JP7469703B2 - 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム - Google Patents
予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム Download PDFInfo
- Publication number
- JP7469703B2 JP7469703B2 JP2022538499A JP2022538499A JP7469703B2 JP 7469703 B2 JP7469703 B2 JP 7469703B2 JP 2022538499 A JP2022538499 A JP 2022538499A JP 2022538499 A JP2022538499 A JP 2022538499A JP 7469703 B2 JP7469703 B2 JP 7469703B2
- Authority
- JP
- Japan
- Prior art keywords
- earthquake
- learning
- data
- information
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 61
- 239000013598 vector Substances 0.000 claims description 140
- 230000006870 function Effects 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 29
- 238000000926 separation method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 18
- 238000004088 simulation Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910019757 S110-No Inorganic materials 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Description
図1は、実施形態における学習装置1の構成を示すブロック図である。
学習装置1は、入力部11、データ分離部12及び学習部13を備える。入力部11は、N個の学習対象地震関連データI0~(N-1)、K個の学習対象地点データL0~(K-1)及びN×K個の地震波ベクトルw0~(N-1),0~(K-1)(t)を入力する。ここで、N,Kは、いずれも1以上の整数である。tは、時刻を示すパラメータである。tは、0~T-1の何れかの整数値であり、Tは1以上の整数である。tの単位は、例えば、「ミリ秒」程度の単位である。tは、「1ミリ秒」毎であってもよいし、「10ミリ秒」毎であってもよい。以下、0~(N-1)の中の任意の整数値を「n」で表し、0~(K-1)の中の任意の整数値を「k」で表す。本明細書において、「入力する」は、「取り込む」の意味で用いるものとする。
図2は、学習装置1による学習処理の流れを示すフローチャートである。入力部11は、N個の学習対象地震関連データI0~(N-1)と、K個の学習対象地点データL0~(K-1)と、N×K個の地震波ベクトルw0~(N-1),0~(K-1)(t)とを入力する(ステップS101)。入力部11は、内部に備える学習ステップ数をカウントする学習ステップ数カウンタrを「1」に初期化する(ステップS102)。
図3は、予測装置2の構成を示すブロック図である。なお、予測装置2において、学習装置1と同一の構成については同一の符号を付し、以下、異なる構成について説明する。予測装置2は、入力部51と、予測部52とを備える。入力部51は、式(8)の記号で示される予測対象地震関連データと、式(9)の記号で示される所望地点データとを入力する。以下、式(8)の記号を“~I”として示し、式(9)の記号を“~L”として示す。
図4は、予測装置2による予測処理の流れを示すフローチャートである。
入力部51は、予測対象地震関連データ“~I”及び所望地点データ“~L”を入力し、入力した予測対象地震関連データ“~I”及び所望地点データ“~L”を振幅予測部21と、波形予測部31とに出力する(ステップS201)。
図5から図12は、8通りの異なる予測を所望する地点における8通りの異なる地震により発生した地震波の波形を示すグラフである。なお、本実施形態の学習装置1と、予測装置2との比較のために、以下に示すような構成の地震波ベクトルwn,k(t)を振幅値pn,kと波形ベクトルvn,k(t)に分離しない学習装置と、当該学習装置に対応する予測装置とを用いたシミュレーションを行っている。説明の便宜上、当該学習装置を「分離なし学習装置」といい、当該予測装置を「分離なし予測装置」という。
Claims (8)
- (削除)
- 地震波に関する情報の予測の学習に用いられる学習対象地震関連データであって、少なくとも震源の位置情報及び地震の規模情報を含み前記震源の位置と所望の地点との間の地層の情報を含まない学習対象地震関連データと、前記学習対象地震関連データの地震によって発生した地震波を測定した地点を示す学習対象地点データと、前記学習対象地点データが示す地点において測定された前記地震波を示す地震波ベクトルとを入力する入力ステップと、
前記地震波ベクトルを、振幅値と、波形ベクトルとに分離するデータ分離ステップと、
前記学習対象地震関連データと、前記学習対象地震関連データに対応する前記学習対象地点データとを入力データと、学習により更新される係数とに基づいて得られる前記振幅値の推定値及び前記波形ベクトルの推定ベクトルと、前記入力データに対応する前記地震波ベクトルから得られた前記振幅値及び前記波形ベクトルとに基づいて、前記係数を更新する学習ステップと、
を含む学習方法。 - 前記学習ステップは、
前記学習対象地震関連データと、前記学習対象地点データとを入力データとして第1の関数近似器に与えることにより得られる前記振幅値の推定値と、前記入力データに対応する前記地震波ベクトルから得られた前記振幅値との誤差である第1の誤差を算出し、前記入力データを第2の関数近似器に与えることにより得られる前記波形ベクトルの推定ベクトルと、前記入力データに対応する前記地震波ベクトルから得られた前記波形ベクトルとの誤差である第2の誤差とを算出し、前記第1の誤差と、前記第2の誤差とに基づいて、前記第1の関数近似器の係数と、前記第2の関数近似器の係数とを更新する、
請求項2に記載の学習方法。 - 所望の地点の地震波を予測する予測装置であって、
予測対象の地震に関するデータである予測対象地震関連データであって、少なくとも前記予測対象の地震の震源の位置情報及び前記予測対象の地震の規模情報を含み、前記震源の位置と前記所望の地点との間の地層の情報を含まない予測対象地震関連データを取得する取得部と、
前記予測対象地震関連データと前記所望の地点の位置情報とを用いて前記所望の地点における振幅を予測する振幅予測部と、
