the observed value obtained from the seismic motion observation record and the evaluation value obtained by the seismic motion evaluation model 13 is shown. It is a scatter diagram which shows each. 各目的変数(地震動指標)の「評価値/観測値」比をヒストグラムで示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。The "evaluation value / observation value" ratio of each objective variable (earthquake motion index) is shown in a histogram, (a) is a diagram showing a point model S4, and (b) is a diagram showing a point model T4. 地点モデルS4、T4について、各目的変数(地震動指標)の「評価値/観測値」比の平均とばらつきを示す図である。It is a figure which shows the average and variation of the "evaluation value / observation value" ratio of each objective variable (earthquake motion index) about a point model S4, T4. 近接する複数の観測点における地震動の震源特性、伝播特性、及び、サイト特性を示す概略図である。It is a schematic diagram which shows the epicenter characteristic, the propagation characteristic, and the site characteristic of the seismic motion at a plurality of adjacent observation points. 複数の観測点c1〜c3がグループ化された第1の観測点グループCと、複数の観測点d1〜d3がグループ化された第2の観測点グループDとをそれぞれ示す図である。It is a figure which shows the 1st observation point group C in which a plurality of observation points c1 to c3 are grouped, and the 2nd observation point group D in which a plurality of observation points d1 to d3 are grouped. 本発明の第3の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。It is a function explanatory drawing which shows an example of the seismic motion evaluation model generation apparatus 3 and the seismic motion evaluation model generation method which concerns on 3rd Embodiment of this invention. 本発明の第3の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。It is a functional explanatory diagram which shows an example of the seismic motion evaluation apparatus 4 and the seismic motion evaluation method which concerns on 3rd Embodiment of this invention. 本発明の第4の実施形態に係る地震動評価システム1の一例を示すブロック図である。It is a block diagram which shows an example of the seismic motion evaluation system 1 which concerns on 4th Embodiment of this invention. 本発明の第4の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。It is a function explanatory drawing which shows an example of the seismic motion evaluation model generation apparatus 3 and the seismic motion evaluation model generation method which concerns on 4th Embodiment of this invention. 第1の学習用データ12Aの及び第2の学習用データ12Bの補間関係を示す散布図である。It is a scatter diagram which shows the interpolation relation of the 1st learning data 12A and the 2nd learning data 12B. 各特徴量のクラスター分析による相互依存性を示す図である。It is a figure which shows the interdependence by the cluster analysis of each feature quantity. 震央方位Λの各種のデータ形式を示し、(a)各データ形式の定義を示し、(b)は各データ形式における、目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示す図である。Various data formats of the epicenter direction Λ are shown, (a) the definition of each data format is shown, and (b) the degree of influence of each feature amount (earthquake motion characteristic parameter) on the objective variable (earthquake motion index) in each data format. It is a figure which shows.

以下、本発明の一実施形態について添付図面を参照しつつ説明する。 Hereinafter, an embodiment of the present invention will be described with reference to the accompanying drawings.

(第1の実施形態)
図1は、本発明の第1の実施形態に係る地震動評価システム1の一例を示す概略構成図である。図2は、本発明の第1の実施形態に係る地震動評価システム1の一例を示すブロック図である。
(First Embodiment)
FIG. 1 is a schematic configuration diagram showing an example of a seismic motion evaluation system 1 according to the first embodiment of the present invention. FIG. 2 is a block diagram showing an example of the seismic motion evaluation system 1 according to the first embodiment of the present invention.

地震動評価システム1は、地震による地震動が複数の観測点にてそれぞれ観測された地震動観測記録を収集し、その観測結果を外部に提供する観測データ提供装置2Aと、地震動観測記録に基づいて地震の震源や規模を解析し、その解析結果を外部に提供する解析データ提供装置2Bと、地震動の評価・予測に用いる地下構造に関する地下構造パラメータを外部に提供する地下構造データ提供装置2Cと、データ提供装置2A〜2Cにより提供されたデータを機械学習により学習し、地震動評価モデル13を生成する地震動評価モデル生成装置3と、地震動評価モデル生成装置3により生成された地震動評価モデル13に基づいて、地震動を評価・予測する地震動評価装置4と、各装置間を接続するネットワーク5とを備える。 The seismic motion evaluation system 1 collects seismic motion observation records in which seismic motion caused by an earthquake is observed at a plurality of observation points, and provides the observation results to the outside. An analysis data providing device 2B that analyzes the seismic source and scale and provides the analysis results to the outside, and an underground structure data providing device 2C that provides the underground structure parameters related to the underground structure used for evaluation and prediction of seismic motion to the outside, and data provision. Seismic motion based on the seismic motion evaluation model generator 3 that learns the data provided by the devices 2A to 2C by machine learning and generates the seismic motion evaluation model 13 and the seismic motion evaluation model 13 generated by the seismic motion evaluation model generator 3. It is provided with a seismic motion evaluation device 4 for evaluating and predicting the above, and a network 5 for connecting the devices.

ネットワーク5は、無線通信又は有線通信により各種のデータや信号を通信するものであり、任意の通信規格が用いられる。なお、本実施形態では、地震動評価モデル生成装置3及び地震動評価装置4は、別々の装置であるものとして説明するが、1つの装置(地震動処理装置)として構成されていてもよい。 The network 5 communicates various data and signals by wireless communication or wired communication, and any communication standard is used. In the present embodiment, the seismic motion evaluation model generation device 3 and the seismic motion evaluation device 4 will be described as separate devices, but may be configured as one device (earthquake motion processing device).

観測データ提供装置2Aは、地震が発生したときに、複数の観測点に設置された地震計(不図示)により測定された南北方向、東西方向及び上下方向に対する三成分の時刻歴波形データを、地震動観測記録としてそれぞれ収集し、地震動観測記録と、例えば、観測点の位置を示す観測点位置等の付加情報と、を含む観測データを外部に提供する。本実施形態では、観測データは、例えば、国立研究開発法人防災科学技術研究所(以下、「防災科研」という)の強震観測網K−NETにより提供されるデータであって、特に、関東地方一都六県(東京・神奈川・千葉・埼玉・茨城・栃木・群馬)に設置された観測点138地点(図1参照)にて観測されたデータを使用するものとして説明する。 The observation data providing device 2A provides time history waveform data of three components in the north-south direction, the east-west direction, and the vertical direction measured by seismometers (not shown) installed at a plurality of observation points when an earthquake occurs. Each is collected as a seismic motion observation record, and observation data including the seismic motion observation record and additional information such as an observation point position indicating the position of the observation point is provided to the outside. In this embodiment, the observation data is, for example, data provided by the strong motion observation network K-NET of the National Research Institute for Earth Science and Disaster Prevention (hereinafter referred to as "National Research Institute for Earth Science and Disaster Prevention"), and is particularly the first in the Kanto region. The data observed at 138 observation points (see Fig. 1) installed in the six prefectures of Tokyo (Tokyo, Kanagawa, Chiba, Saitama, Ibaraki, Tochigi, Gunma) will be used.

解析データ提供装置2Bは、地震動観測記録に基づいて地震の震源や規模を解析し、その解析結果として、例えば、モーメントマグニチュード、気象庁マグニチュード、震央位置、震源深さ、地震種別、断層タイプ、及び、震源メカニズム解等を含む解析データを外部に提供する。本実施形態では、解析データ提供装置2Bは、例えば、防災科研の広帯域震観測網F−NETや気象庁により提供されるデータを使用するものとして説明する。 The analysis data providing device 2B analyzes the epicenter and scale of the earthquake based on the seismic motion observation record, and as the analysis result, for example, moment magnitude, Meteorological Agency magnitude, epicenter position, epicenter depth, earthquake type, fault type, and Provide analysis data including seismic source mechanism solutions to the outside. In the present embodiment, the analysis data providing device 2B will be described as using, for example, the data provided by the broadband seismic observation network F-NET of the National Research Institute for Earth Science and Disaster Prevention and the Japan Meteorological Agency.

地下構造データ提供装置2Cは、地下構造パラメータとして、例えば、地震基盤面深さ、工学的基盤面深さ、層厚、密度、地震波伝播速度、Q値、減衰定数等を含む地下構造データを外部に提供する。本実施形態では、地下構造データ提供装置2Cは、例えば、防災科研の地震ハザードステーションJ−SHISにより提供されるデータを使用するものとして説明する。 The underground structure data providing device 2C externally obtains underground structure data including, for example, seismic basement surface depth, engineering basement surface depth, layer thickness, density, seismic wave propagation velocity, Q value, damping constant, etc. as underground structure parameters. To provide to. In the present embodiment, the underground structure data providing device 2C will be described as using, for example, the data provided by the earthquake hazard station J-SHIS of the National Research Institute for Earth Science and Disaster Prevention.

なお、データ提供装置2A〜2Cは、地震が発生したときに、当該地震に関する提供データをリアルタイムに地震動評価装置4に提供してもよいし、地震動評価装置4からデータの要求を受けたときに、その要求に関する提供データ(過去に発生した地震のうち所定の条件に合致する複数の地震に関する提供データでもよい)を地震動評価装置4に提供してもよい。また、本実施形態では、データ提供装置2A〜2Cは、別々の3つの装置であるものとして説明するが、これに限られず、1つの装置として構成されていてもよいし、他のデータ提供装置がさらに付加されてもよい。 The data providing devices 2A to 2C may provide the provided data regarding the earthquake to the seismic motion evaluation device 4 in real time when an earthquake occurs, or when a data request is received from the seismic motion evaluation device 4. , The provided data regarding the request (provided data regarding a plurality of earthquakes that meet a predetermined condition among the earthquakes that have occurred in the past) may be provided to the seismic motion evaluation device 4. Further, in the present embodiment, the data providing devices 2A to 2C will be described as being three separate devices, but the present invention is not limited to this, and the data providing devices 2A to 2C may be configured as one device or other data providing devices. May be further added.

(地震動評価モデル生成装置3の構成と各部による工程について)
地震動評価モデル生成装置3は、データ提供装置2A〜2Cにより提供された提供データ(観測データ、解析データ、地下構造データ)に基づいて、例えば、勾配ブースティング木、ランダムフォレスト、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)等の機械学習アルゴリズムを実行することにより、機械学習の学習済みモデルとして、地震動評価モデル13を生成する。
(About the configuration of the seismic motion evaluation model generator 3 and the process by each part)
The seismic motion evaluation model generation device 3 is based on the provided data (observation data, analysis data, underground structure data) provided by the data providing devices 2A to 2C, for example, a gradient boosting tree, a random forest, a neural network, and a convolutional neural network. By executing a machine learning algorithm such as a network (CNN), a seismic motion evaluation model 13 is generated as a trained model of machine learning.

地震動評価モデル生成装置3は、汎用又は専用のコンピュータで構成されており、図2に示すように、HDD、メモリ等により構成される記憶部30と、CPU、GPU等のプロセッサにより構成される制御部31と、ネットワーク5との通信インターフェースである通信部32と、キーボード、マウス等により構成される入力部33と、ディスプレイ、タッチパネル等により構成される表示部34とを備える。 The seismic motion evaluation model generation device 3 is composed of a general-purpose or dedicated computer, and as shown in FIG. 2, a control composed of a storage unit 30 composed of an HDD, a memory, etc., and a processor such as a CPU, GPU, etc. The unit 31 includes a communication unit 32 which is a communication interface with the network 5, an input unit 33 composed of a keyboard, a mouse, and the like, and a display unit 34 composed of a display, a touch panel, and the like.

記憶部30には、データ提供装置2A〜2Cにより提供された提供データが登録・更新されるデータベース10と、学習済みモデルである地震動評価モデル13と、地震動評価モデル生成装置3の動作を制御して地震動評価モデル生成方法を実現する地震動評価モデル生成プログラム300とが記憶されている。 The storage unit 30 controls the operations of the database 10 in which the provided data provided by the data providing devices 2A to 2C is registered and updated, the seismic motion evaluation model 13 which is a trained model, and the seismic motion evaluation model generation device 3. The seismic motion evaluation model generation program 300 that realizes the seismic motion evaluation model generation method is stored.

制御部31は、地震動評価モデル生成プログラム300を実行することにより、DB管理部310、取得部311、及び、生成部312として機能する。なお、各部の機能の詳細は後述する。 The control unit 31 functions as a DB management unit 310, an acquisition unit 311 and a generation unit 312 by executing the seismic motion evaluation model generation program 300. The details of the functions of each part will be described later.

図3は、本発明の第1の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 FIG. 3 is a functional explanatory diagram showing an example of the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the first embodiment of the present invention.

(DB管理部310によるデータベース管理工程と、データベース10について)
DB管理部310は、データ提供装置2A〜2Cにより提供された提供データ(観測データ、解析データ、地下構造データ)に基づいて、データベース10を管理する。具体的には、DB管理部310は、地震が発生し、当該地震による地震動が少なくとも1つの観測点で観測され、データ提供装置2A〜2Cにより当該地震に関する提供データが提供される度に、当該地震と当該地震による地震動が観測された少なくとも1つの観測点との各組み合わせについて、当該地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて、データベース10に登録する。
(About the database management process by the DB management unit 310 and the database 10)
The DB management unit 310 manages the database 10 based on the provided data (observation data, analysis data, underground structure data) provided by the data providing devices 2A to 2C. Specifically, the DB management unit 310 said every time an earthquake occurs, the seismic motion due to the earthquake is observed at at least one observation point, and the data providing devices 2A to 2C provide the provided data regarding the earthquake. For each combination of the earthquake and at least one observation point where the seismic motion due to the earthquake is observed, the seismic motion characteristic parameters and the seismic motion observation record at the time when the seismic motion is observed are registered in the database 10.

図4は、データベース10の一例を示すデータ構成図である。データベース10には、過去に発生した複数の地震と当該複数の地震による地震動が観測された少なくとも1つの観測点との各組み合わせについて、当該地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録が関連付けられた状態の地震動データ11が複数登録されて、記憶されている。 FIG. 4 is a data structure diagram showing an example of the database 10. The database 10 contains seismic motion characteristic parameters and seismic motion observation records when the seismic motion was observed for each combination of a plurality of earthquakes that occurred in the past and at least one observation point where the seismic motion caused by the multiple earthquakes was observed. A plurality of seismic motion data 11 in a state associated with the above are registered and stored.

地震動諸特性パラメータは、地震動の諸特性を記述する各種のパラメータであり、地震動の諸特性は、例えば、地震動の震源特性、及び、伝播特性を含み、サイト特性、方位特性、及び、地震動観測特性をさらに含む。本実施形態では、地震動諸特性パラメータは、データ提供装置2A〜2Cにより提供された提供データ(観測データ、解析データ、地下構造データ)を、上記の地震動の諸特性に応じて分類・記録したものである。以下に、地震動諸特性パラメータに含まれる震源特性、伝播特性、サイト特性、方位特性、及び、地震動観測特性について説明する。 The seismic motion characteristic parameters are various parameters that describe the various characteristics of the seismic motion, and the seismic motion characteristics include, for example, the source characteristic and the propagation characteristic of the seismic motion, and the site characteristic, the directional characteristic, and the seismic motion observation characteristic. Including further. In the present embodiment, the seismic motion characteristic parameters are those in which the provided data (observation data, analysis data, underground structure data) provided by the data providing devices 2A to 2C are classified and recorded according to the above-mentioned seismic motion characteristics. Is. The epicenter characteristics, propagation characteristics, site characteristics, directional characteristics, and seismic motion observation characteristics included in the seismic motion characteristic parameters will be described below.

震源特性は、例えば、マグニチュード(モーメントマグニチュードMw、気象庁マグニチュード等)、震央位置(緯度lat_eq,経度lon_eq)、震源深さH、地震種別Type(内陸地殻内地震・プレート境界地震・スラブ内地震)、断層タイプMech(正断層・逆断層・横ずれ断層)、震源メカニズム解(走向Strike1、傾斜角dip1、すべり角rake1)、及び、震源メカニズム解の共役解(走向Strike2、傾斜角dip2、すべり角rake2)等の少なくとも1つである。本実施形態に係る震源特性は、モーメントマグニチュードMw、震央位置(緯度lat_eq,経度lon_eq)、震源深さH、地震種別Type、断層タイプMech、震源メカニズム解(Strike1、dip1、rake1)、及び、震源メカニズム解の共役解(Strike2、dip2、rake2)である。 The epicenter characteristics are, for example, magnitude (moment magnitude Mw, Meteorological Agency magnitude, etc.), seismic center position (latitude lat_eq, longitude long_eq), epicenter depth H, earthquake type Type (inland crustal earthquake, plate boundary earthquake, slab earthquake), Fault type Mech (normal fault / reverse fault / strike-slip fault), seismic source mechanism solution (strike 1, tilt angle dip1, slip angle lake1), and conjugate solution of seismic source mechanism solution (strike2, tilt angle dip2, slip angle racke2) Etc. at least one. The epicenter characteristics according to this embodiment are the moment magnitude Mw, the epicenter position (latitude lat_eq, longitude lon_eq), the epicenter depth H, the earthquake type Type, the fault type Mech, the epicenter mechanism solution (Strike1, dip1, rake1), and the epicenter. It is a conjugate solution of the mechanism solution (Strike2, dip2, lake2).

伝播特性は、例えば、震源距離X、断層最短距離、及び、震央距離の少なくとも1つである。本実施形態に係る伝播特性は、震源距離Xであり、観測点位置と、震央位置との間の距離として算定される。 The propagation characteristic is, for example, at least one of the epicentral distance X, the shortest fault distance, and the epicenter distance. The propagation characteristic according to the present embodiment is the epicentral distance X, which is calculated as the distance between the observation point position and the epicenter position.

サイト特性は、例えば、観測点位置(緯度lat_site,経度lon_site)、地震基盤面深さ、工学的基盤面深さ、層厚、密度、地震波伝播速度、Q値、及び、減衰定数の少なくとも1つである。本実施形態に係るサイト特性は、観測点位置(緯度lat_site,経度lon_site)、最上層のS波速度VS1、表層10m平均S波速度AVS10、表層30m平均S波速度AVS30、微地形区分JCODE、S波速度700m/s層上面深さD7、S波速度1400m/s層上面深さD17、S波速度2100m/s層上面深さD24、及び、地震基盤面深さD28(=S波速度2700m/s層上面深さ)である。なお、表層30m平均S波速度AVS30が、観測点の地下構造データから求められない場合には、防災科研の地震ハザードステーションJ−SHISの250mメッシュの表層30m平均S波速度AVS30で代用し、表層10m平均S波速度AVS10が、観測点の地下構造データから求められない場合には、表層30m平均S波速度AVS30で代用するものとした。また、地震基盤面深さD28は、防災科研の地震ハザードステーションJ−SHISで公開されている対象観測点位置が含まれるメッシュの深部地盤モデルの第28層の下面深さ(同モデルで地震基盤に相当するP波速度5000m/s・S波速度2700m/sの第29層の上面深さに等しい)とした。 The site characteristic is, for example, at least one of the observation point position (latitude lat_site, longitude long_site), seismic base plane depth, engineering base plane depth, layer thickness, density, seismic wave propagation velocity, Q value, and attenuation constant. Is. The site characteristics according to this embodiment are the observation point position (latitude lat_site, longitude long_site), the top layer S wave velocity VS1, the surface layer 10 m average S wave velocity AVS10, the surface layer 30 m average S wave velocity AVS30, microtopography classification JCODE, S. Wave velocity 700m / s layer upper surface depth D7, S wave velocity 1400m / s layer upper surface depth D17, S wave velocity 2100m / s layer upper surface depth D24, and seismic basement surface depth D28 (= S wave velocity 2700m / s layer upper surface depth). If the surface layer 30m average S wave velocity AVS30 cannot be obtained from the underground structure data of the observation point, the surface layer 30m average S wave velocity AVS30 of the 250m mesh of the Seismic Hazard Station J-SHIS of the Disaster Prevention Research Institute is used instead. When the 10 m average S wave velocity AVS10 cannot be obtained from the underground structure data of the observation point, the surface layer 30 m average S wave velocity AVS30 is used instead. In addition, the seismic base surface depth D28 is the bottom depth of the 28th layer of the deep ground model of the mesh including the target observation point position published at the Seismic Hazard Station J-SHIS of the National Research Institute for Earth Science and Disaster Prevention (seismic base in the same model). The P wave velocity is 5000 m / s and the S wave velocity is 2700 m / s, which is equal to the depth of the upper surface of the 29th layer).

方位特性は、例えば、観測点を基準として震央が位置する方位を示す震央方位Λである。そのため、震央方位Λは、観測点位置を基準として震央位置が存在する方位として算定される。その際、震央方位Λは、真北を0°として時計回りに定めるとともに、真北を境に不連続量となるため、本実施形態に係る方位特性は、震央方位Λを表すsinΛとcosΛのペアを用いる。 The azimuth characteristic is, for example, the epicenter azimuth Λ indicating the azimuth in which the epicenter is located with respect to the observation point. Therefore, the epicenter direction Λ is calculated as the direction in which the epicenter position exists with reference to the observation point position. At that time, the epicenter direction Λ is determined clockwise with true north as 0 °, and the amount is discontinuous with true north as the boundary. Therefore, the directional characteristics according to the present embodiment are sin Λ and cos Λ representing the epicenter direction Λ. Use a pair.

地震動観測特性は、例えば、地震動観測記録として記録された時刻歴波形のデータが南北方向、東西方向及び上下方向のいずれかであることを示す地震動の方向成分Compである。 The seismic motion observation characteristic is, for example, a seismic motion direction component Comp indicating that the time history waveform data recorded as the seismic motion observation record is in the north-south direction, the east-west direction, or the vertical direction.

地震動観測記録は、例えば、南北方向、東西方向及び上下方向に対する三成分の加速度、速度、及び、変位の時刻歴波形である。地震動観測記録は、所定の評価手法により評価・解析されることで、各種の地震動指標が得られる。本実施形態に係る地震動観測記録は、強震観測網K−NETのうち関東地方一都六県(東京・神奈川・千葉・埼玉・茨城・栃木・群馬)に設置された観測点138地点(図1参照)にて観測された水平二成分(南北方向及び東西方向)に対する時刻歴波形である。 The seismic motion observation record is, for example, a time history waveform of acceleration, velocity, and displacement of three components in the north-south direction, the east-west direction, and the vertical direction. Various seismic motion indexes can be obtained by evaluating and analyzing the seismic motion observation record by a predetermined evaluation method. The seismic motion observation record according to this embodiment is the observation point 138 points installed in the Kanto region's six prefectures (Tokyo, Kanagawa, Chiba, Saitama, Ibaraki, Tochigi, Gunma) in the strong motion observation network K-NET (Fig. 1). It is a time history waveform for two horizontal components (north-south direction and east-west direction) observed in (see).

地震動指標は、地震動の振幅特性、周期特性、及び、経時特性の少なくとも1つを含む。 The seismic motion index includes at least one of the amplitude characteristic, the periodic characteristic, and the temporal characteristic of the seismic motion.

振幅特性は、地震動観測記録(加速度、速度、及び、変位の時刻歴波形)から得られる地震動の最大加速度PGA、最大速度、及び、最大変位の少なくとも1つである。本実施形態に係る振幅特性は、最大加速度PGAである。 The amplitude characteristic is at least one of the maximum acceleration PGA, maximum velocity, and maximum displacement of the seismic motion obtained from the seismic motion observation record (acceleration, velocity, and time history waveform of displacement). The amplitude characteristic according to this embodiment is the maximum acceleration PGA.

周期特性は、地震動観測記録(加速度、速度、及び、変位の時刻歴波形)から得られる応答スペクトル又はフーリエスペクトル等において、少なくとも1つの周期に対する応答値である。応答スペクトルは、例えば、所定の減衰定数(例えば、5%)に対する加速度応答スペクトル、擬似速度応答スペクトルpSv、速度応答スペクトル、及び、変位応答スペクトル等である。フーリエスペクトルは、例えば、加速度フーリエスペクトル、速度フーリエスペクトル、及び、変位フーリエスペクトル等である。本実施形態に係る周期特性は、0.1秒、0.5秒、1秒、3秒、5秒の各周期における減衰定数5%の擬似速度応答スペクトルpSv(0.1s)、pSv(0.5s)、pSv(1.0s)、pSv(3.0s)、pSv(5.0s)の5つである。 The periodic characteristic is a response value for at least one period in a response spectrum or a Fourier spectrum obtained from seismic motion observation records (acceleration, velocity, and time history waveform of displacement). The response spectrum is, for example, an acceleration response spectrum with respect to a predetermined attenuation constant (for example, 5%), a pseudo velocity response spectrum pSv, a velocity response spectrum, a displacement response spectrum, and the like. The Fourier spectrum is, for example, an acceleration Fourier spectrum, a velocity Fourier spectrum, a displacement Fourier spectrum, or the like. The periodic characteristics according to the present embodiment are pseudo-velocity response spectra pSv (0.1s) and pSv (0) having a decay constant of 5% in each period of 0.1 second, 0.5 second, 1 second, 3 seconds, and 5 seconds. .5s), pSv (1.0s), pSv (3.0s), pSv (5.0s).

経時特性は、例えば、地震動観測記録(加速度、速度、及び、変位の時刻歴波形)から得られる応答継続時間スペクトルにおいて、少なくとも1つの周期に対する応答継続時間である。応答継続時間スペクトルは、例えば、所定の減衰定数(例えば、5%)に対する加速度応答継続時間スペクトル、速度応答継続時間スペクトルTSv、及び、変位応答継続時間スペクトル等である。本実施形態に係る経時特性は、0.1秒、0.5秒、1秒、3秒、5秒の各周期における減衰定数5%の速度応答継続時間スペクトルTSv(0.1s)、TSv(0.5s)、TSv(1.0s)、TSv(3.0s)、TSv(5.0s)の5つである。なお、応答継続時間の開始と終了を規定するパラメータは、p1=0.03、p2=0.95である。 The temporal characteristic is, for example, the response duration for at least one period in the response duration spectrum obtained from the seismic motion observation record (acceleration, velocity, and displacement time history waveform). The response duration spectrum is, for example, an acceleration response duration spectrum, a velocity response duration spectrum TSv, a displacement response duration spectrum, or the like with respect to a predetermined attenuation constant (for example, 5%). The temporal characteristics according to the present embodiment are the velocity response duration spectrum TSv (0.1s), TSv ( 0.5s), TSv (1.0s), TSv (3.0s), and TSv (5.0s). The parameters that define the start and end of the response duration are p1 = 0.03 and p2 = 0.95.

(取得部311による取得工程と、学習用データ12について)
取得部311は、図3に示すように、データベース10に登録された複数の地震動データ11から、地震動諸特性パラメータを特徴量とし、地震動観測記録から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される学習用データ12を複数取得する。なお、学習用データ12は、教師あり学習における学習データ(トレーニングデータ)、検証データ及びテストデータとして用いられるデータである。また、複数の学習用データ12からなる学習用データ12の集合は、学習用データセットという。
(About the acquisition process by the acquisition unit 311 and the learning data 12)
As shown in FIG. 3, the acquisition unit 311 uses the seismic motion characteristic parameters as feature variables from the plurality of seismic motion data 11 registered in the database 10, and the seismic motion index obtained from the seismic motion observation record as the objective variable. Acquire a plurality of learning data 12 composed of objective variables. The learning data 12 is data used as learning data (training data), verification data, and test data in supervised learning. Further, a set of learning data 12 composed of a plurality of learning data 12 is called a learning data set.

その際、取得部311は、所定の地震条件及び所定の地震動条件の少なくとも一方を満たす地震に基づく地震動データ11を、学習用データ12として選択する。地震条件及び地震動条件は、例えば、首都圏においてある程度振幅が大きな地震動がバランス良く分布するように設定されるのが好ましい。 At that time, the acquisition unit 311 selects the seismic motion data 11 based on the earthquake that satisfies at least one of the predetermined seismic condition and the predetermined seismic motion condition as the learning data 12. It is preferable that the seismic conditions and the seismic motion conditions are set so that the seismic motion having a large amplitude to some extent is distributed in a well-balanced manner in the metropolitan area, for example.

所定の地震条件としては、以下に示す第1乃至第6の地震条件が挙げられる。例えば、1996年〜2019年1月15日の期間において発生した地震であって、最大震度が4以上でかつ東京都千代田区で震度2以上であることを第1の地震条件とする。関東地方で震度が記録された地点数が非常に少ない(一桁程度)地震を除外した上で、震央位置の偏り及び地震発生域の偏りが所定の閾値以下であることを第2の地震条件とする。地震規模(気象庁マグニチュードMj)については、3.0<Mj≦5.0、5.0<Mj≦5.5、5.5<Mjの三段階に分離したときにバランスが取れていることを第3の地震条件とする。同じ地震発生域で複数の地震が発生している場合には、震源深さの偏りが発生しないようにすることを第4の地震条件とする。モーメントマグニチュードMwが、広帯域震観測網F−netにより求められていることを第5の地震条件とする。断層面が極端に広い地震(例えば、2011年東北地方太平洋沖地震(Mj9.0))を除外することを第6の地震条件とする。上記第1乃至第6の地震条件を満たす地震としては、合計74地震が該当する。 Predetermined seismic conditions include the first to sixth seismic conditions shown below. For example, the first earthquake condition is that the earthquake occurred during the period from 1996 to January 15, 2019, and the maximum seismic intensity is 4 or more and the seismic intensity is 2 or more in Chiyoda-ku, Tokyo. The second seismic condition is that the deviation of the epicenter position and the deviation of the earthquake occurrence area are below the predetermined threshold, after excluding the earthquakes in the Kanto region where the number of points where the seismic intensity is recorded is very small (about one digit). And. Regarding the earthquake scale (Major magnitude Mj of the Meteorological Agency), it should be balanced when separated into three stages of 3.0 <Mj ≤ 5.0, 5.0 <Mj ≤ 5.5, 5.5 <Mj. The third earthquake condition. When multiple earthquakes occur in the same earthquake occurrence area, the fourth earthquake condition is to prevent the deviation of the epicenter depth from occurring. The fifth seismic condition is that the moment magnitude Mw is obtained by the wideband seismic observation network F-net. The sixth earthquake condition is to exclude earthquakes with extremely wide fault planes (for example, the 2011 off the Pacific coast of Tohoku Earthquake (Mj9.0)). A total of 74 earthquakes fall under the above-mentioned first to sixth earthquake conditions.

所定の地震動条件としては、以下に示す第1乃至第5の地震動条件が挙げられる。例えば、三成分の加速度を合成したときの三成分合成値の最大加速度が1cm/s以上であることを第1の地震動条件とする。地震動観測記録において振幅が小さくノイズが大きなもの(S/N比が小さなもの)を除外することを第2の地震動条件とする。地震動観測記録において記録時間が不足(頭部不足・尾部不足・両方不足)しているものを除外することを第3の地震動条件とする。地震動観測記録において別地震・別事象等が混在して記録の分析が困難なものを除外することを第4の地震動条件とする。地震動指標における応答スペクトルやフーリエスペクトルについては、周期0.05〜10秒の帯域を中心にノイズが大きなものを除外することを第5の地震動条件とする。 The predetermined seismic motion conditions include the first to fifth seismic motion conditions shown below. For example, the first seismic motion condition is that the maximum acceleration of the three-component combined value when the three-component acceleration is combined is 1 cm / s 2 or more. The second seismic motion condition is to exclude those with small amplitude and large noise (small S / N ratio) in the seismic motion observation record. The third seismic motion condition is to exclude those whose recording time is insufficient (head shortage, tail shortage, both shortage) in the seismic motion observation record. The fourth seismic motion condition is to exclude those in which it is difficult to analyze the records due to the mixture of different earthquakes and different events in the seismic motion observation records. Regarding the response spectrum and the Fourier spectrum in the seismic motion index, the fifth seismic motion condition is to exclude those with large noise mainly in the band having a period of 0.05 to 10 seconds.

取得部311が、上記第1乃至第6の地震条件を満たす合計74地震による地震動に対して、上記第1の地震動条件を満たす地震動データ11を選択することにより、取得部311により選択された学習用データ12の集合(以下、「学習用データセットA」という)は、計14104(7052記録×水平二成分)の地震動データ11からなる。また、取得部311が、記第1乃至第6の地震条件を満たす合計74地震による地震動に対して、上記第1乃至第5の地震動条件を満たす地震動データ11を選択することにより、取得部311により選択された学習用データ12の集合(以下、「学習用データセットB」という)は、計11488(5744記録×水平二成分)の地震動データ11からなる。 The learning unit 311 selected by the acquisition unit 311 by selecting the seismic motion data 11 satisfying the first seismic motion condition for the seismic motion caused by a total of 74 earthquakes satisfying the first to sixth seismic conditions. The set of data 12 (hereinafter referred to as “learning data set A”) consists of seismic motion data 11 having a total of 14104 (7052 records × horizontal two components). Further, the acquisition unit 311 selects the seismic motion data 11 satisfying the first to fifth seismic motion conditions for the seismic motion caused by a total of 74 earthquakes satisfying the first to sixth earthquake motion conditions, thereby causing the acquisition unit 311. The set of training data 12 selected by (hereinafter referred to as “learning data set B”) consists of seismic motion data 11 having a total of 11488 (5744 records × horizontal two components).

以下では、本実施形態に係る学習用データ12を構成する特徴量は、図4に示す25種類の地震動諸特性パラメータのうち、モーメントマグニチュードMw、震源深さH、震源距離X、震央方位Λ(sinΛとcosΛのペア)、表層30m平均S波速度AVS30、及び、地震基盤面深さ(S波速度2700m/s層上面深さ)D28の6種類の地震動諸特性パラメータであるものとして説明する。 In the following, the feature quantities constituting the learning data 12 according to the present embodiment are the moment magnitude Mw, the epicenter depth H, the epicentral distance X, and the epicenter direction Λ (of the 25 types of seismic motion characteristic parameters shown in FIG. 4). It will be described as six types of seismic ground motion characteristic parameters: (pair of sinΛ and cosΛ), surface layer 30 m average S wave velocity AVS30, and seismic basement surface depth (S wave velocity 2700 m / s layer top surface depth) D28.

また、本実施形態に係る学習用データ12を構成する目的変数は、図4に示す11種類の地震動指標、すなわち、最大加速度PGA、擬似速度応答スペクトルpSv(0.1s)、pSv(0.5s)、pSv(1.0s)、pSv(3.0s)、pSv(5.0s)、速度応答継続時間スペクトルTSv(0.1s)、TSv(0.5s)、TSv(1.0s)、TSv(3.0s)、TSv(5.0s)であるものとして説明する。 Further, the objective variables constituting the learning data 12 according to the present embodiment are 11 types of seismic motion indexes shown in FIG. 4, that is, maximum acceleration PGA, pseudo-velocity response spectrum pSv (0.1s), pSv (0.5s). ), PSv (1.0s), pSv (3.0s), pSv (5.0s), velocity response duration spectrum TSv (0.1s), TSv (0.5s), TSv (1.0s), TSv (3.0s), TSv (5.0s) will be described.

図5は、学習用データ12の集合(学習用データセットA)の各特徴量の相関を示す散布図である。学習用データセットAの特徴としては、遠方の小規模地震の記録が少ないこと、近距離の大規模地震の記録が無いこと、大半は震源深さ100km以浅に分布していること、関東地方の各観測点に対する震央方位Λは全方位に分散しているが、東北方向(震央方位Λ≒45°前後)が多いこと等が挙げられる。 FIG. 5 is a scatter diagram showing the correlation of each feature amount of the set of learning data 12 (learning data set A). The characteristics of the learning data set A are that there are few records of small-scale earthquakes in the distance, there are no records of large-scale earthquakes in the short distance, most of them are distributed shallower than the epicenter depth of 100 km, and the Kanto region. The epicenter direction Λ for each observation point is dispersed in all directions, but there are many cases in the northeast direction (earthquake center direction Λ ≈ 45 °).

(生成部312による生成工程と、地震動評価モデル13について)
生成部312は、図3に示すように、取得部311にて取得された複数の学習用データ12に基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、学習済みモデルとして地震動評価モデル13を生成し、記憶部30に記憶する。本実施形態では、機械学習における機械学習アルゴリズムとして、勾配ブースティング木(Gradient Boosting Decision Tree)を用いる場合について説明する。
(About the generation process by the generation unit 312 and the seismic motion evaluation model 13)
As shown in FIG. 3, the generation unit 312 learns the correlation between the feature amount and the objective variable by machine learning based on the plurality of learning data 12 acquired by the acquisition unit 311. The seismic motion evaluation model 13 is generated and stored in the storage unit 30. In this embodiment, a case where a gradient boosting decision tree is used as a machine learning algorithm in machine learning will be described.

図6は、勾配ブースティング木の概要を示す概要図である。勾配ブースティング木は、勾配ブースティングと決定木を組み合わせた学習器である。勾配ブースティングは、複数の弱学習器(低性能な機械学習モデル)を結合していくことにより強学習器(高性能な機械学習モデル)を構築する手法である。決定木は、樹木の分岐構造を利用した条件分岐を行うことにより分類・回帰が可能な機械学習モデルを生成する手法である。これら2つの手法を組み合わせた勾配ブースティング木は、決定木により生成した複数の弱学習器を勾配ブースティングにより結合する手法である。 FIG. 6 is a schematic diagram showing an outline of a gradient boosting tree. The gradient boosting tree is a learning device that combines gradient boosting and a decision tree. Gradient boosting is a method of constructing a strong learner (high-performance machine learning model) by combining multiple weak learners (low-performance machine learning model). Decision trees are a method of generating machine learning models that can be classified and regressed by performing conditional branching using the branching structure of trees. A gradient boosting tree that combines these two methods is a method of combining a plurality of weak learners generated by a decision tree by gradient boosting.

本実施形態では、11種類の地震動指標のうち、最大加速度PGA及び擬似速度応答スペクトルpSvについては、振幅が大きくなるにつれてデータ数が急激に減少すると考えられる。そのため、本実施形態では、目的変数の分布に発生する偏りを低減するため、最大加速度PGA及び擬似速度応答スペクトルpSvに対する目的変数のデータとして、常用対数(log10PGAとlog10pSv)をそれぞれ用いることにした。また、勾配ブースティング木における損失関数として、最大加速度PGA及び擬似速度応答スペクトルpSvには、最小二乗法(正規分布)を適用し、速度応答継続時間スペクトルTSvにはポアソン分布を適用することにした。 In the present embodiment, among the 11 types of seismic motion indexes, it is considered that the number of data for the maximum acceleration PGA and the pseudo-velocity response spectrum pSv decreases sharply as the amplitude increases. Therefore, in the present embodiment, in order to reduce the bias generated in the distribution of the objective variable, common logarithms (log 10 PGA and log 10 pSv) are used as the objective variable data for the maximum acceleration PGA and the pseudo-velocity response spectrum pSv, respectively. It was to be. Further, as a loss function in the gradient boosting tree, the least squares method (normal distribution) is applied to the maximum acceleration PGA and the pseudo velocity response spectrum pSv, and the Poisson distribution is applied to the velocity response duration spectrum TSv. ..

さらに、本実施形態では、生成部312が、勾配ブースティング木を用いて地震動評価モデル13を生成する際、地震動評価モデル13を目的変数(11種類の地震動指標)毎に生成するものとした。すなわち、特徴量(6種類の地震動諸特性パラメータ)と目的変数(最大加速度PGA=1種類目の地震動指標)との相関関係を学習させた第1の地震動評価モデル13A、特徴量(6種類の地震動諸特性パラメータ)と目的変数(擬似速度応答スペクトルpSv(0.1s)=2種類目の地震動指標)との相関関係を学習させた第2の地震動評価モデル13Bというように、第3の地震動評価モデル13Cから第11の地震動評価モデル13Kまでをそれぞれ生成し、合計11個の地震動評価モデル13A〜13Kを生成するものとした。以下では、地震動評価モデル13には、合計11個の地震動評価モデル13A〜13Kが含まれるものとして説明する。 Further, in the present embodiment, when the generation unit 312 generates the seismic motion evaluation model 13 using the gradient boosting tree, the seismic motion evaluation model 13 is generated for each objective variable (11 types of seismic motion indexes). That is, the first seismic motion evaluation model 13A in which the correlation between the feature amount (6 types of seismic motion characteristic parameters) and the objective variable (maximum acceleration PGA = 1st type seismic motion index) is learned, and the feature amount (6 types). A third seismic motion such as the second seismic motion evaluation model 13B in which the correlation between the seismic motion characteristic parameters) and the objective variable (pseudo-velocity response spectrum pSv (0.1s) = second type seismic motion index) is learned. The evaluation models 13C to the eleventh seismic motion evaluation model 13K were generated respectively, and a total of 11 seismic motion evaluation models 13A to 13K were generated. Hereinafter, it is assumed that the seismic motion evaluation model 13 includes a total of 11 seismic motion evaluation models 13A to 13K.

(地震動評価装置4の構成と各部による工程について)
地震動評価装置4は、地震動評価モデル生成装置3により生成された地震動評価モデル13に基づいて、地震動を評価・予測し、その結果を、例えば、表示媒体や紙媒体等の出力媒体に出力する。
(About the configuration of the seismic motion evaluation device 4 and the process by each part)
The seismic motion evaluation device 4 evaluates and predicts seismic motion based on the seismic motion evaluation model 13 generated by the seismic motion evaluation model generation device 3, and outputs the result to an output medium such as a display medium or a paper medium.

地震動評価装置4は、地震動評価モデル生成装置3と同様に、汎用又は専用のコンピュータで構成されており、図2に示すように、HDD、メモリ等により構成される記憶部40と、CPU、GPU等のプロセッサにより構成される制御部41と、ネットワーク5との通信インターフェースである通信部42と、キーボード、マウス等により構成される入力部43と、ディスプレイ、タッチパネル等により構成される表示部44とを備える。 Like the seismic motion evaluation model generator 3, the seismic motion evaluation device 4 is composed of a general-purpose or dedicated computer, and as shown in FIG. 2, a storage unit 40 composed of an HDD, a memory, and the like, a CPU, and a GPU. A control unit 41 composed of a processor such as the above, a communication unit 42 which is a communication interface with the network 5, an input unit 43 composed of a keyboard, a mouse, etc., and a display unit 44 composed of a display, a touch panel, etc. To prepare for.

記憶部40には、地震動評価モデル生成装置3により学習済みモデルとして生成された地震動評価モデル13と、地震動評価装置4の動作を制御して地震動評価方法を実現する地震動評価プログラム400が記憶されている。 The storage unit 40 stores a seismic motion evaluation model 13 generated as a trained model by the seismic motion evaluation model generator 3 and a seismic motion evaluation program 400 that controls the operation of the seismic motion evaluation device 4 to realize a seismic motion evaluation method. There is.

制御部41は、地震動評価プログラム400を実行することにより、受付部410、予測部411、及び、出力処理部412として機能する。なお、各部の機能の詳細は後述する。 By executing the seismic motion evaluation program 400, the control unit 41 functions as a reception unit 410, a prediction unit 411, and an output processing unit 412. The details of the functions of each part will be described later.

図7は、本発明の第1の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 FIG. 7 is a functional explanatory diagram showing an example of the seismic motion evaluation device 4 and the seismic motion evaluation method according to the first embodiment of the present invention.

(受付部410による受付工程について)
受付部410は、予測対象の地震動諸特性パラメータを受け付ける。具体的には、受付部410は、例えば、地震動評価装置4のユーザが予測対象として想定している地震(以下、「想定地震」という)のモーメントマグニチュードMw、震央位置、及び、震源深さHについて入力部33を介して受け付けるとともに、当該想定地震による地震動がどの程度発生するのかを予測したい予測点の位置を示す予測点位置についても入力部33を介して受け受ける。なお、予測点位置は、任意の位置でもよいし、観測点位置と同じでもよい。また、予測点位置は、複数でもよく、例えば、所定の格子間隔(例えば、5km間隔)における各格子点等でもよい。
(Regarding the reception process by the reception department 410)
The reception unit 410 receives various seismic motion characteristic parameters to be predicted. Specifically, the reception unit 410 has, for example, the moment magnitude Mw, the epicenter position, and the epicenter depth H of the earthquake assumed as the prediction target by the user of the seismic motion evaluation device 4 (hereinafter referred to as “assumed earthquake”). Is received via the input unit 33, and the predicted point position indicating the position of the predicted point for which it is desired to predict how much seismic motion due to the assumed earthquake will occur is also received via the input unit 33. The predicted point position may be any position or may be the same as the observation point position. Further, the predicted point positions may be plural, and may be, for example, each grid point at a predetermined grid spacing (for example, 5 km spacing).

そして、受付部410は、想定地震の震央位置と、地震動の予測点位置とに基づいて、震源距離X及び震央方位Λを算出するとともに、地下構造データ提供装置2Cにより提供された地下構造データに基づいて、地震動の予測点位置に対する表層30m平均S波速度AVS30、及び、地震基盤面深さ(S波速度2700m/s層上面深さ)D28を取得する。これにより、受付部410は、予測対象の地震動諸特性パラメータ(想定地震のモーメントマグニチュードMw、想定地震の震源深さH、想定地震の震源と予測点位置との間の震源距離X、予測点位置を基準として想定地震の震央位置が存在する方位を示す震央方位Λ、予測点位置の表層30m平均S波速度AVS30、及び、予測点位置の地震基盤面深さD28)を受け付ける。 Then, the reception unit 410 calculates the epicentral distance X and the epicenter direction Λ based on the epicenter position of the assumed earthquake and the predicted point position of the seismic motion, and also uses the underground structure data provided by the underground structure data providing device 2C. Based on this, the surface layer 30 m average S wave velocity AVS30 and the seismic basement surface depth (S wave velocity 2700 m / s layer top surface depth) D28 with respect to the predicted point position of the seismic motion are acquired. As a result, the reception unit 410 can use the seismic motion characteristic parameters to be predicted (moment magnitude Mw of the assumed earthquake, epicenter depth H of the assumed earthquake, source distance X between the source of the assumed earthquake and the predicted point position, and predicted point position). The epicenter direction Λ indicating the direction in which the epicenter position of the assumed earthquake exists, the surface layer 30 m average S wave velocity AVS30 at the predicted point position, and the seismic base plane depth D28) at the predicted point position are accepted.

(予測部411による予測工程について)
予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、地震動評価モデル13(6種類の地震動諸特性パラメータを特徴量とし、11種類の地震動指標を目的変数として、両者の相関関係を学習した学習済みモデル)に入力することにより当該地震動評価モデル13から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。その際、受付部410が、想定地震を複数受け付けたり、予測点位置を複数受け付けたりすることで、予測対象として複数の地震動諸特性パラメータを受け付けた場合には、予測部411は、複数の地震動諸特性パラメータの各々を地震動評価モデル13に入力することで、複数の地震動諸特性パラメータの各々に対応する地震動指標をそれぞれ予測する。
(About the prediction process by the prediction unit 411)
The prediction unit 411 uses the seismic motion characteristic parameters of the prediction target received by the reception unit 410 as feature quantities, and the seismic motion evaluation model 13 (six types of seismic motion characteristic parameters as feature quantities, and 11 types of seismic motion indexes as objective variables. By inputting to the trained model in which the correlation between the two is learned), the seismic motion index corresponding to the seismic motion characteristic parameters to be predicted is predicted based on the objective variable output from the seismic motion evaluation model 13. At that time, when the reception unit 410 accepts a plurality of assumed earthquakes or a plurality of predicted point positions to receive a plurality of seismic motion characteristic parameters as prediction targets, the prediction unit 411 receives a plurality of seismic motions. By inputting each of the various characteristic parameters into the seismic motion evaluation model 13, the seismic motion index corresponding to each of the plurality of seismic motion characteristic parameters is predicted.

本実施形態では、地震動評価モデル13は、目的変数(11種類の地震動指標)毎に生成された合計11個の地震動評価モデル13A〜13Kを含むことから、予測部411は、予測対象の地震動諸特性パラメータを特徴量として合計11個の地震動評価モデル13A〜13Kにそれぞれ入力し、合計11個の地震動評価モデル13A〜13Kからそれぞれ出力される目的変数(11種類の地震動指標)毎に、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。すなわち、特徴量(6種類の地震動諸特性パラメータ)と最大加速度PGA(=1種類目の地震動指標)との相関関係を学習させた第1の地震動評価モデル13Aを用いて最大加速度PGAを予測し、特徴量(6種類の地震動諸特性パラメータ)と擬似速度応答スペクトルpSv(0.1s)(=2種類目の地震動指標)との相関関係を学習させた第2の地震動評価モデル13Bを用いて擬似速度応答スペクトルpSv(0.1s)を予測する、というように、第3の地震動評価モデル13Cから第11の地震動評価モデル13Kを用いてそれぞれの目的変数を予測することで、合計11個の地震動評価モデル13A〜13Kを用いて11種類の地震動指標を予測するものとした。 In the present embodiment, since the seismic motion evaluation model 13 includes a total of 11 seismic motion evaluation models 13A to 13K generated for each objective variable (11 types of seismic motion indexes), the prediction unit 411 is used to predict various seismic motions. The characteristic parameters are input to a total of 11 seismic motion evaluation models 13A to 13K as feature quantities, and the prediction target is for each objective variable (11 types of seismic motion indicators) output from the total of 11 seismic motion evaluation models 13A to 13K. Predict the seismic motion index corresponding to the seismic motion characteristic parameters of. That is, the maximum acceleration PGA is predicted using the first seismic motion evaluation model 13A in which the correlation between the feature quantity (six types of seismic motion characteristic parameters) and the maximum acceleration PGA (= the first type of seismic motion index) is learned. Using the second seismic motion evaluation model 13B, which learned the correlation between the feature quantity (6 types of seismic motion characteristic parameters) and the pseudo-velocity response spectrum pSv (0.1s) (= the second type of seismic motion index). By predicting each objective variable from the third seismic motion evaluation model 13C to the eleventh seismic motion evaluation model 13K, such as predicting the pseudo-velocity response spectrum pSv (0.1s), a total of 11 pieces. Eleven kinds of seismic motion indexes were predicted using the seismic motion evaluation models 13A to 13K.

(出力処理部412による出力処理工程について)
出力処理部412は、予測部411にて予測された地震動指標を視認可能な出力媒体に出力する。例えば、出力媒体が、表示部44のような表示媒体である場合には、出力処理部412は、表示媒体に表示するための表示データ(出力データ)を生成し、表示媒体に表示出力する。また、出力媒体が、紙媒体である場合には、出力処理部412は、紙媒体に印刷するための印刷データ(出力データ)を生成し、紙媒体に印刷出力する。なお、出力処理部412は、出力データを、例えば、地震動予測マップ作成システムやハザードマップ作成システム等に通信出力するようにしてもよいし、公共施設、建物、工場等の防災システムに通信出力するようにしてもよい。
(About the output processing process by the output processing unit 412)
The output processing unit 412 outputs the seismic motion index predicted by the prediction unit 411 to a visible output medium. For example, when the output medium is a display medium such as the display unit 44, the output processing unit 412 generates display data (output data) for display on the display medium and displays and outputs the display data on the display medium. When the output medium is a paper medium, the output processing unit 412 generates print data (output data) for printing on the paper medium and prints and outputs the print data on the paper medium. The output processing unit 412 may output the output data to, for example, a seismic motion prediction map creation system, a hazard map creation system, or the like, or may output the output data to a disaster prevention system such as a public facility, a building, or a factory. You may do so.

例えば、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、1つの想定地震に対して、例えば、各格子点を予測点位置とするような複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された各予測点位置における複数の地震動指標の値を、地図上に重畳するように、例えば、コンター図や、色分けしたメッシュ図として出力媒体に出力する。 For example, the output processing unit 412 has a plurality of seismic motions such that the seismic motion characteristic parameters of the prediction target received by the reception unit 410 have, for example, each grid point as the predicted point position for one assumed earthquake. When it is a characteristic parameter, for example, a contour diagram or a contour diagram so that the values of a plurality of seismic motion indexes at each predicted point position predicted by the prediction unit 411 based on the plurality of seismic motion characteristic parameters are superimposed on the map. , Output to the output medium as a color-coded mesh diagram.

また、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、予測点位置を中心として異なる複数の方位特性を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された各方位における複数の地震動指標の値を、出力媒体における基準点からの距離として表すとともに、複数の方位特性を、基準点を中心とする各方位に割り当てることにより、複数の地震動指標を出力媒体に出力する。 Further, when the seismic motion characteristic parameters of the prediction target received by the reception unit 410 are a plurality of seismic motion characteristic parameters including a plurality of different directional characteristics centered on the predicted point position, the output processing unit 412 has the plurality. The values of multiple seismic motion indexes in each direction predicted by the prediction unit 411 based on the various seismic motion characteristic parameters of the above are expressed as the distances from the reference point in the output medium, and the multiple direction characteristics are centered on the reference point. By assigning to each direction, a plurality of seismic motion indexes are output to the output medium.

さらに、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、異なる震源距離を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された複数の地震動指標の値を距離減衰特性として表すことにより、図8(詳細は後述)に示すように、複数の地震動指標を出力媒体に出力する。 Further, when the seismic motion characteristic parameters of the prediction target received by the reception unit 410 are a plurality of seismic motion characteristic parameters including different epicenter distances, the output processing unit 412 is based on the plurality of seismic motion characteristic parameters. By expressing the values of the plurality of seismic motion indexes predicted by the prediction unit 411 as the distance attenuation characteristics, as shown in FIG. 8 (details will be described later), the plurality of seismic motion indexes are output to the output medium.

図8は、地震動指標を距離減衰特性として表すときの出力結果の一例を示し、(a)はモーメントマグニチュードMwに応じた最大加速度PGA、(b)は震央方位Λに応じた擬似速度応答スペクトルpSv(1.0s)を示す図である。 FIG. 8 shows an example of the output result when the seismic motion index is expressed as the distance attenuation characteristic, (a) is the maximum acceleration PGA according to the moment magnitude Mw, and (b) is the pseudo velocity response spectrum pSv according to the epicenter direction Λ. It is a figure which shows (1.0 s).

図8(a)に示す出力結果は、想定地震が、茨城方面を震源とする地震であり、予測点位置は、「SIT006(秩父)」(図1参照)である場合に出力されるものであり、プレート境界地震による岩盤サイトでの揺れを想定したものである。また、非特許文献1に基づく既往の距離減衰式の平均についても、参考のために出力したものであるが、大局的には、既往の距離減衰式と同様に、地震動評価モデル13により地震動指標が予測されたものといえる。 The output result shown in FIG. 8A is output when the assumed earthquake is an earthquake whose epicenter is in the direction of Ibaraki and the predicted point position is "SIT006 (Chichibu)" (see FIG. 1). Yes, it is assumed that the rock site will shake due to an interplate earthquake. In addition, the average of the existing distance damping formulas based on Non-Patent Document 1 is also output for reference, but in general, the seismic motion index is based on the seismic motion evaluation model 13 as in the past distance damping formulas. Can be said to have been predicted.

図8(b)に示す出力結果は、想定地震が、都心からみて北東・南・南西方向(Λ=45°、160°、230°)のプレート境界地震、及び、北西方向(Λ=320°)の内陸地震である場合に出力されるものである。これら4つの想定地震を比較すると、モーメントマグニチュードMw及び震源距離Xが同じでも、擬似速度応答スペクトルpSv(1.0s)の大きさには差が生じており、プレート境界地震の中では南方向が最も小さく、北東方向と南西方向の大小関係は、震源距離Xが50km程度を境に入れ替わっている。また、北西方向の内陸地震では、距離減衰の傾きが相対的に小さく、震源距離Xが100km未満では、他の想定地震に比べて、擬似速度応答スペクトルpSv(1.0s)の大きさが顕著に小さくなっている。このような違いは、震源特性の地域性や伝播特性の違いが地震動評価モデル13に反映された結果であり、さらに震央方位Λを考慮することにより、細かな地域特性が地震動評価モデル13に反映された結果であると考えられる。 The output results shown in FIG. 8B show that the assumed earthquakes are interplate earthquakes in the northeast, south, and southwest directions (Λ = 45 °, 160 °, 230 °) and northwest directions (Λ = 320 °) when viewed from the city center. ) Is output in the case of an inland earthquake. Comparing these four assumed earthquakes, even if the moment magnitude Mw and the epicentral distance X are the same, there is a difference in the magnitude of the pseudo-velocity response spectrum pSv (1.0s), and the south direction is the interplate earthquake. The smallest, the magnitude relationship between the northeastern direction and the southwestern direction is switched when the epicentral distance X is about 50 km. In addition, in the northwestern inland earthquake, the slope of the distance attenuation is relatively small, and when the epicentral distance X is less than 100 km, the magnitude of the pseudo-velocity response spectrum pSv (1.0 s) is remarkable compared to other assumed earthquakes. It is getting smaller. Such differences are the result of the differences in the regional characteristics and propagation characteristics of the epicenter characteristics being reflected in the seismic motion evaluation model 13, and by considering the epicenter direction Λ, the detailed regional characteristics are reflected in the seismic motion evaluation model 13. It is considered to be the result of this.

(地震動評価モデル13の特性について)
次に、地震動評価モデル13の特性について、地震動評価モデル生成装置3により異なる学習用データ12を用いてそれぞれ生成された複数の地震動評価モデル13を比較しながら説明する。その際、地震動諸特性パラメータ及び地震動観測記録が関連付けられた複数の地震動データ11について、地震動観測記録から得られる地震動指標を「観測値」とし、地震動諸特性パラメータを地震動評価モデル13に入力することにより得られる地震動指標を「評価値」として、「観測値」及び「評価値」を用いて地震動評価モデル13の特性を説明する。
(Characteristics of seismic motion evaluation model 13)
Next, the characteristics of the seismic motion evaluation model 13 will be described while comparing a plurality of seismic motion evaluation models 13 generated by using different learning data 12 by the seismic motion evaluation model generation device 3. At that time, for the plurality of seismic motion data 11 associated with the seismic motion characteristic parameters and the seismic motion observation record, the seismic motion index obtained from the seismic motion observation record is set as the "observed value", and the seismic motion characteristic parameters are input to the seismic motion evaluation model 13. The characteristics of the seismic motion evaluation model 13 will be described using the “observed value” and the “evaluation value” with the seismic motion index obtained by the above as the “evaluation value”.

ここでは、学習用データセットAを用いた機械学習により「関東モデルA」を生成するものとし、特徴量として上記6種類を全て考慮した「関東モデルA6」と、震央方位Λ(sinΛ,cosΛ)を除く5種類のみを考慮した「関東モデルA5」とをそれぞれ生成し、比較した。また、学習用データセットBを用いた機械学習により「関東モデルB」を生成するものとし、特徴量として上記6種類を全て考慮した「関東モデルB6」と、震央方位Λ(sinΛ,cosΛ)を除く5種類のみを考慮した「関東モデルB5」とをそれぞれ生成し、比較した。 Here, it is assumed that the "Kanto model A" is generated by machine learning using the learning data set A, and the "Kanto model A6" considering all the above six types as feature quantities and the seismic center direction Λ (sinΛ, cosΛ). "Kanto model A5" considering only 5 types excluding the above was generated and compared. In addition, it is assumed that the "Kanto model B" is generated by machine learning using the learning data set B, and the "Kanto model B6" considering all the above six types as feature quantities and the seismic center direction Λ (sinΛ, cosΛ) are used. "Kanto model B5" considering only 5 types except 5 was generated and compared.

(目的変数に対する各特徴量の影響度について)
図9は、目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示し、(a)は関東モデルA5、(b)は関東モデルA6、(c)は関東モデルB5、(d)は関東モデルB6をそれぞれ示す図である。
(Regarding the degree of influence of each feature on the objective variable)
FIG. 9 shows the degree of influence of each feature amount (earthquake motion characteristic parameters) on the objective variable (earthquake motion index), (a) is Kanto model A5, (b) is Kanto model A6, and (c) is Kanto model B5. (D) is a diagram showing each of the Kanto model B6.

図9に示す各特徴量の影響度は、機械学習に用いた学習用データ12(学習用データセットA又学習用データセットB)から1つの特徴量を選択し、そのデータ列のみシャッフルしてランダムなデータ列に置き換え、他の特徴量のデータ列は元のままとして目的変数を評価したときに、評価精度が悪化した度合いを示すものである。したがって、評価精度が大きく悪化した場合は、その特徴量が重要であり、逆に評価精度が変化しない場合は、その特徴量は評価に与える影響が小さいと考えられる。 For the degree of influence of each feature amount shown in FIG. 9, one feature amount is selected from the training data 12 (training data set A or training data set B) used for machine learning, and only the data string is shuffled. It shows the degree of deterioration of the evaluation accuracy when the objective variable is evaluated by replacing it with a random data string and leaving the data strings of other features as they are. Therefore, when the evaluation accuracy is significantly deteriorated, the feature amount is important, and conversely, when the evaluation accuracy does not change, the feature amount is considered to have a small influence on the evaluation.

図9(a)に示す関東モデルA5と、図9(b)に示す関東モデルA6を比較すると、短周期では震源距離Xの影響、長周期ではモーメントマグニチュードMwの影響がそれぞれ支配的である。モーメントマグニチュードMwの影響度は、速度応答継続時間スペクトルTSv(0.1s)を除いて全体に周期と共に増大し、震源距離Xの影響度は周期と共に減少した。震源深さHの影響度は、短周期側でやや大きめ、表層30m平均S波速度AVS30の影響度は、速度応答継続時間スペクトルTSv(1.0s)で相対的にやや大きめ、地震基盤面深さD28の影響度は、速度応答継続時間スペクトルTSvの周期1秒以上で大きめとなった。震央方位Λの影響度は、sinΛとcosΛを合わせて検討すると、震源深さH、地震基盤面深さD28、表層30m平均S波速度AVS30に匹敵し、相対的には、周期1秒以下で大きめとなった。総合的に見ると、周期1秒付近を境に短周期側と長周期側とで特徴が異なるように見える。 Comparing the Kanto model A5 shown in FIG. 9A and the Kanto model A6 shown in FIG. 9B, the influence of the epicentral distance X is dominant in the short period and the influence of the moment magnitude Mw is dominant in the long period. The degree of influence of the moment magnitude Mw increased with the period as a whole except for the velocity response duration spectrum TSv (0.1s), and the degree of influence of the epicentral distance X decreased with the period. The degree of influence of the epicenter depth H is slightly larger on the short cycle side, and the degree of influence of the surface layer 30 m average S wave velocity AVS30 is relatively larger in the velocity response duration spectrum TSv (1.0 s), and the depth of the seismic base surface. The degree of influence of D28 became large when the period of the velocity response duration spectrum TSv was 1 second or more. The degree of influence of the epicenter direction Λ is comparable to the epicenter depth H, the seismic base surface depth D28, and the surface layer 30 m average S wave velocity AVS30 when considering sinΛ and cosΛ together, and the period is relatively 1 second or less. It became large. Overall, it seems that the characteristics differ between the short-period side and the long-period side with a period of around 1 second as the boundary.

図9(c)に示す関東モデルB5と、図9(d)に示す関東モデルB6を比較すると、速度応答継続時間スペクトルTSvへの効果が試作関東モデルAの結果よりも分かりやすくなった。モーメントマグニチュードMwの影響度は、周期と共に増大し、震源距離Xや震源深さHの影響度は、周期と共に減少した。表層30m平均S波速度AVS30の影響度は、周期1秒で相対的にやや大きめ、地震基盤面深さD28の影響度は周期1秒以上で大きめ、震央方位Λの影響度は、相対的には周期1秒以下で大きめとなった。 Comparing the Kanto model B5 shown in FIG. 9 (c) with the Kanto model B6 shown in FIG. 9 (d), the effect on the velocity response duration spectrum TSv became easier to understand than the result of the prototype Kanto model A. The degree of influence of the moment magnitude Mw increased with the period, and the degree of influence of the epicentral distance X and the source depth H decreased with the period. The degree of influence of the surface layer 30 m average S wave velocity AVS30 is relatively large in a period of 1 second, the degree of influence of the seismic base surface depth D28 is large in a period of 1 second or more, and the degree of influence of the epicenter direction Λ is relatively large. Became larger with a period of 1 second or less.

(目的変数の予測精度について)
図10は、関東モデルA6における各目的変数(地震動指標)について、地震動観測記録から得られる観測値と、地震動評価モデル13により得られる評価値との相関を示す散布図である。
(About the prediction accuracy of the objective variable)
FIG. 10 is a scatter diagram showing the correlation between the observed value obtained from the seismic motion observation record and the evaluation value obtained by the seismic motion evaluation model 13 for each objective variable (earthquake motion index) in the Kanto model A6.

図10では、目的変数として、最大加速度PGA、擬似速度応答スペクトルpSv(1.0s)、pSv(3.0s)、速度応答継続時間スペクトルTSv(1.0s)、TSv(3.0s)について比較した。いずれも横軸が観測値、縦軸が評価値である。学習用データ12のうち、機械学習に用いられた学習データは、全データの64%であり、モデル検証に用いられた検証データは、全データの36%であり、評価値が観測値に等しい場合を実線で、観測値の倍・半分となる場合を破線で示す。観測値は、全体として非常に良く評価・モデル化され、評価値の大半は観測値の倍半分以内に収まった。地震動に関する従来の知見に照らしてみても、この評価精度は高いと考えられる。 In FIG. 10, the maximum acceleration PGA, the pseudo velocity response spectra pSv (1.0s), pSv (3.0s), the velocity response duration spectra TSv (1.0s), and TSv (3.0s) are compared as objective variables. did. In both cases, the horizontal axis is the observed value and the vertical axis is the evaluation value. Of the training data 12, the training data used for machine learning is 64% of the total data, the verification data used for model verification is 36% of the total data, and the evaluation value is equal to the observed value. The case is shown by a solid line, and the case where the observed value is doubled or halved is shown by a broken line. The observed values were evaluated and modeled very well as a whole, and most of the evaluated values were within half of the observed values. This evaluation accuracy is considered to be high even in light of the conventional knowledge about seismic motion.

図11は、各目的変数(地震動指標)の「評価値/観測値」比をヒストグラムで示し、(a)は関東モデルA5、(b)は関東モデルA6をそれぞれ示す図である。「評価値/観測値」比の値は、1を中心とする整った分布となり、最大加速度PGA、及び、擬似速度応答スペクトルpSvよりも速度応答継続時間スペクトルTSvのばらつきが小さいことが分かった。 11A and 11B are histograms showing the “evaluation value / observation value” ratio of each objective variable (earthquake motion index), where (a) shows the Kanto model A5 and (b) shows the Kanto model A6. It was found that the value of the "evaluation value / observed value" ratio had a well-organized distribution centered on 1, and the variation of the velocity response duration spectrum TSv was smaller than that of the maximum acceleration PGA and the pseudo velocity response spectrum pSv.


図12は、関東モデルA5、A6、B5、B6について、各目的変数(地震動指標)の「評価値/観測値」比の平均μとばらつきσを示す図である。

FIG. 12 is a diagram showing the average μ and the variation σ of the “evaluation value / observation value” ratio of each objective variable (earthquake motion index) for the Kanto models A5, A6, B5, and B6.

「評価値/観測値」比の平均は、ほぼ1であり、「評価値/観測値」比の常用対数標準偏差は、最大加速度PGA、及び、擬似速度応答スペクトルpSvでは0.17〜0.20、速度応答継続時間スペクトルTSvでは、0.10〜0.12となった。地震動に関する従来の知見に照らしてみても、この評価精度は高い。特徴量として震央方位Λを考慮に入れた場合には(関東モデルA5→A6)、各目的変数の平均とばらつきはやや改善し、震央方位Λによる地震動特性の違いを考慮することは少なからず重要であることも確認できた。また、学習用データセットAに代えて学習用データセットBを用いた場合には(関東モデルA6→B6)、速度応答継続時間スペクトルTSvの平均とばらつきがやや改善した。 The average of the "evaluation / observation" ratio is approximately 1, and the common logarithm standard deviation of the "evaluation / observation" ratio is 0.17 to 0. For the maximum acceleration PGA and the pseudo-velocity response spectrum pSv. 20. The velocity response duration spectrum TSv was 0.10 to 0.12. This evaluation accuracy is high even in the light of conventional knowledge about seismic motion. When the epicenter direction Λ is taken into consideration as a feature (Kanto model A5 → A6), the average and variation of each objective variable are slightly improved, and it is not a little important to consider the difference in seismic motion characteristics depending on the epicenter direction Λ. I was also able to confirm that. Further, when the training data set B was used instead of the training data set A (Kanto model A6 → B6), the average and variation of the velocity response duration spectrum TSv were slightly improved.

以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、データ量の増加とコンピュータの情報処理能力の向上を最大限に生かしつつ、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 As described above, according to the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the present embodiment, it is considered that they will occur in the future while making the best use of the increase in the amount of data and the improvement of the information processing capacity of the computer. It is possible to provide a seismic motion evaluation model 13 capable of evaluating and predicting the characteristics of seismic motion due to an earthquake with high accuracy.

また、本実施形態に係る地震動評価装置4及び地震動評価方法によれば、地震動評価モデル生成装置3及び地震動評価モデル生成方法により生成された地震動評価モデル13を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。 Further, according to the seismic motion evaluation device 4 and the seismic motion evaluation method according to the present embodiment, by using the seismic motion evaluation model generation device 3 and the seismic motion evaluation model 13 generated by the seismic motion evaluation model generation method, individual experts can use the seismic motion evaluation device 4. It is possible to evaluate and predict the characteristics of seismic motion caused by an earthquake that is expected to occur in the future with high accuracy without depending on experience.

さらに、地震動諸特性パラメータが地震動の方位特性を少なくとも含む場合には、地震動の方位特性と地震動指標との相関関係が機械学習により学習されることで、サイト周辺の地下構造が方位毎に異なることにより地震動に与える影響が地震動評価モデル13に反映されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 Furthermore, when the seismic motion characteristic parameters include at least the seismic motion azimuth characteristics, the correlation between the seismic motion azimuth characteristics and the seismic motion index is learned by machine learning, so that the underground structure around the site differs for each direction. Since the influence on the seismic motion is reflected in the seismic motion evaluation model 13, it is possible to provide the seismic motion evaluation model 13 capable of evaluating and predicting the characteristics of the seismic motion with high accuracy.

また、地震動指標が地震動の経時特性を少なくとも含む場合には、地震動諸特性パラメータと地震動の経時特性との相関関係が機械学習により学習されることで、将来発生すると考えられる地震による地震動の経時特性を評価・予測するための予測式を定義することなく、地震動の特性の1つとして地震動の経時特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 In addition, when the seismic motion index includes at least the temporal characteristics of the seismic motion, the correlation between the seismic motion characteristic parameters and the temporal characteristics of the seismic motion is learned by machine learning, and the temporal characteristics of the seismic motion due to the earthquake that is considered to occur in the future. It is possible to provide a seismic motion evaluation model 13 capable of evaluating and predicting the temporal characteristics of seismic motion with high accuracy as one of the characteristics of seismic motion without defining a prediction formula for evaluating and predicting.

(第2の実施形態)
第1の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、関東地方一都六県に設置された観測点138地点の観測データを用いて1つの地震動評価モデル13(例えば、関東モデルA5、A6、B5、B6)を生成し、地震動評価装置4が、1つの地震動評価モデル13を用いて関東地方における地震動を評価・予測するものである。これに対し、第2の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、観測点毎に地震動評価モデル13を生成し、地震動評価装置4が、観測点毎の地震動評価モデル13を用いて各観測点における地震動を評価・予測する点で相違する。その他の基本的な構成及び動作は、第1の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(Second embodiment)
In the seismic motion evaluation system 1 according to the first embodiment, the seismic motion evaluation model generator 3 uses the observation data of 138 observation points installed in one metropolitan area and six prefectures in the Kanto region to obtain one seismic motion evaluation model 13 (for example, for example. Kanto models A5, A6, B5, B6) are generated, and the seismic motion evaluation device 4 evaluates and predicts seismic motion in the Kanto region using one seismic motion evaluation model 13. On the other hand, in the seismic motion evaluation system 1 according to the second embodiment, the seismic motion evaluation model generation device 3 generates the seismic motion evaluation model 13 for each observation point, and the seismic motion evaluation device 4 generates the seismic motion evaluation model for each observation point. It differs in that it evaluates and predicts the seismic motion at each observation point using No. 13. Since other basic configurations and operations are the same as those of the first embodiment, the differences between the two will be mainly described below.

(地震動評価モデル生成装置3について)
本実施形態では、地震動評価モデル生成装置3が、防災科研の強震観測網K−NETの観測点の中から、基盤が浅く表層地盤が硬い地点の例である「SIT006(秩父)」(図1参照)と、基盤が深く表層地盤が軟らかな地点の例である「TKY028(越中島)」(図1参照)とについて、地震動評価モデル13をそれぞれ生成するものとして説明する。ここでは、SIT006(秩父)における地震動評価モデル13を「地点モデルS」、TKY028(越中島)における地震動評価モデル13を「地点モデルT」とし、それらの機械学習に必要な学習用データ12の集合をそれぞれ「学習用データセットS」、「学習用データセットT」とする。
(About seismic motion evaluation model generator 3)
In this embodiment, the seismic motion evaluation model generator 3 is an example of a point where the basement is shallow and the surface layer is hard from the observation points of the strong motion observation network K-NET of the National Research Institute for Earth Science and Disaster Prevention "SIT006 (Chichibu)" (FIG. 1). (See) and "TKY028 (Etchujima)" (see FIG. 1), which is an example of a point where the basement is deep and the surface layer is soft, will be described assuming that the seismic motion evaluation model 13 is generated. Here, the seismic motion evaluation model 13 in SIT006 (Chichibu) is referred to as "point model S", and the seismic motion evaluation model 13 in TKY028 (Etsunakajima) is referred to as "point model T". Let them be "learning data set S" and "learning data set T", respectively.

図13は、本発明の第2の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 FIG. 13 is a functional explanatory diagram showing an example of the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the second embodiment of the present invention.

取得部311は、データベース10に登録された複数の地震動データ11から、所定の地震条件として、1996年〜2019年5月31日の期間において発生した地震であって、SIT006(秩父)又はTKY028(越中島)にて地震動が観測されたことを満たす地震に基づくとともに、所定の地震動条件を満たす地震動として、三成分合成値の最大加速度が1cm/s以上であること(第1の地震動条件)、及び、モーメントマグニチュードMwが広帯域震観測網F−netにより求められていること(第5の地震動条件)を満たす地震動に基づく地震動データ11を、学習用データ12(学習用データセットS、T)として選択する。これにより、学習用データセットSは、計1468(734記録×水平二成分)の地震動データ11からなり、学習用データセットTは、計1314(657地震×2成分)の地震動データ11からなる。 The acquisition unit 311 is an earthquake that occurred during the period from 1996 to May 31, 2019 under predetermined seismic conditions from the plurality of seismic motion data 11 registered in the database 10, and is SIT006 (Chichibu) or TKY028 ( Based on the earthquake that satisfies the observation of seismic motion in (Etsunakajima), the maximum acceleration of the three-component composite value is 1 cm / s 2 or more (first seismic motion condition) as the seismic motion that satisfies the predetermined seismic motion condition. And, the seismic motion data 11 based on the seismic motion satisfying that the moment magnitude Mw is obtained by the broadband seismic observation network F-net (fifth seismic motion condition) is used as the training data 12 (learning data sets S and T). select. As a result, the learning data set S is composed of a total of 1468 (734 records × horizontal two components) seismic motion data 11, and the learning data set T is composed of a total of 1314 (657 earthquakes × 2 components) seismic motion data 11.

その際、地点モデルS、Tは、それぞれ地点固有の地震動評価モデル13であるため、学習用データ12を構成する特徴量は、上記6種類の地震動諸特性パラメータのうち、地点毎に共通な表層30m平均S波速度AVS30、及び、地震基盤面深さD28を除く、モーメントマグニチュードMw、震源深さH、震源距離X、及び、震央方位Λの4種類の地震動諸特性パラメータである。なお、学習用データ12を構成する目的変数は、第1の実施形態と同様に、上記11種類の地震動指標である。 At that time, since the point models S and T are each point-specific seismic motion evaluation model 13, the feature quantities constituting the learning data 12 are the surface layer common to each point among the above six types of seismic motion characteristic parameters. There are four types of seismic ground motion characteristic parameters: moment magnitude Mw, epicenter depth H, epicentral distance X, and epicenter direction Λ, excluding 30 m average S wave velocity AVS30 and seismic base plane depth D28. The objective variable constituting the learning data 12 is the above 11 types of seismic motion indexes, as in the first embodiment.

図14は、学習用データ12の集合の各特徴量の相関を示し、(a)は学習用データセットS、(b)学習用データセットTを示す散布図である。学習用データセットS、Tは、図5に示す学習用データセットAに比較して近距離地震のデータは少ないが、その点を除くと定性的には学習用データセットAと同様な傾向である。 FIG. 14 is a scatter diagram showing the correlation of each feature amount of the set of training data 12, where (a) shows the learning data set S and (b) the learning data set T. The training data sets S and T have less data on short-range earthquakes than the training data set A shown in FIG. 5, but qualitatively have the same tendency as the training data set A except for that point. be.

生成部312は、図13に示すように、取得部311にて取得された複数の学習用データ12(学習用データセットS、T)に基づいて、特徴量(4種類の地震動諸特性パラメータ)及び目的変数(11種類の地震動指標)の相関関係を機械学習により学習することにより、観測点毎に地震動評価モデル13(地点モデルS4、T4)を生成する。 As shown in FIG. 13, the generation unit 312 has feature quantities (four types of seismic motion characteristic parameters) based on a plurality of learning data 12 (learning data sets S and T) acquired by the acquisition unit 311. By learning the correlation between the objective variables (11 types of seismic motion indexes) by machine learning, seismic motion evaluation models 13 (point models S4 and T4) are generated for each observation point.

(地震動評価装置4について)
図15は、本発明の第2の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。
(About seismic motion evaluation device 4)
FIG. 15 is a functional explanatory diagram showing an example of the seismic motion evaluation device 4 and the seismic motion evaluation method according to the second embodiment of the present invention.

受付部410は、予測対象の地震動諸特性パラメータ(想定地震のモーメントマグニチュードMw、想定地震の震源深さH、想定地震の震源と予測点位置との間の震源距離X、及び、予測点位置を基準として想定地震の震央位置が存在する方位を示す震央方位Λ)を受け付ける。本実施形態では、予測点位置は、SIT006(秩父)又はTKY028(越中島)である。 The reception unit 410 determines the seismic motion characteristic parameters (moment magnitude Mw of the assumed earthquake, the epicenter depth H of the assumed earthquake, the epicenter distance X between the epicenter of the assumed earthquake and the predicted point position, and the predicted point position). As a reference, the epicenter direction Λ) indicating the direction in which the epicenter position of the assumed earthquake exists is accepted. In this embodiment, the predicted point position is SIT006 (Chichibu) or TKY028 (Etchujima).

予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、予測点位置に応じて地震動評価モデル13(地点モデルS4、T4)に入力することにより当該地震動評価モデル13から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。その際、予測部411は、予測点位置がSIT006(秩父)の場合には、地点モデルS4を用い、予測点位置がTKY028(越中島)の場合には、地点モデルT4を用いる。 The prediction unit 411 uses the seismic motion characteristic parameters of the prediction target received by the reception unit 410 as feature quantities, and inputs the seismic motion evaluation model 13 (point models S4, T4) according to the predicted point position to evaluate the seismic motion. Based on the objective variable output from the model 13, the seismic motion index corresponding to the seismic motion characteristic parameters to be predicted is predicted. At that time, the prediction unit 411 uses the point model S4 when the predicted point position is SIT006 (Chichibu), and uses the point model T4 when the predicted point position is TKY028 (Etchujima).

出力処理部412は、予測部411にて予測された地震動指標を視認可能な出力媒体に出力する。例えば、出力処理部412は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータが、予測点位置を中心として異なる複数の方位特性を含む複数の地震動諸特性パラメータであるとき、当該複数の地震動諸特性パラメータに基づいて予測部411にて予測された各方位における複数の地震動指標の値を、出力媒体における基準点からの距離として表すとともに、複数の方位特性を、基準点を中心とする各方位に割り当てることにより、図16(詳細は後述)に示すように、複数の地震動指標を出力媒体に出力する。 The output processing unit 412 outputs the seismic motion index predicted by the prediction unit 411 to a visible output medium. For example, when the seismic motion characteristic parameters of the prediction target received by the reception unit 410 are a plurality of seismic motion characteristic parameters including a plurality of different directional characteristics centered on the predicted point position, the output processing unit 412 has the plurality. The values of multiple seismic motion indexes in each direction predicted by the prediction unit 411 based on the various seismic motion characteristic parameters of the above are expressed as the distances from the reference point in the output medium, and the multiple direction characteristics are centered on the reference point. By assigning to each direction, as shown in FIG. 16 (details will be described later), a plurality of seismic motion indexes are output to the output medium.

図16は、地震動指標(擬似速度応答スペクトルpSv及び速度応答継続時間スペクトルTSv)を方位特性として表すときの出力結果の一例を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。 FIG. 16 shows an example of the output result when the seismic motion index (pseudo velocity response spectrum pSv and velocity response duration spectrum TSv) is expressed as directional characteristics, (a) is a point model S4, and (b) is a point model T4. It is a figure which shows each.

図16に示す出力結果は、モーメントマグニチュードMw=6、震源深さH=10km、震源距離X=180kmの条件で震央方位Λを5°間隔で変化させることで得られる複数の地震動諸特性パラメータに基づいて予測された5°間隔の擬似速度応答スペクトルpSvの値を出力したものである。図16(a)では、SIT006(秩父)を基準(中心)にして各方位における擬似速度応答スペクトルpSvの値を、最大値により基準化した上で、中心からの距離として表すものである。図16(b)では、TKO0028(越中島)を基準(中心)にして各方位における擬似速度応答スペクトルpSvの値を、最大値により基準化した上で、中心からの距離として表すものである。 The output results shown in FIG. 16 include multiple seismic motion characteristic parameters obtained by changing the epicenter direction Λ at 5 ° intervals under the conditions of moment magnitude Mw = 6, epicenter depth H = 10 km, and epicentral distance X = 180 km. It is the output of the value of the pseudo-velocity response spectrum pSv at 5 ° intervals predicted based on the above. In FIG. 16A, the value of the pseudo-velocity response spectrum pSv in each direction is expressed as the distance from the center after being standardized by the maximum value with SIT006 (Chichibu) as the reference (center). In FIG. 16B, the value of the pseudo-velocity response spectrum pSv in each direction is expressed as the distance from the center after being standardized by the maximum value with TKO0028 (Etchujima) as the reference (center).

(地点毎の地震動評価モデル13の特性について)
次に、地点毎の地震動評価モデル13の特性について、学習用データセットSを用いた機械学習により生成された地点モデルS4と、学習用データセットTを用いた機械学習により生成された地点モデルT4とを比較しながら説明する。
(Characteristics of seismic motion evaluation model 13 for each point)
Next, regarding the characteristics of the seismic motion evaluation model 13 for each point, the point model S4 generated by machine learning using the learning data set S and the point model T4 generated by machine learning using the learning data set T. I will explain while comparing with.

図17は、目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。 FIG. 17 is a diagram showing the degree of influence of each feature amount (earthquake motion characteristic parameters) on the objective variable (earthquake motion index), where (a) shows the point model S4 and (b) shows the point model T4.

図17(a)に示す地点モデルS4では、最大加速度PGA、及び、短周期の擬似速度応答スペクトルpSvへの影響度は、モーメントマグニチュードMwと震源距離Xが同等であり、震源距離Xがやや上回る程度だが、それを除くとモーメントマグニチュードMwの影響度が最も大きい。震央方位Λの影響度は、短周期側ほど大きい。震央方位Λの影響度は、擬似速度応答スペクトルpSvよりも速度応答継続時間スペクトルTSvに対して大きく、震源深さHを上回り、震源距離Xに同等又は上回り、図9に示す関東モデルA5、A6の結果を大きく上回っている。震源深さHの影響度は小さい。 In the point model S4 shown in FIG. 17A, the degree of influence on the maximum acceleration PGA and the short-period pseudo-velocity response spectrum pSv is the same as the moment magnitude Mw and the epicentral distance X, and the epicentral distance X is slightly higher. However, except for that, the influence of the moment magnitude Mw is the largest. The degree of influence of the epicenter direction Λ is greater on the short cycle side. The degree of influence of the epicenter direction Λ is larger than the pseudo velocity response spectrum pSv with respect to the velocity response duration spectrum TSv, exceeds the epicenter depth H, is equal to or exceeds the epicentral distance X, and is the Kanto models A5 and A6 shown in FIG. The result is much higher than that of. The degree of influence of the epicenter depth H is small.

図17(b)に示す地点モデルT4では、短周期では震源距離Xの影響、それ以外ではモーメントマグニチュードMwの影響が支配的である。モーメントマグニチュードMwの影響度は全体に周期と共に増大し、震源距離Xの影響度は全体に周期と共に減少した。震央方位Λの影響度は短周期側ほど大きく、特に速度応答継続時間スペクトルTSvについては最大加速度PGAや擬似速度応答スペクトルpSvよりも大きく、周期0.1秒以外では震源距離Xを上回り、短周期側ではモーメントマグニチュードMwをも上回った。震源深さHの影響度は小さい。基盤の深い地点モデルT4では、基盤の浅い地点モデルS4と比較すると、短周期の速度応答継続時間スペクトルTSvへのモーメントマグニチュードMwの影響度が相対的に小さくなっている。 In the point model T4 shown in FIG. 17B, the influence of the epicentral distance X is dominant in the short cycle, and the influence of the moment magnitude Mw is dominant in other cases. The degree of influence of the moment magnitude Mw increased with the period as a whole, and the degree of influence of the epicentral distance X decreased with the period as a whole. The degree of influence of the epicenter direction Λ is larger toward the short cycle side, and in particular, the velocity response duration spectrum TSv is larger than the maximum acceleration PGA and the pseudo velocity response spectrum pSv, and exceeds the epicentral distance X except for the cycle of 0.1 seconds, and has a short cycle. On the side, it also exceeded the moment magnitude Mw. The degree of influence of the epicenter depth H is small. In the deep-base point model T4, the influence of the moment magnitude Mw on the short-period velocity response duration spectrum TSv is relatively small as compared with the shallow-base point model S4.

図18は、各目的変数(地震動指標)について、地震動観測記録から得られる観測値と、地震動評価モデル13により得られる評価値との相関を示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す散布図である。観測値は、全体として非常に良く評価・モデル化され、評価値の大半は観測値の倍半分以内に収まった。 FIG. 18 shows the correlation between the observed value obtained from the seismic motion observation record and the evaluation value obtained by the seismic motion evaluation model 13 for each objective variable (earthquake motion index). It is a scatter diagram which shows each point model T4. The observed values were evaluated and modeled very well as a whole, and most of the evaluated values were within half of the observed values.

図19は、各目的変数(地震動指標)の「評価値/観測値」比をヒストグラムで示し、(a)は地点モデルS4、(b)は地点モデルT4をそれぞれ示す図である。「評価値/観測値」比の値は、1を中心とする整った分布となり、最大加速度PGA、及び、擬似速度応答スペクトルpSvよりも速度応答継続時間スペクトルTSvのばらつきが小さいことが分かった。 FIG. 19 is a diagram showing the “evaluation value / observed value” ratio of each objective variable (earthquake motion index) as a histogram, (a) showing the point model S4, and (b) showing the point model T4. It was found that the value of the "evaluation value / observed value" ratio had a well-organized distribution centered on 1, and the variation of the velocity response duration spectrum TSv was smaller than that of the maximum acceleration PGA and the pseudo velocity response spectrum pSv.

図20は、地点モデルS4、T4について、各目的変数(地震動指標)の「評価値/観測値」比の平均とばらつきを示す図である。「評価値/観測値」比の平均は、ほぼ1であり、「評価値/観測値」比の常用対数標準偏差は、最大加速度PGA、及び、擬似速度応答スペクトルpSvでは、概ね0.2強、速度応答継続時間スペクトルTSvでは、0.1強となった。 FIG. 20 is a diagram showing the average and variation of the “evaluation value / observed value” ratio of each objective variable (earthquake motion index) for the point models S4 and T4. The average of the "evaluation / observation" ratio is approximately 1, and the common logarithm standard deviation of the "evaluation / observation" ratio is approximately 0.2 or more in the maximum acceleration PGA and the pseudo-velocity response spectrum pSv. The velocity response duration spectrum TSv was a little over 0.1.

以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動諸特性パラメータと地震動指標との相関関係が機械学習により観測点毎に学習されることで、各観測点における地下構造の違いが地震動に与える不確定要因が除外されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 As described above, according to the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the present embodiment, the correlation between the seismic motion characteristic parameters and the seismic motion index is learned for each observation point by machine learning. Since the uncertain factors that the difference in the underground structure at each observation point gives to the seismic motion are excluded, it is possible to provide the seismic motion evaluation model 13 capable of evaluating and predicting the characteristics of the seismic motion with high accuracy.

また、本実施形態に係る地震動評価装置4及び地震動評価方法によれば、地震動評価モデル生成装置3及び地震動評価モデル生成方法により生成された観測点毎の地震動評価モデル13を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。 Further, according to the seismic motion evaluation device 4 and the seismic motion evaluation method according to the present embodiment, the seismic motion evaluation model 13 for each observation point generated by the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method is used individually. It is possible to evaluate and predict the characteristics of seismic motion due to earthquakes that are expected to occur in the future with high accuracy, without relying on the experience of experts.

(第3の実施形態)
第2の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、観測点毎に地震動評価モデル13(例えば、地点モデルS4、T4)を生成し、地震動評価装置4が、観測点毎の地震動評価モデル13を用いて各観測点における地震動を評価・予測するものである。これに対し、第3の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、複数の観測点が所定の分類基準に従ってグループ化された観測点グループ毎に地震動評価モデル13を生成し、地震動評価装置4が、観測点グループ毎の地震動評価モデル13を用いて各観測点グループにおける地震動を評価・予測する点で相違する。その他の基本的な構成及び動作は、第1及び第2の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(Third embodiment)
In the seismic motion evaluation system 1 according to the second embodiment, the seismic motion evaluation model generation device 3 generates a seismic motion evaluation model 13 (for example, point models S4 and T4) for each observation point, and the seismic motion evaluation device 4 generates an observation point. The seismic motion at each observation point is evaluated and predicted using the seismic motion evaluation model 13 for each. On the other hand, in the seismic motion evaluation system 1 according to the third embodiment, the seismic motion evaluation model generation device 3 generates the seismic motion evaluation model 13 for each observation point group in which a plurality of observation points are grouped according to a predetermined classification standard. However, the seismic motion evaluation device 4 differs in that the seismic motion evaluation device 4 evaluates and predicts the seismic motion in each station group using the seismic motion evaluation model 13 for each station group. Since other basic configurations and operations are the same as those of the first and second embodiments, the differences between the two will be mainly described below.

図21は、近接する複数の観測点における地震動の震源特性、伝播特性、及び、サイト特性を示す概略図である。 FIG. 21 is a schematic diagram showing the source characteristics, propagation characteristics, and site characteristics of seismic motion at a plurality of adjacent observation points.

図21に示す第1乃至第3の観測点のように、複数の観測点が近接している場合、観測点が極近傍にある場合や観測点周辺の地下構造が急変している場合等を除けば、近接する複数の観測点の間では、地震動の震源特性及び伝播特性はほぼ同等とみなすことができ、それぞれの観測点の直下の基盤に入力される地震動はほぼ同一であると考えられる。また、サイト特性については、地震動観測記録や地震動観測記録から得られる地震動指標を比較することで、近接する複数の観測点の間における類似性を判断することが可能であると考えられる。 As in the case of the first to third observation points shown in FIG. 21, when a plurality of observation points are close to each other, when the observation points are in the immediate vicinity, or when the underground structure around the observation points is suddenly changed. Except for this, the source characteristics and propagation characteristics of seismic motion can be regarded as almost the same among multiple observation points in close proximity, and it is considered that the seismic motion input to the base directly under each observation point is almost the same. .. Regarding the site characteristics, it is considered possible to judge the similarity between a plurality of adjacent observation points by comparing the seismic motion index obtained from the seismic motion observation record and the seismic motion observation record.

したがって、所定の分類基準としては、以下に示す第1乃至第3の分類基準が挙げられる。例えば、第1の分類基準は、複数の観測点の間の距離が所定の基準値よりも小さいときに、当該複数の観測点を同一の観測点グループに分類するものである。第2の分類基準は、複数の観測点の各々における地下構造パラメータを比較したときの類似度が所定の基準値よりも高いときに、当該複数の観測点を同一の観測点グループに分類するものである。第3の分類基準は、複数の観測点にてそれぞれ観測された地震動観測記録(時刻歴波形データ)の各々又は地震動観測記録の各々から得られる地震動指標の各々が、例えば、GOF(Goodness of Fit)を用いた適合度を比較することで所定の基準値よりも類似するときに、当該複数の観測点を同一の観測点グループに分類するものである。 Therefore, examples of the predetermined classification criteria include the first to third classification criteria shown below. For example, the first classification criterion classifies the plurality of observation points into the same observation point group when the distance between the plurality of observation points is smaller than a predetermined reference value. The second classification criterion is to classify the plurality of observation points into the same observation point group when the similarity when comparing the underground structural parameters at each of the plurality of observation points is higher than a predetermined reference value. Is. The third classification criterion is that each of the seismic motion observation records (time history waveform data) observed at a plurality of observation points or each of the seismic motion indicators obtained from each of the seismic motion observation records is, for example, GOF (Goodness of Fit). ) Is compared to classify the plurality of observation points into the same observation point group when they are more similar than a predetermined reference value.

図22は、複数の観測点c1〜c3がグループ化された第1の観測点グループCと、複数の観測点d1〜d3がグループ化された第2の観測点グループDとをそれぞれ示す図である。複数の観測点c1〜c3、d1〜d3が、所定の分類基準に従ってグループ化されることで、図22に示すように、第1の観測点グループCと、第2の観測点グループDとが形成される。ここでは、第1の観測点グループCにおける地震動評価モデル13を「グループモデルC」、第2の観測点グループDにおける地震動評価モデル13を「グループモデルD」とし、それらの機械学習に必要な学習用データ12を「学習用データセットC」、「学習用データセットD」とする。 FIG. 22 is a diagram showing a first observation point group C in which a plurality of observation points c1 to c3 are grouped and a second observation point group D in which a plurality of observation points d1 to d3 are grouped. be. By grouping a plurality of observation points c1 to c3 and d1 to d3 according to predetermined classification criteria, as shown in FIG. 22, the first observation point group C and the second observation point group D are combined. It is formed. Here, the seismic motion evaluation model 13 in the first observation point group C is referred to as "group model C", and the seismic motion evaluation model 13 in the second observation point group D is referred to as "group model D". Data 12 is referred to as "learning data set C" and "learning data set D".

図23は、本発明の第3の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 FIG. 23 is a functional explanatory diagram showing an example of the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the third embodiment of the present invention.

取得部311は、データベース10から、第1の観測点グループを形成する各観測点c1〜c3にて地震動が観測された地震に基づく地震動データ11を、学習用データ12(学習用データセットC)として選択する。また、取得部311は、データベース10から、第2の観測点グループを形成する各観測点d1〜d3にて地震動が観測された地震に基づく地震動データ11を、学習用データ12(学習用データセットD)として選択する。 The acquisition unit 311 obtains the seismic motion data 11 based on the earthquake in which the seismic motion was observed at each observation point c1 to c3 forming the first observation point group from the database 10, and the training data 12 (learning data set C). Select as. Further, the acquisition unit 311 obtains the seismic motion data 11 based on the earthquake in which the seismic motion was observed at each observation point d1 to d3 forming the second observation point group from the database 10, and the training data 12 (learning data set). Select as D).

生成部312は、取得部311にて取得された複数の学習用データ12(学習用データセットC、D)に基づいて、特徴量(4種類の地震動諸特性パラメータ)及び目的変数(11種類の地震動指標)の相関関係を機械学習により学習することにより、観測点グループ毎に地震動評価モデル13(グループモデルC4、D4)を生成する。 The generation unit 312 has feature quantities (4 types of seismic motion characteristic parameters) and objective variables (11 types) based on a plurality of learning data 12 (learning data sets C and D) acquired by the acquisition unit 311. By learning the correlation of the seismic motion index) by machine learning, seismic motion evaluation models 13 (group models C4 and D4) are generated for each observation point group.

図24は、本発明の第3の実施形態に係る地震動評価装置4及び地震動評価方法の一例を示す機能説明図である。 FIG. 24 is a functional explanatory diagram showing an example of the seismic motion evaluation device 4 and the seismic motion evaluation method according to the third embodiment of the present invention.

予測部411は、受付部410にて受け付けられた予測対象の地震動諸特性パラメータを特徴量として、予測点位置に応じて地震動評価モデル13(グループモデルC4、D4)に入力することにより当該地震動評価モデル13から出力される目的変数に基づいて、予測対象の地震動諸特性パラメータに対応する地震動指標を予測する。 The prediction unit 411 uses the seismic motion characteristic parameters of the prediction target received by the reception unit 410 as feature quantities, and inputs the seismic motion evaluation model 13 (group models C4, D4) according to the predicted point position to evaluate the seismic motion. Based on the objective variable output from the model 13, the seismic motion index corresponding to the seismic motion characteristic parameters to be predicted is predicted.

その際、予測部411は、予測対象の地震動諸特性パラメータに含まれる予測点位置が、各観測点c1〜c3や各観測点c1〜c3を結ぶ線の内側(例えば、図22に示す予測点e1)の場合には、グループモデルC4を用い、予測点位置が、各観測点d1〜d3や各観測点d1〜d3を結ぶ線の内側(例えば、図22に示す予測点e2)の場合には、グループモデルD4を用いる。なお、予測点位置が、図22の予測点e3で示すように、第1の観測点グループCと、第2の観測点グループDとの中間にある場合には、グループモデルC4を用いて予測した地震動指標と、グループモデルD4を用いて予測した地震動指標とを平均化したり、距離や地下構造パラメータの類似度に応じて按分したりしてもよい。 At that time, in the prediction unit 411, the prediction point position included in the seismic motion characteristic parameters to be predicted is inside the line connecting the observation points c1 to c3 and the observation points c1 to c3 (for example, the prediction point shown in FIG. 22). In the case of e1), the group model C4 is used, and the predicted point position is inside the line connecting the observation points d1 to d3 and the observation points d1 to d3 (for example, the prediction point e2 shown in FIG. 22). Uses the group model D4. When the predicted point position is between the first observation point group C and the second observation point group D as shown by the prediction point e3 in FIG. 22, the prediction point is predicted by using the group model C4. The seismic motion index may be averaged and the seismic motion index predicted by using the group model D4 may be averaged or proportionally divided according to the degree of similarity of the distance and the underground structure parameter.

以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、地震動諸特性パラメータと地震動指標との相関関係が機械学習により観測点グループ毎に学習されることで、学習用データ(教師データ)の確保を容易にしつつ、学習用データのばらつきが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。 As described above, according to the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the present embodiment, the correlation between the seismic motion characteristic parameters and the seismic motion index is learned for each observation point group by machine learning. Therefore, it is possible to provide a seismic motion evaluation model that can evaluate and predict the characteristics of seismic motion with high accuracy because the variation of the learning data is reduced while facilitating the securing of learning data (teacher data). can.

また、本実施形態に係る地震動評価装置4及び地震動評価方法によれば、地震動評価モデル生成装置3及び地震動評価モデル生成方法により生成された観測点グループ毎の地震動評価モデルを利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。 Further, according to the seismic motion evaluation device 4 and the seismic motion evaluation method according to the present embodiment, the seismic motion evaluation model for each observation point group generated by the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method is used individually. It is possible to evaluate and predict the characteristics of seismic motion due to earthquakes that are expected to occur in the future with high accuracy, without relying on the experience of experts.

さらに、観測点グループは、所定の分類基準(観測点間の距離や地下構造パラメータの類似度等)に従って分類されグループ化されることで、地下構造の違いが地震動に与える不確定要因が除外されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデルを提供することができる。 Furthermore, the observation point groups are classified and grouped according to predetermined classification criteria (distance between observation points, similarity of underground structure parameters, etc.), thereby excluding uncertain factors that the difference in underground structure gives to seismic motion. Therefore, it is possible to provide a seismic motion evaluation model capable of evaluating and predicting the characteristics of seismic motion with high accuracy.

(第4の実施形態)
第1の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、過去に発生した地震に基づくデータベース10から学習用データ12を取得し、地震動評価モデル13を生成するものである。これに対し、第4の実施形態に係る地震動評価システム1では、地震動評価モデル生成装置3が、過去に発生した実地震に基づく第1のデータベース10Aと、シミュレーションにより算出された仮想地震に基づく第2のデータベース10Bとから学習用データ12をそれぞれ取得し、地震動評価モデル13を生成する点で相違する。その他の基本的な構成及び動作は、第1の実施形態と同様のため、以下では両者の相違点を中心に説明する。
(Fourth Embodiment)
In the seismic motion evaluation system 1 according to the first embodiment, the seismic motion evaluation model generation device 3 acquires learning data 12 from a database 10 based on earthquakes that have occurred in the past, and generates a seismic motion evaluation model 13. On the other hand, in the seismic motion evaluation system 1 according to the fourth embodiment, the seismic motion evaluation model generator 3 has the first database 10A based on the actual earthquakes that occurred in the past and the first database 10A based on the virtual earthquake calculated by the simulation. The difference is that the training data 12 is acquired from the database 10B of 2 and the seismic motion evaluation model 13 is generated. Since other basic configurations and operations are the same as those of the first embodiment, the differences between the two will be mainly described below.

図25は、本発明の第4の実施形態に係る地震動評価システム1の一例を示すブロック図である。 FIG. 25 is a block diagram showing an example of the seismic motion evaluation system 1 according to the fourth embodiment of the present invention.

地震動シミュレーション装置6は、所定のシミュレーション手法に従ってシミュレーションを実行することにより仮想地震及び仮想地震による仮想地震動を算出するものであり、そのときのシミュレーション条件やシミュレーション結果をシミレーションデータとして外部に提供する。その際、所定のシミュレーション手法は、任意の手法が採用可能であり、複数の手法が採用されてもよい。 The seismic motion simulation device 6 calculates a virtual earthquake and a virtual seismic motion due to a virtual earthquake by executing a simulation according to a predetermined simulation method, and provides the simulation conditions and simulation results at that time to the outside as simulation data. At that time, any method can be adopted as the predetermined simulation method, and a plurality of methods may be adopted.

なお、地震動シミュレーション装置6は、地震動評価装置4からデータの要求を受けたときに、その要求に関するシミュレーションデータ(地震動評価装置4からシミュレーション条件を受けた場合には、そのシミュレーション条件に基づいてシミュレーションを実行したときのシミュレーション結果を含むシミレーションデータでもよい)を地震動評価装置4に提供してもよい。また、地震動シミュレーション装置6は、自装置にてシミュレーションを実行することでシミュレーションデータを提供するものでもよいし、他の装置でシミュレーションが実行されたときのシミュレーションデータを提供するものでもよい。 When the seismic motion simulation device 6 receives a data request from the seismic motion evaluation device 4, the simulation data related to the request (when a simulation condition is received from the seismic motion evaluation device 4, the simulation is performed based on the simulation condition. (Simulation data including the simulation result at the time of execution) may be provided to the seismic motion evaluation device 4. Further, the seismic motion simulation device 6 may provide simulation data by executing a simulation in its own device, or may provide simulation data when the simulation is executed by another device.

地震動評価モデル生成装置3の記憶部30には、地震動評価モデル13及び地震動評価モデル生成プログラム300の他に、データ提供装置2A〜2Cにより提供された提供データが登録・更新される第1のデータベース10A(第1の実施形態に係るデータベース10に相当する)と、地震動シミュレーション装置6により提供されたシミュレーションデータが登録・更新される第2のデータベース10Bとが記憶されている。 In the storage unit 30 of the seismic motion evaluation model generation device 3, in addition to the seismic motion evaluation model 13 and the seismic motion evaluation model generation program 300, a first database in which the provided data provided by the data providing devices 2A to 2C is registered and updated. 10A (corresponding to the database 10 according to the first embodiment) and the second database 10B in which the simulation data provided by the seismic motion simulation device 6 is registered / updated are stored.

制御部31は、地震動評価モデル生成プログラム300を実行することにより、第1のDB管理部310A、第2のDB管理部310B、第1の取得部311A、第2の取得部311B、及び、生成部312として機能する。第1のDB管理部310A、及び、第1の取得部311Aは、第1の実施形態に係るDB管理部310、取得部311にそれぞれ相当する。 By executing the seismic motion evaluation model generation program 300, the control unit 31 generates the first DB management unit 310A, the second DB management unit 310B, the first acquisition unit 311A, the second acquisition unit 311B, and the generation unit 31. It functions as a unit 312. The first DB management unit 310A and the first acquisition unit 311A correspond to the DB management unit 310 and the acquisition unit 311 according to the first embodiment, respectively.

図26は、本発明の第4の実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法の一例を示す機能説明図である。 FIG. 26 is a functional explanatory diagram showing an example of the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the fourth embodiment of the present invention.

第1のDB管理部310A(第1のDB管理工程)は、データ提供装置2A〜2Cにより提供された提供データに基づいて、実地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録を関連付けて、第1のデータベース10Aに登録する。そのため、第1のデータベース10Aには、複数の実地震と当該複数の実地震による実地震動が観測された少なくとも1つの観測点との各組み合わせについて、当該実地震動が観測されたときの地震動諸特性パラメータ及び地震動観測記録が関連付けられた状態の地震動データ11が複数登録されて、記憶されている。 The first DB management unit 310A (first DB management process) records seismic motion characteristic parameters and seismic motion observation records when actual seismic motion is observed, based on the data provided by the data providing devices 2A to 2C. It is associated and registered in the first database 10A. Therefore, in the first database 10A, the seismic motion characteristics when the actual seismic motion is observed for each combination of the plurality of actual earthquakes and at least one observation point where the actual seismic motion due to the plurality of actual earthquakes is observed. A plurality of seismic motion data 11 in a state in which parameters and seismic motion observation records are associated are registered and stored.

第1の取得部311A(第1の取得工程)は、第1のデータベース10Aに登録された複数の地震動データ11から、地震動諸特性パラメータを特徴量とし、地震動観測記録から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される第1の学習用データ12Aを複数取得する。 The first acquisition unit 311A (first acquisition step) uses seismic motion characteristic parameters as characteristic quantities from a plurality of seismic motion data 11 registered in the first database 10A, and aims at a seismic motion index obtained from seismic motion observation records. As variables, a plurality of first training data 12A composed of feature quantities and objective variables are acquired.

第2のDB管理部310B(第2のDB管理工程)は、地震動シミュレーション装置6により提供されたシミュレーションデータに基づいて、仮想地震動がシミュレーションにより算出されたときの地震動諸特性パラメータ及び地震動算出結果を関連付けて、第2のデータベース10Bに登録する。そのため、第2のデータベース10Bには、複数の仮想地震と当該複数の仮想地震による仮想地震動がシミュレーションの地震動算出結果として算出された少なくとも1つの仮想観測点との各組み合わせについて、当該仮想地震動がシミュレーションにより算出されたときの地震動諸特性パラメータ及び地震動算出結果が関連付けられた状態の地震動データ11が複数登録されて、記憶されている。 The second DB management unit 310B (second DB management step) obtains various seismic motion characteristic parameters and seismic motion calculation results when the virtual seismic motion is calculated by simulation based on the simulation data provided by the seismic motion simulation device 6. It is associated and registered in the second database 10B. Therefore, in the second database 10B, the virtual seismic motion is simulated for each combination of a plurality of virtual earthquakes and at least one virtual observation point in which the virtual seismic motion caused by the plurality of virtual earthquakes is calculated as the seismic motion calculation result of the simulation. A plurality of seismic motion data 11 in a state in which the seismic motion characteristic parameters and the seismic motion calculation result when calculated by the above are associated with each other are registered and stored.

第2の取得部311B(第2の取得工程)は、第2のデータベース10Bに登録された複数の地震動データ11から、地震動諸特性パラメータを特徴量とし、地震動算出結果から得られる地震動指標を目的変数として、特徴量及び目的変数で構成される第2の学習用データ12Bを複数取得する。 The second acquisition unit 311B (second acquisition step) aims at the seismic motion index obtained from the seismic motion calculation result by using the seismic motion characteristic parameters as feature quantities from the plurality of seismic motion data 11 registered in the second database 10B. As variables, a plurality of second learning data 12B composed of feature quantities and objective variables are acquired.

その際、第2の取得部311Bは、実地震動の地震動諸特性パラメータの分布を仮想地震動の地震動諸特性パラメータの分布により補間するように、第2のデータベース10Bから第2の学習用データ12Bを複数取得するのが好ましい。 At that time, the second acquisition unit 311B obtains the second learning data 12B from the second database 10B so as to interpolate the distribution of the seismic motion characteristic parameters of the actual seismic motion by the distribution of the seismic motion characteristic parameters of the virtual seismic motion. It is preferable to acquire more than one.

図27は、第1の学習用データ12A及び第2の学習用データ12Bの補間関係を示す散布図である。図27における散布図は、第1の学習用データ12Aにおける実地震動の地震動諸特性パラメータの分布(グレースケールによる濃淡部分)として、モーメントマグニチュードMw(横軸)及び震源距離X(縦軸)の相関を示すものである。 FIG. 27 is a scatter diagram showing the interpolation relationship between the first learning data 12A and the second learning data 12B. The scatter plot in FIG. 27 shows the correlation between the moment magnitude Mw (horizontal axis) and the epicentral distance X (vertical axis) as the distribution of various seismic motion characteristic parameters of the actual seismic motion in the first learning data 12A (shade portion by gray scale). Is shown.

第2の取得部311Bは、第1のデータベース10Aから取得された第1の学習用データ12Aではデータ数やその割合が所定の閾値よりも少ないデータ不足部分(例えば、図27の破線で囲まれた内側部分)の地震動諸特性パラメータについて、第2のデータベース10Bに登録されているか否かを検索し、当該データ不足部分に対応する仮想地震動の地震動諸特性パラメータにより構成された第2の学習用データ12Bを第2のデータベース10Bから取得する。その際、データ不足部分に対応する第2の学習用データ12Bが第2のデータベース10Bに登録されていない場合には、第2の取得部311Bは、データ不足部分に基づいてシミュレーション条件を設定して地震動シミュレーション装置6に要求することにより、当該データ不足部分に対応する第2の学習用データ12Bを地震動シミュレーション装置6から取得するようにしてもよい。なお、地震動諸特性パラメータの分布は、図27に示す例では、モーメントマグニチュードMw及び震源距離Xに基づく分布である場合について説明したが、これに限られず、地震動諸特性パラメータに含まれる特性のうち、少なくとも2つの特性を変数とする分布であればよい。 The second acquisition unit 311B is surrounded by a data shortage portion (for example, a broken line in FIG. 27) in which the number of data or the ratio thereof is smaller than a predetermined threshold in the first learning data 12A acquired from the first database 10A. For the second learning, it is searched whether or not the seismic motion characteristic parameters of the inner part) are registered in the second database 10B, and is composed of the seismic motion characteristic parameters of the virtual seismic motion corresponding to the data shortage part. Data 12B is acquired from the second database 10B. At that time, if the second learning data 12B corresponding to the data shortage portion is not registered in the second database 10B, the second acquisition unit 311B sets simulation conditions based on the data shortage portion. By requesting the seismic motion simulation device 6, the second learning data 12B corresponding to the data shortage portion may be acquired from the seismic motion simulation device 6. In the example shown in FIG. 27, the distribution of the seismic motion characteristic parameters has been described as being based on the moment magnitude Mw and the epicentral distance X, but the distribution is not limited to this, and among the characteristics included in the seismic motion characteristic parameters. , The distribution may have at least two characteristics as parameters.

また、第2のデータベース10Bには、複数のシミュレーション手法に基づく地震動データ11が登録されていてもよく、その場合には、第2の取得部311Bは、複数のシミュレーション手法に基づく地震動データ11が登録された第2のデータベース10Bから第2の学習用データ12Bを複数取得するようにしてもよい。その際、第2の取得部311Bは、例えば、各シミュレーション手法の間で地震動諸特性パラメータの分布を補間するように、第2の学習用データ12Bを取得してもよいし、各シミュレーション手法の性能を比較し、地震動諸特性パラメータに適したシミュレーション手法に基づく地震動データ11を第2の学習用データ12Bとして選択してもよい。 Further, the seismic motion data 11 based on the plurality of simulation methods may be registered in the second database 10B, and in that case, the second acquisition unit 311B contains the seismic motion data 11 based on the plurality of simulation methods. A plurality of second learning data 12B may be acquired from the registered second database 10B. At that time, the second acquisition unit 311B may acquire the second learning data 12B so as to interpolate the distribution of the seismic motion characteristic parameters between the simulation methods, for example, or the second acquisition unit 311B may acquire the second learning data 12B. You may compare the performance and select the seismic motion data 11 based on the simulation method suitable for the seismic motion characteristic parameters as the second learning data 12B.

生成部312(生成工程)は、図26に示すように、第1の取得部311Aにて取得された複数の第1の学習用データ12Aと、第2の取得部311Bにて取得された複数の第2の学習用データ12Bとに基づいて、特徴量及び目的変数の相関関係を機械学習により学習することにより、学習済みモデルとして地震動評価モデル13を生成する。 As shown in FIG. 26, the generation unit 312 (generation step) includes a plurality of first learning data 12A acquired by the first acquisition unit 311A and a plurality of data acquired by the second acquisition unit 311B. The seismic motion evaluation model 13 is generated as a trained model by learning the correlation between the feature amount and the objective variable by machine learning based on the second learning data 12B of the above.

地震動評価装置4は、地震動評価モデル生成装置3により生成された地震動評価モデル13に基づいて、地震動を評価・予測し、その結果を出力媒体に出力する。なお、地震動評価装置4は、第1の実施形態と同様に構成されているため、詳細な説明は省略する。 The seismic motion evaluation device 4 evaluates and predicts the seismic motion based on the seismic motion evaluation model 13 generated by the seismic motion evaluation model generation device 3, and outputs the result to the output medium. Since the seismic motion evaluation device 4 is configured in the same manner as in the first embodiment, detailed description thereof will be omitted.

以上のように、本実施形態に係る地震動評価モデル生成装置3及び地震動評価モデル生成方法によれば、過去に発生した実地震に基づく第1の学習用データ12Aと、シミュレーションにより算出された仮想地震に基づく第2の学習用データ12Bとを用いて、地震動諸特性パラメータと地震動指標との相関関係が機械学習により学習される。これにより、学習用データ(教師データ)の確保を容易にしつつ、学習用データの偏りが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 As described above, according to the seismic motion evaluation model generation device 3 and the seismic motion evaluation model generation method according to the present embodiment, the first learning data 12A based on the actual earthquakes that occurred in the past and the virtual earthquake calculated by the simulation. The correlation between the seismic motion characteristic parameters and the seismic motion index is learned by machine learning using the second learning data 12B based on the above. As a result, the bias of the learning data is reduced while facilitating the securing of the learning data (teacher data), so that the seismic motion evaluation model 13 capable of evaluating and predicting the characteristics of the seismic motion with high accuracy is provided. be able to.

また、本実施形態に係る地震動評価装置4及び地震動評価方法によれば、地震動評価モデル生成装置3及び地震動評価モデル生成方法により生成された地震動評価モデル13を利用することにより、個々の専門家の経験に依存することなく、将来発生すると考えられる地震による地震動の特性を高精度で評価・予測することができる。 Further, according to the seismic motion evaluation device 4 and the seismic motion evaluation method according to the present embodiment, by using the seismic motion evaluation model generation device 3 and the seismic motion evaluation model 13 generated by the seismic motion evaluation model generation method, individual experts can use the seismic motion evaluation device 4. It is possible to evaluate and predict the characteristics of seismic motion caused by an earthquake that is expected to occur in the future with high accuracy without depending on experience.

さらに、過去に実地震として発生したことがなく、第1の学習用データ12Aでは用意することが不可能な地震動諸特性パラメータを補完するように、第2の学習用データ12Bが選択されることで、学習用データの分布の偏りが低減されるので、地震動の特性を高精度で評価・予測することが可能な地震動評価モデル13を提供することができる。 Further, the second learning data 12B is selected so as to complement the seismic motion characteristic parameters that have not occurred as an actual earthquake in the past and cannot be prepared by the first learning data 12A. Since the bias of the distribution of the learning data is reduced, it is possible to provide the seismic motion evaluation model 13 capable of evaluating and predicting the characteristics of the seismic motion with high accuracy.

(他の実施形態)
以上、本発明の実施形態について説明したが、本発明は上記各実施形態に限定されるものではなく、本発明の技術的思想を逸脱しない範囲で適宜変更可能である。
(Other embodiments)
Although the embodiments of the present invention have been described above, the present invention is not limited to the above embodiments and can be appropriately modified without departing from the technical idea of the present invention.

例えば、上記第2の実施形態では、地震動評価モデル生成装置3が、2つの地点モデルS4、T4を作成し、第3の実施形態では、地震動評価モデル生成装置3が、2つのグループモデルC4、D4を作成するものとして説明した。これに対し、地震動評価モデル生成装置3が、3つ以上の観測点毎に又は3つ以上の観測点グループ毎に地震動評価モデル13を生成するようにしてもよい。また、第2の実施形態又は第3の実施形態に、第4の実施形態を組み合わせてもよく、地震動評価モデル生成装置3が、過去に発生した実地震に基づく第1のデータベース10Aと、シミュレーションにより算出された仮想地震に基づく第2のデータベース10Bとから学習用データ12をそれぞれ取得し、観測点毎に又は観測点グループ毎に地震動評価モデル13を生成するようにしてもよい。 For example, in the second embodiment, the seismic motion evaluation model generator 3 creates two point models S4 and T4, and in the third embodiment, the seismic motion evaluation model generator 3 creates two group models C4, It has been described as creating D4. On the other hand, the seismic motion evaluation model generation device 3 may generate the seismic motion evaluation model 13 for each of three or more observation points or for each of three or more observation point groups. Further, the fourth embodiment may be combined with the second embodiment or the third embodiment, and the seismic motion evaluation model generator 3 is simulated with the first database 10A based on the actual earthquakes that have occurred in the past. The learning data 12 may be acquired from the second database 10B based on the virtual earthquake calculated by the above method, and the seismic motion evaluation model 13 may be generated for each observation point or each observation point group.

上記各実施形態に係る地震動評価モデル生成装置3は、新たな地震が発生し、地震動観測記録が観測されたときに、当該新たな地震に基づく地震動データ11によりデータベース10に更新し、更新後のデータベース10に基づいて、地震動評価モデル13を自動的に再生成するようにしてもよい。そして、上記各実施形態に係る地震動評価装置4は、再生成された地震動評価モデル13に基づいて、地震動の特性を自動的に再評価・再予測してもよい。 When a new earthquake occurs and the seismic motion observation record is observed, the seismic motion evaluation model generator 3 according to each of the above embodiments is updated in the database 10 by the seismic motion data 11 based on the new earthquake, and after the update. The seismic motion evaluation model 13 may be automatically regenerated based on the database 10. Then, the seismic motion evaluation device 4 according to each of the above embodiments may automatically re-evaluate and re-predict the characteristics of the seismic motion based on the regenerated seismic motion evaluation model 13.

(特徴量の選定について)
上記各実施形態では、学習用データ12を構成する特徴量は、図4に示す25種類の地震動諸特性パラメータのうち、6種類又は4種類の地震動諸特性パラメータが選定されたものとして説明したが、25種類の地震動諸特性パラメータから任意の地震動諸特性パラメータを特徴量として選定して組み合わせてもよいし、25種類の地震動諸特性パラメータ以外の他の地震動諸特性パラメータを特徴量としてさらに組み合わせてもよい。その際、各特徴量のクラスター分析(後述する図28参照)を行い、その分析結果に基づいて、特徴量とする地震動諸特性パラメータを選定してもよい。例えば、複数のクラスターに分類された場合には、各クラスターを代表するような地震動諸特性パラメータを特徴量として選定してもよいし、相互依存性が高い複数の地震動諸特性パラメータが存在する場合には、その中から代表の地震動諸特性パラメータを特徴量として選定してもよい。
(About selection of features)
In each of the above embodiments, the feature quantities constituting the learning data 12 have been described as assuming that 6 types or 4 types of seismic motion characteristic parameters are selected from the 25 types of seismic motion characteristic parameters shown in FIG. , Arbitrary seismic motion characteristic parameters may be selected and combined as feature quantities from 25 types of seismic motion characteristic parameters, or other seismic motion characteristic parameters other than 25 types of seismic motion characteristic parameters may be further combined as feature quantities. May be good. At that time, a cluster analysis of each feature amount (see FIG. 28 described later) may be performed, and various seismic motion characteristic parameters to be feature amounts may be selected based on the analysis result. For example, when classified into a plurality of clusters, seismic motion characteristic parameters representing each cluster may be selected as feature quantities, or when there are a plurality of seismic motion characteristic parameters having high interdependence. In the above, representative seismic motion characteristic parameters may be selected as feature quantities.

図28は、各特徴量のクラスター分析による相互依存性を示す図である。学習用データセットAにおいて各特徴量のクラスター分析を行った結果、25種類の地震動諸特性パラメータは、図28に示すように、3つのクラスターに分類された。すなわち、図28の対角線上にゾーニングされたように、相互情報量が相対的に大きい3つの領域である。 FIG. 28 is a diagram showing the interdependence of each feature amount by cluster analysis. As a result of performing cluster analysis of each feature in the training data set A, 25 types of seismic motion characteristic parameters were classified into three clusters as shown in FIG. 28. That is, as zoned diagonally in FIG. 28, there are three regions in which the mutual information amount is relatively large.

1つ目は、図28の右上に位置し、震央位置(緯度lat_eq,経度lon_eq)、モーメントマグニチュードMw、震源深さH、震源メカニズム解(Strike1、dip1、rake1)、震源メカニズム解の共役解(Strike2、dip2、rake2)、地震種別Type、断層タイプMech、及び、震源距離Xからなる「震源クラスター」である。2つ目は、中央部分に位置する、観測点位置(緯度lat_site,経度lon_site)、表層10m平均S波速度AVS10、表層30m平均S波速度AVS30、最上層のS波速度VS1、S波速度700m/s層上面深さD7、S波速度1400m/s層上面深さD17、S波速度2100m/s層上面深さD24、地震基盤面深さD28、及び、微地形区分JCODEからなる「サイトクラスター」である。3つ目は、左下に位置する、震央方位(sinΛ,cosΛ)からなる「震央方位クラスター」である。なお、右上隅に位置する地震動の方向成分Comp(本実施形態では、南北方向成分又は東西方向成分)は、いずれのクラスターにも属さず独立している。 The first is located in the upper right of FIG. 28, and is the epicenter position (latitude lat_eq, longitude long_eq), moment magnitude Mw, epicenter depth H, epicenter mechanism solution (Strike1, dip1, racke1), and conjugate solution of the epicenter mechanism solution (Strike1, dip1, racke1). It is a "earthquake source cluster" consisting of Strike2, dip2, racke2), earthquake type Type, fault type Tech, and epicentral distance X. The second is the observation point position (latitude lat_site, longitude long_site) located in the central part, surface layer 10m average S wave velocity AVS10, surface layer 30m average S wave velocity AVS30, top layer S wave velocity VS1, S wave velocity 700m. "Site cluster" consisting of / s layer top surface depth D7, S wave velocity 1400 m / s layer top surface depth D17, S wave velocity 2100 m / s layer top surface depth D24, seismic base surface depth D28, and microtopography classification JCODE. ". The third is the "epicenter direction cluster" located in the lower left, which consists of the epicenter directions (sinΛ, cosΛ). The direction component Comp of the seismic motion located in the upper right corner (in this embodiment, the north-south direction component or the east-west direction component) does not belong to any of the clusters and is independent.

震源クラスター及びサイトクラスターは、震源特性及びサイト特性にそれぞれ分類された。伝播特性である震源距離Xは、震源クラスターに集約されたが、震源距離Xと、震源クラスターのその他の特徴量との相互情報量はいずれも0.2程度以下と小さく、両者の結びつきは弱いことが分かった。 Source clusters and site clusters were classified into source characteristics and site characteristics, respectively. The epicentral distance X, which is a propagation characteristic, is aggregated in the epicenter cluster, but the mutual information between the epicentral distance X and other features of the epicenter cluster is as small as about 0.2 or less, and the connection between the two is weak. It turned out.

(震央方位Λについて)
上記各実施形態では、特徴量の1つである震央方位Λに、sinΛとcosΛのペア(以下、「ケースC10」という)を適用したものとして説明したが、震央方位Λとして、他のデータ形式を適用してもよい。
(About the epicenter direction Λ)
In each of the above embodiments, the epicenter direction Λ, which is one of the features, is described as applying a pair of sin Λ and cos Λ (hereinafter referred to as “case C10”), but the epicenter direction Λ is another data format. May be applied.

図29は、震央方位Λの各種のデータ形式を示し、(a)各データ形式の定義を示し、(b)は各データ形式における、目的変数(地震動指標)に対する各特徴量(地震動諸特性パラメータ)の影響度を示す図である。なお、図29(b)は、学習用データセットTを用いた機械学習により生成された地点モデルT4を用いた場合の結果である。 FIG. 29 shows various data formats of the epicenter direction Λ, (a) shows the definition of each data format, and (b) shows each feature quantity (earthquake motion characteristic parameter) with respect to the objective variable (earthquake motion index) in each data format. It is a figure which shows the degree of influence of). Note that FIG. 29B is a result when the point model T4 generated by machine learning using the learning data set T is used.

震央方位Λの特徴量のデータ形式として、ケースC11、C12は、ケースC10と同様に、三角関数を用いた連続量を適用したものであり、ケースC11は、sinΛのみを適用し、ケースC12は、cosΛのみを適用した。また、ケースC01は、真北を震央方位0°と定義するΛSをそのまま適用し、ケースC02は、真南を震央方位0°と定義するΛNをそのまま適用した。ケースC10〜12、C01、C02では、震央方位Λが、全方位に対して連続量として与えられるが、北方の地震に対するC01と、南方の地震に対するC02については、それぞれ方位0°付近にて震央方位の値が不連続となる。 As the data format of the feature quantity of the epicenter direction Λ, the cases C11 and C12 apply the continuous quantity using the trigonometric function as in the case C10, the case C11 applies only the sin Λ, and the case C12 applies. , CosΛ only. Further, in case C01, ΛS defining true north as the epicenter direction 0 ° was applied as it was, and in case C02, ΛN defining true south as the epicenter direction 0 ° was applied as it was. In cases C10-12, C01, and C02, the epicenter direction Λ is given as a continuous quantity for all directions, but for C01 for the northern earthquake and C02 for the southern earthquake, the epicenter is near 0 °, respectively. The azimuth values are discontinuous.

また、震央方位Λの特徴量のデータ形式として、ケースC10〜12、C01、C02のように、震央方位Λに対応する連続量を与えるものではなく、ケースC21〜C24、C33のように、全方位を所定の区分数に分割した複数の方位区分(例えば、12方位)のうち震央方位Λに対応する方位区分を離散量として与えるようにしてもよい。ケースC24は、ケースC22の文字列での四方位N・S・E・Wの出現回数に対応する4組の数字を適用し、ケースC33は、ケースC23を20方位に変更した。 Further, as the data format of the feature amount of the seismic center direction Λ, the continuous amount corresponding to the seismic center direction Λ is not given as in the cases C10-12, C01, and C02, but as in the cases C21 to C24 and C33, all of them are used. Of a plurality of orientation divisions (for example, 12 orientations) in which the orientation is divided into a predetermined number of divisions, the orientation division corresponding to the seismic center orientation Λ may be given as a discrete quantity. Case C24 applies four sets of numbers corresponding to the number of occurrences of four directions N, S, E, and W in the character string of case C22, and case C33 changes case C23 to 20 directions.

各ケースにおける各特徴量の影響度は、図29(b)に示すように、各ケースとも同様の傾向であるが、地点モデルT4では、震央方位Λに関する特徴量の影響度は、震央方位Λが方位区分を用いた離散量により与えられる5つのケースC21〜C24、C33では相対的に小さく、震央方位Λが連続量により与えられるケースC11〜C12、C01、C02では相対的に高くなることが分かった。 As shown in FIG. 29 (b), the degree of influence of each feature amount in each case has the same tendency in each case, but in the point model T4, the degree of influence of the feature amount with respect to the epicenter direction Λ is the epicenter direction Λ. Is relatively small in the five cases C21 to C24 and C33 given by the discrete quantity using the orientation division, and relatively high in the cases C11 to C12, C01 and C02 where the epicenter orientation Λ is given by the continuous quantity. Do you get it.

(プログラムについて)
上記実施形態では、地震動評価モデル生成プログラム300及び地震動評価プログラム400は、記憶部30、40にそれぞれ記憶されたものとして説明したが、インストール可能な形式又は実行可能な形式のファイルでCD−ROM、DVD、USBメモリ等のコンピュータで読み取り可能な記録媒体に記録されて提供されてもよい。また、地震動評価モデル生成プログラム300及び地震動評価プログラム400は、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供されてもよい。
(About the program)
In the above embodiment, the seismic motion evaluation model generation program 300 and the seismic motion evaluation program 400 have been described as being stored in the storage units 30 and 40, respectively, but the CD-ROM is a file in an installable format or an executable format. It may be recorded and provided on a computer-readable recording medium such as a DVD or a USB memory. Further, the seismic motion evaluation model generation program 300 and the seismic motion evaluation program 400 may be provided by storing them on a computer connected to a network such as the Internet and downloading them via the network.

1…地震動評価システム、
2A…観測データ提供装置、2B…解析データ提供装置、
2C…地下構造データ提供装置、
3…地震動評価モデル生成装置、4…地震動評価装置、
5…ネットワーク、6…地震動シミュレーション装置、
10…データベース、10A…第1のデータベース、10B…第2のデータベース、
11…地震動データ、
12…学習用データ、12A…第1の学習用データ、12B…第2の学習用データ、
13、13A〜13K…地震動評価モデル、
30…記憶部、31…制御部、32…通信部、33…入力部、34…表示部、
40…記憶部、41…制御部、42…通信部、43…入力部、44…表示部、
300…地震動評価モデル生成プログラム、
310…DB管理部、310A…第1のDB管理部、310B…第2のDB管理部、
311…取得部、311A…第1の取得部、311B…第2の取得部、312…生成部、
400…地震動評価プログラム、
410…受付部、411…予測部、412…出力処理部
1 ... Seismic motion evaluation system,
2A ... Observation data providing device, 2B ... Analysis data providing device,
2C ... Underground structure data providing device,
3 ... Seismic motion evaluation model generator, 4 ... Seismic motion evaluation device,
5 ... network, 6 ... seismic motion simulation device,
10 ... database, 10A ... first database, 10B ... second database,
11 ... Seismic motion data,
12 ... Learning data, 12A ... First learning data, 12B ... Second learning data,
13, 13A ~ 13K ... Seismic motion evaluation model,
30 ... storage unit, 31 ... control unit, 32 ... communication unit, 33 ... input unit, 34 ... display unit,
40 ... storage unit, 41 ... control unit, 42 ... communication unit, 43 ... input unit, 44 ... display unit,
300 ... Seismic motion evaluation model generation program,
310 ... DB management unit, 310A ... first DB management unit, 310B ... second DB management unit,
311 ... Acquisition unit, 311A ... First acquisition unit, 311B ... Second acquisition unit, 312 ... Generation unit,
400 ... Seismic motion evaluation program,
410 ... Reception unit, 411 ... Prediction unit, 412 ... Output processing unit

Claims (7)

コンピュータを用いて機械学習により地震動評価モデルを生成する地震動評価モデル生成方法であって、
複数の地震と当該複数の地震による地震動が観測された少なくとも1つの観測点との各組み合わせについて、前記地震動が観測されたときの、少なくとも前記地震動の方位特性を含む地震動諸特性パラメータ及び地震動観測記録を関連付けて記憶するデータベースから、前記地震動諸特性パラメータを特徴量とし、前記地震動観測記録から得られる地震動指標を目的変数として、前記特徴量及び前記目的変数で構成される学習用データを複数取得する取得工程と、
前記取得工程にて取得された複数の前記学習用データに基づいて、前記特徴量及び前記目的変数の相関関係を前記機械学習により学習することにより、前記機械学習の学習済みモデルとして前記地震動評価モデルを生成する生成工程と、を含む、
地震動評価モデル生成方法。
It is a seismic motion evaluation model generation method that generates a seismic motion evaluation model by machine learning using a computer.
For each combination of multiple earthquakes and at least one observation point where seismic motion due to the multiple earthquakes was observed, various seismic motion characteristic parameters including at least the orientation characteristics of the seismic motion and seismic motion observation records when the seismic motion was observed. From the database that is stored in association with the above, a plurality of learning data composed of the feature amount and the objective variable are acquired with the seismic motion characteristic parameters as feature quantities and the seismic motion index obtained from the seismic motion observation record as the objective variable. Acquisition process and
The seismic motion evaluation model as a learned model of the machine learning by learning the correlation between the feature amount and the objective variable by the machine learning based on the plurality of learning data acquired in the acquisition step. To produce a production process, including,
Seismic motion evaluation model generation method.
前記方位特性は、
前記観測点を基準として震央が位置する方位を示す震央方位である、
請求項1に記載の地震動評価モデル生成方法。
The azimuth characteristic is
The epicenter direction indicating the direction in which the epicenter is located with respect to the observation point.
The method for generating a seismic motion evaluation model according to claim 1.
前記震央方位は、
三角関数を用いた連続量、又は、全方位を所定の区分数で分割した区分方位を用いた離散量により与えられる、
請求項2に記載の地震動評価モデル生成方法。
The epicenter direction is
It is given by a continuous quantity using trigonometric functions or a discrete quantity using a segmented orientation in which all directions are divided by a predetermined number of segments.
The method for generating a seismic motion evaluation model according to claim 2.
コンピュータを用いて、請求項1乃至請求項3のいずれか一項に記載の地震動評価モデル生成方法により生成された前記地震動評価モデルに基づいて前記地震動の特性を評価する地震動評価方法であって、
少なくとも前記地震動の方位特性を含む、予測対象の前記地震動諸特性パラメータを受け付ける受付工程と、
前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータを前記特徴量として前記地震動評価モデルに入力することにより当該地震動評価モデルから出力される前記目的変数に基づいて、前記予測対象の前記地震動諸特性パラメータに対応する前記地震動指標を予測する予測工程と、を含む、
地震動評価方法。
A seismic motion evaluation method for evaluating the characteristics of the seismic motion based on the seismic motion evaluation model generated by the seismic motion evaluation model generation method according to any one of claims 1 to 3, using a computer.
A reception process that accepts the seismic motion characteristic parameters to be predicted, including at least the seismic motion azimuth characteristics.
The prediction target is based on the objective variable output from the seismic motion evaluation model by inputting the seismic motion characteristic parameters of the prediction target received in the reception step into the seismic motion evaluation model as the feature quantities. A prediction step for predicting the seismic motion index corresponding to the seismic motion characteristic parameters, and the like.
Seismic motion evaluation method.
前記予測工程にて予測された前記地震動指標を視認可能な出力媒体に出力する出力処理工程をさらに含み、
前記出力処理工程は、
前記受付工程にて受け付けられた前記予測対象の前記地震動諸特性パラメータが、予測点を中心として異なる複数の前記方位特性を含む複数の前記地震動諸特性パラメータであるとき、当該複数の前記地震動諸特性パラメータに基づいて前記予測工程にて予測された複数の前記地震動指標の値を、前記出力媒体における基準点からの距離として表すとともに、複数の前記方位特性を、前記基準点を中心とする各方位に割り当てることにより、複数の前記地震動指標を前記出力媒体に出力する、
請求項4に記載の地震動評価方法。
It further includes an output processing step of outputting the seismic motion index predicted in the prediction step to a visible output medium.
The output processing step is
When the seismic motion characteristic parameters of the prediction target received in the reception step are a plurality of the seismic motion characteristic parameters including a plurality of different orientation characteristics centered on the prediction point, the plurality of the seismic motion characteristics. The values of the plurality of seismic motion indexes predicted in the prediction step based on the parameters are expressed as the distances from the reference point in the output medium, and the plurality of the orientation characteristics are expressed in each orientation centering on the reference point. By assigning to, a plurality of the seismic motion indexes are output to the output medium.
The seismic motion evaluation method according to claim 4.
コンピュータであって、
請求項1乃至請求項3のいずれか一項に記載の地震動評価モデル生成方法に含まれる各工程を実行する制御部を備える、
地震動評価モデル生成装置。
It ’s a computer,
A control unit for executing each step included in the seismic motion evaluation model generation method according to any one of claims 1 to 3.
Seismic motion evaluation model generator.
コンピュータであって、
請求項4又は請求項5に記載の地震動評価方法に含まれる各工程を実行する制御部を備える、
地震動評価装置。
It ’s a computer,
A control unit for executing each step included in the seismic motion evaluation method according to claim 4 or 5.
Seismic motion evaluation device.
JP2020097844A 2020-06-04 2020-06-04 Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device Active JP7438852B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020097844A JP7438852B2 (en) 2020-06-04 2020-06-04 Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020097844A JP7438852B2 (en) 2020-06-04 2020-06-04 Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device

Publications (2)

Publication Number Publication Date
JP2021189136A true JP2021189136A (en) 2021-12-13
JP7438852B2 JP7438852B2 (en) 2024-02-27

Family

ID=78849657

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020097844A Active JP7438852B2 (en) 2020-06-04 2020-06-04 Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device

Country Status (1)

Country Link
JP (1) JP7438852B2 (en)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
JPH1164533A (en) * 1997-08-21 1999-03-05 Kajima Corp Earthquake early detecting system having self-learning function by neural network
JP2001130848A (en) * 1999-11-05 2001-05-15 Hitachi Ltd Earthquake damage predictive system for elevator
JP2002122674A (en) * 2000-10-12 2002-04-26 Shimizu Corp Earthquake information transmission system and method, and portable terminal
JP2002168963A (en) * 2000-12-01 2002-06-14 Toshiba Corp Earthquake damage estimation evaluation system
JP2005156273A (en) * 2003-11-25 2005-06-16 Michiyo Sugai Earthquake motion predicting method and its evaluation method
JP2006112999A (en) * 2004-10-18 2006-04-27 Meisei Electric Co Ltd Earthquake warning device
JP2006170739A (en) * 2004-12-15 2006-06-29 Kajima Corp Earthquake disaster prevention system using urgent earthquake prompt report
JP2009175130A (en) * 2007-12-28 2009-08-06 Cygnet Corp Real-time seismic intensity meter and method of predicting seismic intensity, and the like, using the same
JP2013120139A (en) * 2011-12-08 2013-06-17 Chugoku Electric Power Co Inc:The Method for estimating earthquake damage of reinforced concrete building
JP2014517377A (en) * 2012-03-31 2014-07-17 中国科学技▲術▼大学 Method and system for obtaining an estimation of seismic event parameters, seismic event search engine
JP2015068801A (en) * 2013-09-30 2015-04-13 株式会社地層科学研究所 Method and system for predicting earthquake damage of building
JP2017033394A (en) * 2015-08-04 2017-02-09 三菱電機ビルテクノサービス株式会社 Monitoring system

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5490062A (en) * 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
JPH1164533A (en) * 1997-08-21 1999-03-05 Kajima Corp Earthquake early detecting system having self-learning function by neural network
JP2001130848A (en) * 1999-11-05 2001-05-15 Hitachi Ltd Earthquake damage predictive system for elevator
JP2002122674A (en) * 2000-10-12 2002-04-26 Shimizu Corp Earthquake information transmission system and method, and portable terminal
JP2002168963A (en) * 2000-12-01 2002-06-14 Toshiba Corp Earthquake damage estimation evaluation system
JP2005156273A (en) * 2003-11-25 2005-06-16 Michiyo Sugai Earthquake motion predicting method and its evaluation method
JP2006112999A (en) * 2004-10-18 2006-04-27 Meisei Electric Co Ltd Earthquake warning device
JP2006170739A (en) * 2004-12-15 2006-06-29 Kajima Corp Earthquake disaster prevention system using urgent earthquake prompt report
JP2009175130A (en) * 2007-12-28 2009-08-06 Cygnet Corp Real-time seismic intensity meter and method of predicting seismic intensity, and the like, using the same
JP2013120139A (en) * 2011-12-08 2013-06-17 Chugoku Electric Power Co Inc:The Method for estimating earthquake damage of reinforced concrete building
JP2014517377A (en) * 2012-03-31 2014-07-17 中国科学技▲術▼大学 Method and system for obtaining an estimation of seismic event parameters, seismic event search engine
JP2015068801A (en) * 2013-09-30 2015-04-13 株式会社地層科学研究所 Method and system for predicting earthquake damage of building
JP2017033394A (en) * 2015-08-04 2017-02-09 三菱電機ビルテクノサービス株式会社 Monitoring system

Also Published As

Publication number Publication date
JP7438852B2 (en) 2024-02-27

Similar Documents

Publication Publication Date Title
CN111858803B (en) Landslide land disaster risk zoning map generation method
Pavel et al. An updated probabilistic seismic hazard assessment for Romania and comparison with the approach and outcomes of the SHARE project
Deierlein et al. A cloud-enabled application framework for simulating regional-scale impacts of natural hazards on the built environment
Karaman et al. Net earthquake hazard and elements at risk (NEaR) map creation for city of Istanbul via spatial multi-criteria decision analysis
Ramos‐Valle et al. Impact of tropical cyclone landfall angle on storm surge along the Mid‐Atlantic bight
JP2021189134A (en) Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device
Daneshvar et al. On computation of conditional mean spectrum in eastern Canada
CN113009553A (en) Interpretable seismic motion parameter probability density distribution prediction method based on NGboost and SHAP values
Riaño et al. Integration of 3D large‐scale earthquake simulations into the assessment of the seismic risk of Bogota, Colombia
CN115540828A (en) Internal wave forecasting method based on wall sensor
Viitak et al. Evaluating wind datasets for wave hindcasting in the NW Iberian Peninsula coast
JP7423427B2 (en) Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device
Tyagi et al. Prediction of the future landslide susceptibility scenario based on LULC and climate projections
JP7512151B2 (en) Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device
Kukovica et al. Probabilistic seismic hazard analysis of Victoria, British Columbia: Considering an active fault zone in the Nearby Leech River Valley
JP7438852B2 (en) Seismic motion evaluation model generation method, seismic motion evaluation model generation device, seismic motion evaluation method, and seismic motion evaluation device
JP2021189135A (en) Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device
JP2021189137A (en) Earthquake motion evaluation model generation method, earthquake motion evaluation model generation device, earthquake motion evaluation method, and earthquake motion evaluation device
Cho Probabilistic assessment of the seismic performance of earth slopes using computational simulation
JP7356070B2 (en) Damage rate curve creation method, damage rate curve creation device, and program
Wang et al. Towards a theoretical understanding of multiscalar drought indices based on the relationship between precipitation and standardized precipitation index
Kemec et al. A framework for defining a 3D model in support of risk management
JP7499137B2 (en) Earthquake phenomena integrated evaluation model generation method, earthquake phenomena integrated evaluation model generation device, earthquake phenomena integrated evaluation method, and earthquake phenomena integrated evaluation device
Rodrigo et al. The mapping of storm surge-prone areas and characterizing surge-producing cyclones in Leyte Gulf, Philippines
Du et al. Clustering and Selection of Hurricane Wind Records Using Autoencoder and k-Means Algorithm

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20200611

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230309

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231031

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231205

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240131

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240214

R150 Certificate of patent or registration of utility model

Ref document number: 7438852

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150