前記予測対象地震関連データと前記所望地点の位置情報とを用いて前記所望の地点における波形ベクトルを予測する波形予測部と、
予測された前記振幅と予測された前記波形ベクトルとを用いて、前記所望の地点における地震波を予測する地震波予測部と、
を有する予測装置。 - 所望の地点の地震波に関する情報を予測する予測装置であって、
所望の地点を示す所望地点情報を入力する入力部と、
少なくとも前記所望地点情報と、震源の位置情報と、地震の規模情報とを用いて前記所望の地点における地震波に関する情報を予測する予測部と、
を備え、
前記予測部は、前記地震波を予測する際、前記震源の位置と前記所望の地点との間の地層の情報を用いない予測装置。 - 地震波に関する情報の予測の学習に用いられる学習対象地震関連データであって、少なくとも震源の位置情報及び地震の規模情報を含み前記震源の位置と所望の地点との間の地層の情報を含まない学習対象地震関連データと、前記学習対象地震関連データの地震によって発生した地震波を測定した地点を示す学習対象地点データと、前記学習対象地点データが示す地点において測定された前記地震波を示す地震波ベクトルとを入力する入力部と、
前記地震波ベクトルを、振幅値と、波形ベクトルとに分離するデータ分離部と、
前記学習対象地震関連データと、前記学習対象地震関連データに対応する前記学習対象地点データとを入力データと、学習により更新される係数とに基づいて得られる前記振幅値の推定値及び前記波形ベクトルの推定ベクトルと、前記入力データに対応する前記地震波ベクトルから得られた前記振幅値及び前記波形ベクトルとに基づいて、前記係数を更新する学習部と、
を備える学習装置。 - コンピュータに、
所望の地点を示す所望地点情報を入力する入力ステップと、
少なくとも前記所望地点情報と、震源の位置情報と、地震の規模情報とを用いて前記所望の地点における地震波に関する情報を予測する予測ステップと、
を実行させ、
前記予測ステップにおいて、前記震源の位置と前記所望の地点との間の地層の情報を用いない予測プログラム。 - コンピュータに、
地震波に関する情報の予測の学習に用いられる学習対象地震関連データであって、少なくとも震源の位置情報及び地震の規模情報を含み前記震源の位置と所望の地点との間の地層の情報を含まない学習対象地震関連データと、前記学習対象地震関連データの地震によって発生した地震波を測定した地点を示す学習対象地点データと、前記学習対象地点データが示す地点において測定された前記地震波を示す地震波ベクトルとを入力する入力ステップと、
前記地震波ベクトルを、振幅値と、波形ベクトルとに分離するデータ分離ステップと、
前記学習対象地震関連データと、前記学習対象地震関連データに対応する前記学習対象地点データとを入力データと、学習により更新される係数とに基づいて得られる前記振幅値の推定値及び前記波形ベクトルの推定ベクトルと、前記入力データに対応する前記地震波ベクトルから得られた前記振幅値及び前記波形ベクトルとに基づいて、前記係数を更新する学習ステップと、
を実行させるための学習プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/028048 WO2022018789A1 (ja) | 2020-07-20 | 2020-07-20 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2022018789A1 JPWO2022018789A1 (ja) | 2022-01-27 |
JPWO2022018789A5 JPWO2022018789A5 (ja) | 2023-02-06 |
JP7469703B2 true JP7469703B2 (ja) | 2024-04-17 |
Family
ID=79728578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022538499A Active JP7469703B2 (ja) | 2020-07-20 | 2020-07-20 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7469703B2 (ja) |
WO (1) | WO2022018789A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170739A (ja) | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
CN103675914A (zh) | 2012-09-12 | 2014-03-26 | 林沛旸 | 运用类神经网络的现地型地震即时分析系统及其方法 |
JP2014134501A (ja) | 2013-01-11 | 2014-07-24 | Omron Corp | 振動強度測定装置およびその制御方法 |
WO2018008708A1 (ja) | 2016-07-08 | 2018-01-11 | 日本電気株式会社 | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2849297B2 (ja) * | 1993-01-12 | 1999-01-20 | 鹿島建設株式会社 | 震度予測システム |
US5490062A (en) * | 1994-05-11 | 1996-02-06 | The Regents Of The University Of California | Real-time neural network earthquake profile predictor |
-
2020
- 2020-07-20 WO PCT/JP2020/028048 patent/WO2022018789A1/ja active Application Filing
- 2020-07-20 JP JP2022538499A patent/JP7469703B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170739A (ja) | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
CN103675914A (zh) | 2012-09-12 | 2014-03-26 | 林沛旸 | 运用类神经网络的现地型地震即时分析系统及其方法 |
JP2014134501A (ja) | 2013-01-11 | 2014-07-24 | Omron Corp | 振動強度測定装置およびその制御方法 |
WO2018008708A1 (ja) | 2016-07-08 | 2018-01-11 | 日本電気株式会社 | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 |
Non-Patent Citations (2)
Title |
---|
FLOOD, Ian, et al.,Modelling earthquake accelerograms using neural networks and linear predictors,Artificial Intelligence for Engineering Design, Analysis and Manufacturing,米国,CAMBRIDGE UNIVERSITY PRESS,1998年,Vol.12, No.3,p. 243-258 |
OKADA, Akihisa, et al.,Neural Network Learning: Crustal State Estimation Method from Time-Series Data,IEEE Conference Proceedings,米国,The Institute of Electrical and Electronics Engine,2018年,Vol.2018, No.ICCAIRO,p. 141-146 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022018789A1 (ja) | 2022-01-27 |
WO2022018789A1 (ja) | 2022-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2010308501B2 (en) | Method for optimization with gradient information | |
Piana Agostinetti et al. | Local three-dimensional earthquake tomography by trans-dimensional Monte Carlo sampling | |
US10519766B2 (en) | Reservoir modelling with multiple point statistics from a non-stationary training image | |
US9494711B2 (en) | Adaptive weighting of geophysical data types in joint inversion | |
US10234581B2 (en) | System and method for high resolution seismic imaging | |
Saba et al. | BAT-ANN based earthquake prediction for Pakistan region | |
CN105842732A (zh) | 多道稀疏反射系数的反演方法及系统 | |
US20180285729A1 (en) | Reservoir computing system | |
NO20150061A1 (en) | SYSTEM AND METHOD FOR USE IN SIMULATING A SUBTERRANEAN RESERVOIR | |
AU2016285882B2 (en) | Krylov-space-based quasi-newton preconditioner for full wavefield inversion | |
Hursky et al. | Adjoint modeling for acoustic inversion | |
CN112904419B (zh) | 一种微地震成像方法及终端设备 | |
WO2020152300A1 (en) | Controlling an agent to explore an environment using observation likelihoods | |
US20230367994A1 (en) | Hyper network machine learning architecture for simulating physical systems | |
Christou et al. | Effective sampling of spatially correlated intensity maps using hazard quantization: Application to seismic events | |
CN111597753A (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
Bruyelle et al. | Neural networks and their derivatives for history matching and reservoir optimization problems | |
CN106662665B (zh) | 用于更快速的交错网格处理的重新排序的插值和卷积 | |
JP7469703B2 (ja) | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム | |
Ihshaish et al. | Towards improving numerical weather predictions by evolutionary computing techniques | |
US20150006133A1 (en) | State Space System Simulator Utilizing Bi-quadratic Blocks to Simulate Lightly Damped Resonances | |
Absi et al. | Simulation resource optimization for multi-fidelity model calibration | |
Heinke et al. | Distributed Modeling of Structural Systems Based on Finite Element Methods with Application to an Actuated Beam | |
CN117572498A (zh) | 地震初至波拾取方法、装置、存储介质及计算机设备 | |
Huang et al. | Applying scientific machine learning to improve seismic wave simulation and inversion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221121 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240126 |
|
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: 20240305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240318 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7469703 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |