KR20150035633A - Apparatus for measuring earthquake intensity and method for the same - Google Patents
Apparatus for measuring earthquake intensity and method for the same Download PDFInfo
- Publication number
- KR20150035633A KR20150035633A KR20130115172A KR20130115172A KR20150035633A KR 20150035633 A KR20150035633 A KR 20150035633A KR 20130115172 A KR20130115172 A KR 20130115172A KR 20130115172 A KR20130115172 A KR 20130115172A KR 20150035633 A KR20150035633 A KR 20150035633A
- Authority
- KR
- South Korea
- Prior art keywords
- earthquake
- seismic
- scale
- neural network
- artificial neural
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims description 76
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 51
- 230000001186 cumulative effect Effects 0.000 claims description 46
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000009795 derivation Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims 2
- 230000007935 neutral effect Effects 0.000 abstract 1
- 230000010354 integration Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013598 vector Substances 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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
본 출원은 지진측정장치 및 지진측정방법에 관한 것으로서, 특히 인공지능망 회로를 이용하여 지진의 규모 등을 도출할 수 있는 지진측정장치 및 지진측정방법에 관한 것이다.
The present invention relates to an earthquake measuring apparatus and an earthquake measuring method, and more particularly, to an earthquake measuring apparatus and an earthquake measuring method capable of deriving the magnitude of an earthquake using an artificial intelligence network circuit.
지진이 발생하면 산업시설물을 비롯한 구조물 등이 손상될 수 있으며, 인명피해도 함께 수반될 수 있다. 이때, 지진에 의한 피해의 정도는 지진의 규모 및 지진 발생 지점(진원)과의 거리에 따라 달라질 수 있다. 일반적으로 지진의 에너지는 지진발생 지점과의 거리가 멀어질수록 감쇠하면서 약화하는 특성이 있기 때문이다. 따라서, 지진이 발생할 경우, 지진의 규모 및 거리를 최대한 신속, 정확하게 측정하는 것이 광역적인 지진피해 대응에 있어서 매우 중요하다. If an earthquake occurs, industrial facilities and other structures may be damaged, and damage to people may be accompanied. At this time, the degree of damage caused by an earthquake can vary depending on the magnitude of the earthquake and the distance between the earthquake occurrence point (origin). In general, the energy of earthquakes is attenuated and weakened as the distance from the point of occurrence of earthquakes increases. Therefore, when an earthquake occurs, it is very important to measure the magnitude and distance of the earthquake as quickly as possible.
일반적인 지진의 규모, 거리 측정방법은, 지진파 중 가장 먼저 도달하는 P파와 늦게 도달하는 S파의 도착시간의 차이(S-P시간)를 이용하여 지진의 거리를 먼저 계산하고, 지진파의 규모-거리에 따르는 지진파 크기의 감쇠식을 이용하여 지진의 규모를 계산하게 된다. 다만, 이 경우, 상기 P파와 S파의 도착시간의 차이를 측정하기 위해서는 상기 P파와 S파를 구분할 수 있어야 하지만, 잡음신호가 포함되는 등 지진 파형이 좋지 않은 경우에는 상기 P파와 S파의 구분이 어려울 수 있다. Generally, the magnitude of earthquake and the method of measuring the distance are calculated by first calculating the distance of the earthquake using the difference between the arrival time of the P wave arriving first among the seismic waves and the arrival time of the S wave arriving late, The magnitude of the earthquake is calculated using the damping equation of the magnitude of the seismic wave. In this case, in order to measure the difference between the arrival times of the P wave and the S wave, it is necessary to be able to distinguish between the P wave and the S wave. However, when the earthquake waveform is bad, This can be difficult.
이외에도, P파의 크기를 이용하여 지진규모를 미리 예측하고, 지진파의 규모-거리 감쇠식에 S파의 크기를 입력하여 지진 발생지점까지의 거리를 측정하는 방법도 있다. 즉, 지진조기경보(earthquake early warning)의 기능을 수행하는 것이다. 다만, 이 경우 P파의 크기를 이용하여 지진규모를 예측하므로, 지진규모의 오차가 크게 발생될 수 있다. 또한, 지진파형에 포함되는 잡음신호의 레벨이 높은 경우에는 상기 P파와 구별하기 어렵다는 단점이 있다.
In addition, there is a method of estimating an earthquake scale using the magnitude of the P wave and measuring the distance to the earthquake occurrence point by inputting the magnitude of the S wave in the magnitude-distance attenuation equation of the seismic wave. That is, it performs the function of earthquake early warning. However, in this case, since the magnitude of the P wave is used to predict the magnitude of the earthquake, an error of the magnitude of the earthquake scale may occur. Further, when the level of the noise signal included in the seismic waveform is high, it is difficult to distinguish it from the P wave.
본 출원은, 인공지능망 회로를 이용하여 지진의 규모 등을 도출할 수 있는 지진측정장치 및 지진측정방법을 제공하고자 한다.
This application proposes an earthquake measuring apparatus and an earthquake measuring method capable of deriving the magnitude of an earthquake using an artificial intelligence network circuit.
본 발명의 일 실시예에 의한 지진측정방법은, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진파 감지단계; 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하는 특성파라미터 계산단계; 및 상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출하는 지진규모도출단계를 포함할 수 있다. A method of measuring an earthquake according to an embodiment of the present invention includes a seismic wave sensing step of sensing an earthquake wave generated by an earthquake to generate an earthquake signal; A characteristic parameter calculation step of calculating a characteristic parameter indicating a characteristic of the earthquake from the seismic signal; And inputting the characteristic parameter into an artificial neural network (ANN) function to derive an earthquake magnitude of the earthquake.
여기서 상기 특성파라미터 계산단계는, 상기 특성파라미터로 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함할 수 있다. Here, the characteristic parameter calculation step may include calculating a characteristic parameter such as Peak Ground Acceleration (PGA), Peak Ground Velocity (PGV), Cumulative Absolute Velocity (CAV), and Cumulative Absolute Velocity : Cumulative Absolute Displacement).
여기서 상기 특성파라미터 계산단계는, 지진지속시간 동안 측정되는 지반가속도 및 지반속도 중에서, 각각의 최대값을 계산하여 상기 최대지반가속도 및 최대지반속도로 설정할 수 있다. Here, the characteristic parameter calculation step may calculate the maximum value among the ground acceleration and the ground velocity measured during the earthquake duration, and set the maximum ground acceleration and the maximum ground velocity.
여기서 상기 특성파라미터 계산단계는, Wherein the characteristic parameter calculation step comprises:
여기서, CAV는 누적절대속도, CAD는 누적절대변위, , , , t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수를 이용하여, 상기 누적절대속도 및 누적절대변위를 계산할 수 있다. Where CAV is the cumulative absolute velocity, CAD is the cumulative absolute displacement, , , , t is the time, a th is the reference ground acceleration, v th is the reference ground velocity, N is the seismic duration, and n s is the number of samples per unit time.
여기서 상기 지진규모도출단계는, 상기 인공신경망 함수로 TLFF(Two Layer Feed-Forward) 함수를 이용할 수 있다. Here, the earthquake scale derivation step may use a two layer feed-forward (TLFF) function as the artificial neural network function.
여기서 상기 지진규모도출단계는, (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하고, 상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정하며, 상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시켜, 인공신경망을 형성할 수 있다. The earthquake scale derivation step includes an input layer including (P + 1) input nodes, a hidden layer including (Q + 1) intermediate nodes, and one output node (P + 1) * (Q + 1) first weights for each intermediate node associated with the input node and an output node associated with the intermediate node Q + 1) second weighting values, the characteristic parameters are associated with each of the input nodes, and the earthquake scale is associated with the output nodes, thereby forming an artificial neural network.
여기서 상기 지진규모도출단계는,Here, the earthquake scale derivation step may include:
y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1인 인공신경망함수를 이용하여, 상기 지진규모를 도출할 수 있다. y is between the output node, x p the p-th input node, w (1) qp is the first weight between the p-th input node and the q-th intermediate node, w (2) q is the q-th intermediate node and the output node The earthquake magnitude can be derived using an artificial neural network function with a second weight, x 0 = 1.
여기서, 상기 지진측정방법은, 기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 상기 제1 가중치 및 제2 가중치를 설정하는 인공신경망 학습단계를 더 포함할 수 있다. Here, the earthquake measuring method includes learning the artificial neural network function using characteristic parameters and an earthquake scale included in the measured earthquake observation data, and outputting the corresponding earthquake scale when the characteristic parameter is input to the artificial neural network function And setting the first weight and the second weight to set the first weight and the second weight.
여기서 상기 지진규모도출단계는,Here, the earthquake scale derivation step may include:
를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출할 수 있다. 여기서, 상기 Vs은 지표로부터 기 설정된 깊이까지의 평균전단파속도일 수 있다. Can be input to the input node to derive the earthquake magnitude. Here, Vs may be an average shear wave velocity from the surface to a predetermined depth.
여기서 상기 지진규모도출단계는, 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출하는 제1 과정; 및 상기 후보군을 제2 인공신경망 함수에 입력하여, 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 제2 과정을 포함할 수 있다. Here, the earthquake scale derivation step may include inputting a characteristic parameter, which is obtained by applying a plurality of different reference ground accelerations and reference ground speeds, to the artificial neural network function, calculating an earthquake magnitude corresponding to the plurality of reference ground accelerations and the reference ground speed, A first step of deriving a candidate group of the input signal; And a second step of inputting the candidate group to a second artificial neural network function to derive one earthquake scale value from among the earthquake magnitudes included in the candidate group.
여기서 상기 제1 과정은, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우에는, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정할 수 있다. The first step may include calculating an average value of the earthquake magnitude calculated when the accumulated absolute velocity is not 0 when the value of the accumulated absolute velocity is calculated as 0 according to the value of the reference ground acceleration, Can be set.
여기서 상기 제1 과정은, 상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우에는, 상기 지진규모 계산을 종료할 수 있다. The first step may terminate the calculation of the earthquake scale when the value of the accumulated absolute displacement is calculated as 0 according to the value of the reference ground speed.
여기서 상기 제2 인공신경망 함수는, 기 측정된 지진관측자료를 이용하여 생성한 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습될 수 있다.
Here, the second artificial neural network function is a function of the seismic intensity of the earthquake scale closest to the actual earthquake magnitude stored in the seismic observation data among the plurality of seismic scale values according to the reference ground acceleration and the reference ground velocity, Can be learned.
본 발명의 일 실시예에 의한 지진측정장치는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성하는 지진계; 및 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출하는 분석부를 포함할 수 있다. An apparatus for measuring an earthquake according to an embodiment of the present invention includes: a seismometer for generating an earthquake signal by sensing a seismic wave generated by an earthquake; And an analyzer for calculating a characteristic parameter representing a characteristic of the earthquake from the seismic signal and inputting the characteristic parameter to an artificial neural network function to derive an earthquake magnitude of the earthquake.
여기서 상기 분석부는, 적어도 최대지반속도 및 누적절대변위를 상기 특성파라미터로 포함할 수 있다. Here, the analysis unit may include at least the maximum ground speed and the cumulative absolute displacement as the characteristic parameters.
여기서 상기 분석부는, 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출한 후, 상기 후보군을 제2 인공신경망 함수에 입력하여 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출할 수 있다.
Here, the analyzing unit inputs characteristic parameters, which are respectively applied with a plurality of different reference ground accelerations and reference ground speeds, to the artificial neural network function, and calculates a candidate group of earthquake magnitudes calculated corresponding to the plurality of reference ground acceleration and reference ground speed The candidate group is input to the second artificial neural network function, and one earthquake scale value among the earthquake magnitudes included in the candidate group can be derived.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
In addition, the means for solving the above-mentioned problems are not all enumerating the features of the present invention. The various features of the present invention and the advantages and effects thereof will be more fully understood by reference to the following specific embodiments.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 고주파에 민감한 지반가속도와 저주파에 민감한 지반속도를 이용하여 지진규모를 계산하므로, 광대역 주파수 특성을 반영한 지진규모의 측정이 가능하며, 측정된 지진규모의 신뢰도를 개선할 수 있다. According to the earthquake measuring apparatus and the earthquake measuring method according to an embodiment of the present invention, since the earthquake scale is calculated using the ground acceleration sensitive to high frequency and the ground speed sensitive to low frequency, it is possible to measure the earthquake scale reflecting the broadband frequency characteristic , The reliability of the measured earthquake magnitude can be improved.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 지반속도를 이용하여 지진규모를 계산하므로, 고주파 잡음 및 응력강하량에 의한 효과를 최소화하여, 잡음 및 응력강하력에 의한 지진규모 왜곡을 최소화할 수 있다. According to the earthquake measuring apparatus and the earthquake measuring method according to the embodiment of the present invention, since the earthquake scale is calculated using the ground speed, the effect due to the high frequency noise and the stress reduction amount is minimized, Distortion can be minimized.
본 발명의 일 실시예에 의한 지진측정장치 및 지진측정방법에 의하면, 기준지반속도를 지진진도 등급에 따라 설정할 수 있으므로, 유감지진 이상의 지진에 대하여 선택적으로 지진규모를 계산하도록 할 수 있다.
According to the earthquake measuring apparatus and the earthquake measuring method according to the embodiment of the present invention, since the reference ground speed can be set according to the earthquake magnitude class, the earthquake magnitude can be selectively calculated for the earthquake more than the calamity earthquake.
도1은 본 발명의 일 실시예에 의한 지진측정장치를 나타내는 블록도이다.
도2는 본 발명의 일 실시예에 의한 지진신호에 나타나는 특성파라미터를 나타내는 그래프이다.
도3은 본 발명의 일 실시예에 의한 인공신경망을 나타내는 다이어그램이다.
도4는 본 발명의 일 실시예에 의한 지진측정장치의 분석부의 동작을 나타내는 개략도이다.
도5는 본 발명의 일 실시예에 의한 지진측정방법을 나타내는 순서도이다.
도6 내지 도8은 본 발명의 일 실시예에 의한 지진측정방법에 의한 지진규모 계산결과를 나타내는 비교표 및 그래프이다. 1 is a block diagram showing an apparatus for measuring an earthquake according to an embodiment of the present invention.
2 is a graph showing characteristic parameters appearing in an earthquake signal according to an embodiment of the present invention.
3 is a diagram illustrating an artificial neural network according to an embodiment of the present invention.
4 is a schematic view showing an operation of an analysis unit of an earthquake measuring apparatus according to an embodiment of the present invention.
5 is a flowchart showing an earthquake measuring method according to an embodiment of the present invention.
6 to 8 are comparison charts and graphs showing seismic scale calculation results obtained by an earthquake measuring method according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, in order that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. In the drawings, like reference numerals are used throughout the drawings.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . Also, to "include" an element means that it may include other elements, rather than excluding other elements, unless specifically stated otherwise.
도1은 본 발명의 일 실시예에 의한 지진측정장치를 나타내는 블록도이다. 1 is a block diagram showing an apparatus for measuring an earthquake according to an embodiment of the present invention.
도1을 참조하면, 본 발명의 일 실시예에 의한 지진측정장치는 지진계(10) 및 분석부(20)를 포함할 수 있다. Referring to FIG. 1, an apparatus for measuring an earthquake according to an embodiment of the present invention may include a
이하, 도1을 참조하여 본 발명의 일 실시예에 의한 지진측정장치를 설명한다.
Hereinafter, an earthquake measuring apparatus according to an embodiment of the present invention will be described with reference to FIG.
지진계(10)는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성할 수 있다. 상기 지진계는 일반적으로 사용되는 지진계이면 어떠한 것이라도 활용할 수 있다. 구체적으로, 상기 지진계는 수평의 일축방향으로 진동하는 지진파를 측정할 수 있으며, 상기 측정된 지진파로부터 상기 지진파의 지반속도 및 지반가속도의 크기를 측정할 수 있다. The
여기서, 상기 지진계는 상기 지반속도를 측정하는 지진속도계 및 상기 지반가속도를 측정하는 지진가속도계를 모두 포함하거나, 상기 지진가속도계만을 포함한 후 상기 측정된 지반가속도를 시간에 대하여 적분을 수행하는 방식으로 상기 지반속도를 구하는 것일 수 있다.Herein, the seismometer includes both an earthquake velocity meter for measuring the ground speed and an earthquake accelerometer for measuring the ground acceleration, or integrating the measured ground acceleration with respect to time, It may be to obtain speed.
일반적으로 지반속도는 저주파 신호이기 때문에 지진파에 포함되는 고주파(약10hz 이상)의 잡음 신호에 강인한 특성이 있다. 따라서, 상기 지반속도를 이용하여 지진분석을 수행하면 잡음신호에 따른 지진분석 결과의 왜곡을 최소화할 수 있다. 또한, 지반속도의 경우 P파의 신호대잡음비가 양호하므로, P파를 이용한 지진분석이 가능해져 구조물에 지진피해를 주는 S파 도달 이전에 지진통보를 하는 지진조기경보를 수행할 수 있다. Generally, since the ground speed is a low-frequency signal, it is robust to a high-frequency noise (about 10 Hz or more) included in a seismic wave. Therefore, if the earthquake analysis is performed using the ground speed, the distortion of the earthquake analysis result according to the noise signal can be minimized. Also, since the signal-to-noise ratio of the P wave is good in the case of the ground speed, it is possible to perform the earthquake analysis using the P wave, so that the earthquake early warning can be performed before the S wave reaching the structure.
상기 지반속도와 지반가속도를 함께 이용하여 지진분석을 수행하는 것은, 개념적으로는 고주파 성분 지진파와 저주파 성분 지진파를 동시에 활용하는 것을 의미한다. 일반적인 지진파는 저주파와 고주파 성분을 동시에 갖는 광대역 주파수 파형에 해당하므로, 상기 지반속도와 지반가속도를 동시에 이용하면 지진분석결과의 신뢰성을 향상시키는 것이 가능하다. Performing the seismic analysis using both the ground speed and the ground acceleration means conceptually using the high frequency component seismic wave and the low frequency component seismic wave at the same time. Since a general seismic wave corresponds to a broadband frequency waveform having a low frequency and a high frequency component at the same time, it is possible to improve the reliability of the seismic analysis result by simultaneously using the ground speed and the ground acceleration.
나아가, 지반속도를 사용하면, 응력강하량(stress drop, Δσ)에 의한 왜곡을 최소화하여 안정적으로 지진규모를 추정하는 것이 가능하다. 구체적으로, 지반가속도의 최대값(amax)과 지반속도의 최대값(vmax)의 응력강하량(Δσ)에 대한 지진규모 추정의 민감도는 다음과 같다. Furthermore, by using the ground speed, it is possible to estimate the seismic scale stably by minimizing the distortion caused by the stress drop (Δσ). Specifically, the sensitivity of earthquake scale estimation to the maximum value (a max ) of the ground acceleration and the stress drop (Δσ) of the maximum value of the ground velocity (v max ) is as follows.
상기 식에 나타난 바와 같이, 지반속도 최대값 vmax의 로그(log)는 지반가속도 최대값 amax의 로그보다 log Δσ에 0.8배 덜 민감하므로, 지진의 응력강하량에 따른 지진규모 추정 왜곡을 최소화할 수 있음을 확인할 수 있다. 반면 log(Vmax)는 지진규모에 대해서는 log(amax)보다 1.8배 정도 더 민감하므로, 상기 지반속도가 지진규모 추정에 더욱 합리적인 특성 파라미터임을 알 수 있다. As shown in the above equation, since the log of the maximum value v max of the ground speed is 0.8 times less sensitive to the log Δσ log than the log of the maximum a max of the ground acceleration a max , it is possible to minimize the seismic scale estimation distortion . On the other hand, the log (V max ) is 1.8 times more sensitive than the log (a max ) for the seismic scale, so the above ground speed is a more reasonable parameter to estimate the seismic scale.
따라서, 상기 지진계(10)를 이용하여 지반가속도 및 지반속도를 포함하는 지진신호를 생성함으로써, 지반가속도만 활용하는 경우 고주파 잡음 등에 의하여 발생할 수 있는 지진통보의 오작동 및 지진규모 추정 왜곡을 최소화하고, 고주파와 저주파 지진파 특성을 동시에 고려하여 지진규모 추정의 신뢰성을 향상시킬 수 있다. Therefore, by using the
여기서, 상기 지반가속도 및 지반속도는 단위시간당 기 설정된 횟수로 샘플링하여 측정할 수 있으며, 상기 샘플링된 지반가속도 및 지반속도는 단위시간내에 ns 개의 샘플링값을 가지는 벡터의 집합으로 나타낼 수 있다. 예를들어, 상기 샘플링된 지반가속도를 단위시간(1초) 동안 ns개의 샘플링을 수행하는 경우, ais(t) = (ai, ai +1,…, ai + ns -1)으로 나타낼 수 있으며, 상기 샘플링된 지반속도는 vis(t) = (vi, vi +1,…, vi + ns -1)로 나타낼 수 있다. 이때, 상기 지진계(10)는, 샘플링된 지반가속도 및 지반속도에 대하여 절대값을 취할 수 있다. Here, the ground acceleration and the ground speed can be sampled by a predetermined number of times per unit time, and the sampled ground acceleration and the ground speed can be represented as a set of vectors having n s sampling values within a unit time. For example, when the sampled ground acceleration is sampled n s times for a unit time (1 second), a is (t) = (a i , a i +1 , ..., a i + ns -1 ) , And the sampled ground speed can be expressed as v is (t) = (v i , v i +1 , ..., v i + ns -1 ). At this time, the
상기 지진파를 감지한 지진계(10)는, 상기 샘플링된 지반가속도 및 지반속도를 포함하는 지진신호를 생성하여 상기 분석부(20)로 전송할 수 있다.
The
분석부(20)는, 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출할 수 있다. The
여기서, 상기 특성파라미터는 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함할 수 있다. The characteristic parameters include a peak ground acceleration (PGA), a peak ground velocity (PGV), a cumulative absolute velocity (CAV), and a cumulative absolute displacement (CAD) .
상기 최대지반가속도는 도2(a)에 도시된 바와 같이, 지진지속시간(N) 동안 입력되는 지반가속도(|a|) 중에서 최대값에 해당하고, 상기 최대지반속도는 도2(b)에 도시된 바와 같이, 지진지속시간(N)동안 입력되는 지반속도(|V|) 중에서 최대값을 의미한다. 상기 지진지속시간(N)은 지진발생시 예상되는 지진파의 지속시간으로서, 일반적으로 3 ~ 40 초 사이에서 설정될 수 있다. The maximum ground acceleration corresponds to a maximum value among the ground acceleration (| a |) input during the earthquake duration (N) as shown in FIG. 2 (a) As shown, this means the maximum value among the ground speeds (| V |) input during the earthquake duration (N). The earthquake duration (N) is the duration of the seismic wave expected at the occurrence of an earthquake, and may be set between 3 and 40 seconds in general.
상기 누적절대속도는, 상기 입력되는 지반가속도(|a|)를 단위시간별로 적분한 후, 상기 적분결과를 지진지속시간(N) 동안 적산하여 구할 수 있다. 즉, 단위시간동안 기 설정된 횟수(ns)만큼 샘플링된 지반가속도값 중에서, 연속하는 두개의 샘플링값과 샘플링 시간간격을 이용하여 상기 연속하는 두개의 샘플링값 사이의 면적을 계산하고, 이를 단위시간동안 적산함으로써 상기 적분결과를 구할 수 있다. 여기서, 상기 단위시간 내의 지반가속도(|a|)의 최대값이 기준지반가속도 ath보다 작은 경우에는 상기 적분결과를 상기 적산에서 제외하여, 상기 지진신호에 포함될 수 있는 잡음을 제거할 수 있다. The cumulative absolute velocity may be obtained by integrating the input ground acceleration (| a |) by unit time and then integrating the integration result for the seismic duration (N). That is, the area between the consecutive two sampling values is calculated by using two consecutive sampling values and a sampling time interval from the ground acceleration values sampled by the predetermined number of times (n s ) for a unit time, So that the integration result can be obtained. Here, when the maximum value of the ground acceleration (| a |) within the unit time is smaller than the reference ground acceleration a th , the integration result may be excluded from the integration to remove noise included in the earthquake signal.
구체적으로, 상기 누적절대속도는 Specifically, the cumulative absolute velocity is
을 이용하여 구할 수 있으며, 여기서, CAV는 누적절대속도, , , t는 시간, ath는 기준지반가속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다. , Where CAV is the cumulative absolute velocity, , , t is the time, a th is the reference ground acceleration, N is the seismic duration, and n s is the number of samples per unit time.
상기 누적절대변위는, 상기 입력되는 지반속도(|v|)를 단위시간별로 적분한 후, 상기 적분결과를 지진지속시간(N) 동안 적산하여 구할 수 있다. 즉, 단위시간동안 기 설정된 횟수(ns)만큼 샘플링된 지반속도값 중에서, 연속하는 두개의 샘플링값과 샘플링 시간간격을 이용하여 상기 연속하는 두개의 샘플링값 사이의 면적을 계산하고, 이를 단위시간동안 적산함으로써 상기 적분결과를 구할 수 있다. 여기서, 상기 단위시간 내의 지반속도(|v|)의 최대값이 기준지반속도 vth보다 작은 경우에는 상기 적분결과를 상기 적산에서 제외하여, 상기 지진신호에 포함될 수 있는 잡음을 제거할 수 있다. The cumulative absolute displacement may be obtained by integrating the input ground speed (| v |) by unit time and then integrating the integration result during the earthquake duration (N). That is, the area between the consecutive two sampling values is calculated by using two consecutive sampling values and a sampling time interval among the ground speed values sampled by the predetermined number of times (n s ) for the unit time, So that the integration result can be obtained. Here, if the maximum value of the ground speed (| v |) within the unit time is smaller than the reference ground speed v th , the integration result may be excluded from the integration to remove noise included in the earthquake signal.
구체적으로, 상기 누적절대변위는Specifically, the cumulative absolute displacement is
을 이용하여 구할 수 있으며, 여기서, CAD는 누적절대변위, , , t는 시간, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다. , Where CAD is the cumulative absolute displacement, , , t is the time, v th is the reference ground speed, N is the seismic duration, and n s is the number of samples per unit time.
이외에도, 상기 특성파라미터에는 상기 지진계(10)가 지진파를 관측하는 관측장소에 따른 고유의 값인 Vs를 더 포함할 수 있다. 상기 Vs는 지표로부터 기 설정된 깊이까지의 평균전단파속도를 나타내는 것으로서, 특히 지표로부터 지하 30m까지의 평균전단파속도인 Vs30을 활용할 수 있다. 다만, 본 발명의 내용은 이에 한정되는 것은 아니며, 지하 100m 또는 지하 10m까지의 평균전단파속도를 이용하는 것도 가능하다. 나아가, 상기 지표로부터 지하 30m까지의 평균전단파속도에 관한 정보가 없을 경우에는, 상기 지진계(10)가 구비된 지반이 연약지반인지 혹은 암반지반인지에 따라 개략적인 Vs30값을 설정하는 것도 가능하다. 예를들어, 연약지반의 경우에는 Vs30을 300m/sec로 설정할 수 있으며, 암반지반인 경우에는 Vs30을 800m/sec로 설정할 수 있다.
In addition, the characteristic parameter may further include Vs, which is an inherent value of the
추가적으로, 상기 분석부(20)는 상기 누적절대속도 및 누적절대변위 대신에, BSPGA(BSPGA: Bracketed Summation of Peak Gound Acceleration per second) 및 BSPGV(BSPGV: Bracketed Summation of Peak Gound velocity per second)를 상기 특성파라미터로 계산하여 활용할 수 있다. 즉, 누적절대속도나 누적절대변위와 같이, 면적을 적분하는 것이 아니라, 각각의 단위시간에서의 최대값을 적산하는 방식으로, 상기 BSPGA, BSPGV를 계산할 수 있다. Additionally, instead of the cumulative absolute velocity and the cumulative absolute displacement, the
상기 누적절대속도나 누적절대변위의 경우에는 초당 100 샘플링 이상의 지반가속도값, 지반속도값을 필요로 하지만, 상기 BSPGA, BSPGV를 이용하는 경우에는 매초 하나의 정보만을 이용하므로, 필요한 계산량을 현저하게 감소시킬 수 있다. 다만, 정확도의 면에서는 누적절대속도 및 누적절대변위를 활용하는 경우에 비하여 다소 낮아질 수 있다. In the case of the cumulative absolute velocity or the cumulative absolute displacement, the ground acceleration value and the ground speed value are required to be 100 sampling / sec or more per second. However, when using the BSPGA or BSPGV, only one information is used every second, . However, in terms of accuracy, it may be somewhat lower than when utilizing the cumulative absolute velocity and cumulative absolute displacement.
구체적으로, Specifically,
을 이용하여 상기 BSPGA를 구할 수 있으며, 상기 pis는 앞서 설명한 바와 동일하므로, 각 단위시간 내의 최대 지반가속도값 중에서 기준지반가속도(ath)보다 큰 지반가속도만이 적산될 수 있다. 따라서, 상기 기준지반가속도(ath)보다 작은 지반가속도값은 상기 적산에서 제외할 수 있으며, 이로인해 상기 적산에서 잡음신호를 배제할 수 있다. 여기서, 상기 pis대신에 p?s를 입력하고, ais(t) 대신에 vis(t)를 입력하면 상기 BSPGV도 동일한 방식으로 구할 수 있다.
The BSPGA can be obtained by using BSPGA. Since p is the same as described above, only the ground acceleration greater than the reference ground acceleration a th among the maximum ground acceleration values within each unit time can be accumulated. Therefore, the ground acceleration less than the reference ground acceleration (a th ) can be excluded from the integration, thereby eliminating the noise signal in the integration. Here, p instead of the p is? s and input is is (t) instead of a is (t), the BSPGV can be obtained in the same manner.
상기 분석부(20)는 상기 계산된 특성파라미터를 인공신경망 함수에 입력하여 지진규모를 계산할 수 있으며, 상기 인공신경망 함수는 특히, TLFF(Two Layer Feed-Forward) 함수일 수 있다. The
구체적으로, 도3에 도시된 바와 같이, 상기 분석부(20)는 인공신경망을 형성할 수 있다. 먼저, 상기 인공신경망에는 (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 포함할 수 있다. 또한, 상기 인공신경망에는, 상기 입력노드와 연계되는 각각의 중간노드에 대하여 설정되는 (P+1)*(Q+1)개의 제1 가중치 및 상기 중간노드와 연계되는 출력노드에 설정되는 (Q+1)개의 제2 가중치가 포함될 수 있다. 여기서, 상기 입력노드 각각에 상기 특성파라미터를 대응하여 입력하면, 상기 입력노드와 중간노드, 중간노드와 출력노드 사이의 관계에 의하여 상기 출력노드에 지진규모가 출력될 수 있다. Specifically, as shown in FIG. 3, the
상기 인공신경망 함수는 The artificial neural network function
와 같이 수식으로 나타낼 수 있다. 여기서, y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1일 수 있다. 상기 g(x)는 상기 인공신경망 함수에 비선형 특성을 부여하기 위한 것으로서, 상기 수식에 나타난 바와 같이 logsig 함수를 활용할 수 있으며, 상기 logsig 함수 이외에 tansig함수를 이용하는 것도 가능하다. As shown in Fig. Here, y is an output node, x p the p-th input node, w (1) qp is p-th input node and the q-th first weight between the intermediate node, w (2) q is the q-th intermediate node and the output node , X 0 = 1. The g (x) is for imparting a nonlinear characteristic to the artificial neural network function. The logig function can be used as shown in the above equation. In addition to the logsig function, the tansig function can also be used.
상기 인공신경망 함수를 이용하여 정확한 지진규모를 도출하기 위해서는, 상기 제1 가중치 및 제2 가중치의 설정이 중요하다. 상기 가중치는, 과거에 관측된 지진의 지진신호와 지진규모 등이 포함된 지진관측자료를 이용하여 상기 인공신경망 함수를 학습(training)시키는 방식으로 설정할 수 있다. 즉, 상기 지진관측자료에 나타난 특성파라미터를 입력하였을 때 상기 지진관측자료에 나타난 지진규모가 도출되도록 상기 제1 가중치 및 제2 가중치를 조절하는 방식으로 상기 제1 가중치 및 제2 가중치를 설정할 수 있다. In order to obtain an accurate earthquake scale using the artificial neural network function, it is important to set the first weight and the second weight. The weight can be set by training the artificial neural network function using seismic observation data including an earthquake signal and an earthquake scale of an earthquake observed in the past. That is, the first weight value and the second weight value can be set by adjusting the first weight value and the second weight value so as to derive the seismic scale indicated in the seismic observation data when the characteristic parameter represented by the seismic observation data is input .
예를들어, 상기 특성파라미터로,For example, with the characteristic parameter,
를 상기 입력노드에 각각 입력하면, 상기 각각의 특성파라미터에 대하여 상기 제1 가중치 및 제2 가중치가 적용되어, y값인 지진규모가 도출될 수 있다. 여기서, lnPGA, lnCAV, lnPGV, lnCAD, lnVs는 각각 PGA, CAV, PGV, CAD에 대한 자연로그값이다.
Is input to the input node, the first weight and the second weight are applied to each of the characteristic parameters, and an earthquake scale of y value can be derived. Here, lnPGA, lnCAV, lnPGV, lnCAD, and lnVs are the natural logarithm values for PGA, CAV, PGV, and CAD, respectively.
추가적으로, 도4에 도시한 바와 같이, 상기 분석부(20)는 두개의 인공신경망 함수(TLFF1, TLFF2)를 이용하여 지진규모를 도출하는 것도 가능하다. 즉, 서로 다른 복수개의 기준지반가속도(ath) 및 기준지반속도(vth)설정한 후, 상기 각각의 기준지반가속도 및 기준지반속도에 의한 PGA, CAV, PGV, CAD 등을 인공신경망 함수(TLFF1)에 입력하여, 각각의 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모를 도출할 수 있다.In addition, as shown in FIG. 4, the
이후, 상기 복수개의 지진규모를 하나의 후보군으로 설정한 후, 상기 후보군을 제2 인공신경망 함수(TLFF2)에 입력하여, 상기 후보군에 있는 지진규모 중에서 최적의 지진규모를 도출하도록 할 수 있다. Thereafter, the plurality of earthquake magnitudes are set as one candidate group, and the candidate group is input to the second artificial neural network function (TLFF2), so that an optimal earthquake scale can be derived from the earthquake magnitude in the candidate group.
상기 기준지반가속도 및 기준지반속도에 따라 상기 계산되는 지진규모는 달라질 수 있으며, 상기 기준지반가속도 및 기준지반속도의 설정에 따라 지진파의 포락형상을 지진규모 추정에 간접적으로 반영하며, 상기 지진신호에 포함된 잡음의 제거정도를 달리 할 수 있다. 따라서, 상기 기준지반가속도 및 기준지반속도를 변화하면서 복수개의 후보군을 생성한 후, 상기 후보군 중에서 최적의 지진규모를 도출하도록 함으로써, 보다 정확하게 지진규모를 계산할 수 있다. The calculated earthquake magnitude can be changed according to the reference ground acceleration and the reference ground velocity and indirectly reflects the shape of the seismic envelope to the earthquake scale estimation according to the setting of the reference ground acceleration and the reference ground velocity, The degree of elimination of the included noise may be different. Therefore, it is possible to calculate the seismic scale more accurately by generating a plurality of candidate groups while changing the reference ground acceleration and the reference ground velocity, and then deriving an optimal seismic scale from the candidate groups.
또한, 주변 잡음 신호에 강인한 특성을 가지는 지반속도는, MMI(Modified Mercalli Intensity) 등급에 의하여 정량화되는 지진진도(Sesimic Intensity)와 연계될 수 있으므로, 상기 지진진도와 관련하여 상기 기준지반속도를 설정할 수 있다. 예를들어, 사람이 인지할 수 있는 유감진도에 해당하는 지반속도를 알 수 있으며, 상기 유감진도에 해당하는 지반속도를 상기 기준지반속도로 설정하면, 상기 유감진도 이상인 경우에만 상기 지진규모를 도출하도록 할 수 있다.
In addition, since the ground speed having a strong characteristic to the ambient noise signal can be associated with the Sesimic Intensity quantified by the MMI (Modified Mercalli Intensity) class, the reference ground speed can be set in relation to the seismic intensity have. For example, it is possible to know the ground speed corresponding to the perceived acceleration of a person, and if the ground speed corresponding to the perceived acceleration is set to the reference ground speed, .
추가적으로, 상기 분석부(20)는, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우가 발생하면, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정할 수 있다. 즉, 상기 누적절대속도가 0인 경우에는 lnCAV의 값을 계산하는 것이 불가능하므로 상기 지진규모를 계산할 수 없게 된다. 그러므로, 나머지 상기 누적절대속도가 0이 아닌 경우에 측정된 지진규모에 대한 평균을 구하여 상기 누적절대속도가 0인 경우의 지진규모로 선택하도록 할 수 있다. In addition, when the value of the accumulated absolute velocity is calculated as 0 according to the value of the reference ground acceleration, the
또한, 상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우에는 상기 지진규모 계산을 종료할 수 있다. 상기 누적절대변위가 0인 경우는 기준지반속도를 초과하는 지반속도가 계측되지 않은 경우에 해당하므로, 이 경우 의미있는 지반진동이 없었던 것으로 볼 수 있다. 따라서, 상기 누적절대변위가 0인 경우에는 상기 지진규모계산을 중단하도록 할 수 있다.
Also, if the value of the cumulative absolute displacement is calculated as 0 according to the value of the reference ground speed, the earthquake scale calculation may be terminated. If the cumulative absolute displacement is zero, it corresponds to the case where the ground speed exceeding the reference ground speed is not measured, so that it can be considered that there is no significant ground vibration in this case. Therefore, if the accumulated absolute displacement is zero, the earthquake scale calculation can be stopped.
도5는 본 발명의 일 실시예에 의한 지진측정방법을 나타내는 순서도이다.5 is a flowchart showing an earthquake measuring method according to an embodiment of the present invention.
도5를 참조하면, 본 발명의 일 실시예에 의한 지진측정방법은 지진파감지단계(S10), 특성파라미터 계산단계(S20) 및 지진규모도출단계(S30)를 포함할 수 있다. Referring to FIG. 5, an earthquake measuring method according to an embodiment of the present invention may include a seismic wave sensing step (S10), a characteristic parameter calculating step (S20), and an earthquake scale deriving step (S30).
이하, 도5를 참조하여 본 발명의 일 실시예에 의한 지진측정방법을 설명한다.
Hereinafter, an earthquake measuring method according to an embodiment of the present invention will be described with reference to FIG.
지진파감지단계(S10)는, 지진에 의하여 발생하는 지진파를 감지하여 지진신호를 생성할 수 있다. 상기 지진파감지단계(S10)는 지진계를 이용하여 상기 지진파를 감지할 수 있으며, 상기 지진파로부터 지반가속도, 지반속도 등을 측정할 수 있다. 구체적으로, 상기 지반가속도 및 지반속도는 단위시간당 기 설정된 횟수로 샘플링될 수 있다. 상기 지반속도는 상기 지반가속도를 적분하는 방식으로 계산할 수도 있다.
The seismic wave sensing step S10 may generate an earthquake signal by sensing a seismic wave generated by the earthquake. In the sensing step S10, the seismic wave can be detected using a seismometer, and the ground acceleration and the ground speed can be measured from the seismic wave. Specifically, the ground acceleration and the ground speed can be sampled by a predetermined number of times per unit time. The ground speed may be calculated by integrating the ground acceleration.
특성파라미터 계산단계(S20)는, 상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산할 수 있다. 상기 특성파라미터에는 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement) 등을 포함할 수 있다. The characteristic parameter calculation step (S20) can calculate a characteristic parameter indicating the characteristic of the earthquake from the seismic signal. The characteristic parameters include Peak Ground Acceleration (PGA), Peak Ground Velocity (PGV), Cumulative Absolute Velocity (CAV), and Cumulative Absolute Displacement (CAD) can do.
여기서, 도2에 도시된 바와 같이, 상기 최대지반가속도(PGA)는 지진지속시간(N) 동안 측정되는 지반가속도 중에서 최대값에 해당하고, 상기 최대지반속도(PGV)는 지진지속시간(N)동안 측정되는 지반속도 중에서 최대값에 해당한다. 2, the maximum ground acceleration (PGA) corresponds to a maximum value among the ground acceleration measured during the earthquake duration N, and the maximum ground speed PGV corresponds to the earthquake duration N, Of the measured ground velocity.
또한, 상기 누적절대속도 및 누적절대변위는, In addition, the cumulative absolute velocity and the cumulative absolute displacement may be calculated by the following equation
를 이용하여 각각 계산할 수 있다. 여기서, CAV는 누적절대속도, CAD는 누적절대변위, , , , t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수에 해당한다. Respectively. Where CAV is the cumulative absolute velocity, CAD is the cumulative absolute displacement, , , , t is the time, a th is the reference ground acceleration, v th is the reference ground velocity, N is the seismic duration, and n s is the number of samples per unit time.
이외에도, 지진파를 관측하는 관측장소에 따른 고유의 값인 Vs를 상기 특성 파라미터로 더 포함할 수 있으며, 상기 누적절대속도 및 누적절대변위 대신에, BSPGA(BSPGA: Bracketed Summation of Peak Gound Acceleration per second) 및 BSPGV(BSPGV: Bracketed Summation of Peak Gound velocity per second)를 상기 특성파라미터로 계산하여 활용하는 것도 가능하다. 상기 Vs, BSPGA 및 BSPGV는 앞서 설명하였으므로, 여기서는 자세한 설명을 생략한다.
In addition, the characteristic parameter may further include a characteristic value Vs, which is an inherent value according to the observation place where the seismic wave is observed. Instead of the cumulative absolute velocity and the cumulative absolute displacement, BSPGA (Bracketed Summation of Peak Gauss Acceleration per second) It is also possible to calculate BSPGV (BSPGV: Bracketed Summation of Peak Gound velocity per second) by using the characteristic parameter. Since Vs, BSPGA, and BSPGV have been described above, detailed description is omitted here.
지진규모도출단계(S30)는, 상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출할 수 있다. 여기서, 상기 인공신경망 함수는 TLFF(Two Layer Feed-Forward) 함수일 수 있다. In the earthquake scale derivation step S30, the characteristic parameter may be inputted to an artificial neural network (ANN) function to derive the earthquake magnitude of the earthquake. Here, the artificial neural network function may be a two layer feed-forward (TLFF) function.
구체적으로, 도3에 도시된 바와 같이, (P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하여 인공신경망을 형성할 수 있으며, 상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정할 수 있다. 이후, 상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시킬 수 있다. Specifically, as shown in FIG. 3, an input layer including (P + 1) input nodes, a hidden layer including (Q + 1) intermediate nodes, and a single output (P + 1) * (Q + 1) first weights for each intermediate node associated with the input node, and a second weight for each intermediate node associated with the input node, (Q + 1) second weights for the output node associated with the intermediate node. Thereafter, each of the input nodes may correspond to the characteristic parameter, and the output node may correspond to the earthquake scale.
상기 인공신경망 함수는, Wherein the artificial neural network function comprises:
와 같이 나타낼 수 있으며, y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1일 수 있다. 따라서, 상기 입력노드에 상기 특성파라미터를 입력하면, 상기 인공신경망 함수에 의하여 지진규모가 계산되어 도출될 수 있다. 예를들어, 를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출할 수 있다.
And can be expressed as, y is an output node, x p the p-th input node, w (1) qp is p first weight between the second input node and the q-th intermediate node, w (2) q is the q-th intermediate A second weight between the node and the output node, x 0 = 1. Accordingly, when the characteristic parameter is input to the input node, the seismic scale can be calculated and derived by the artificial neural network function. E.g, Can be input to the input node to derive the earthquake magnitude.
여기서, 상기 인공신경망 함수를 통하여 정확한 지진규모를 계산하기 위해서는, 상기 제1 가중치 및 제2 가중치의 설정이 중요하다. 따라서, 상기 제1 가중치 및 제2 가중치 설정을 위한 인공신경망 학습단계(미도시)를 더 포함할 수 있다. 상기 인공신경망 학습단계는 상기 지진파감지 이전에 수행될 수 있다. Here, in order to calculate an accurate earthquake scale through the artificial neural network function, it is important to set the first weight and the second weight. Therefore, it is possible to further include an artificial neural network learning step (not shown) for setting the first weight and the second weight. The artificial neural network learning step may be performed before the detection of the seismic wave.
구체적으로, 인공신경망 학습단계는, 기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습할 수 있으며, 상기 학습을 통하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 제1 가중치 및 제2 가중치를 설정할 수 있다. 상기 지진관측자료는 과거에 관측된 지진의 지진신호와 상기 지진의 지진규모에 관한 정보를 포함하는 것일 수 있다.
Specifically, in the artificial neural network learning step, the artificial neural network function can be learned by using characteristic parameters and seismic scale included in the measured earthquake observation data, and through the learning, A first weight and a second weight for outputting a corresponding magnitude of the earthquake can be set. The seismic observation data may include an earthquake signal of an earthquake observed in the past and information on an earthquake scale of the earthquake.
추가적으로, 상기 지진규모도출단계(S30)는, 제1 과정을 통하여 서로 다른 복수개의 기준지반가속도 및 기준지반속도에 대응하는 복수개의 지진규모를 계산할 수 있으며, 이후 제2 과정을 통하여 상기 복수개의 지진규모 중에서 최적의 지진규모를 선택할 수 있다. In addition, the earthquake scale derivation step S30 may calculate a plurality of earthquake magnitudes corresponding to a plurality of different reference ground acceleration and reference ground velocity through a first process, and then, through the second process, You can choose the optimal earthquake scale from the scale.
구체적으로, 상기 제1 과정은 서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력할 수 있다. 상술한 특성파라미터의 식에 제시된 바와 같이, 상기 기준지반속도 및 기준지반가속도가 달라지면 상기 특성파라미터의 값이 달라질 수 있다. 따라서, 상기 기준지반가속도 및 기준지반속도의 설정을 달리하면, 복수개의 서로 다른 지진규모를 계산할 수 있으며, 상기 복수개의 지진규모를 이용하여 후보군을 형성할 수 있다. Specifically, the first process may input characteristic parameters, which are respectively applied to a plurality of different reference ground acceleration and reference ground speed, to the artificial neural network function. As shown in the equation of the characteristic parameter, if the reference ground speed and the reference ground acceleration are different, the value of the characteristic parameter may be changed. Therefore, if the reference ground acceleration and the reference ground speed are set differently, a plurality of different earthquake magnitudes can be calculated, and a candidate group can be formed using the plurality of earthquake magnitudes.
여기서, 상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우가 발생할 수 있다. 이 경우 상기 누적절대속도에 대한 로그값을 구하는 것이 불가능하므로, 상기 지진규모를 계산할 수 없다. 다만, 이후 제2 과정을 통하여 최적의 지진규모값을 도출하기 위해서는 지진규모를 설정할 필요가 있으므로, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 할 수 있다. Here, the value of the accumulated absolute velocity may be calculated as 0 according to the value of the reference ground acceleration. In this case, it is impossible to calculate the logarithm of the cumulative absolute velocity, so that the earthquake scale can not be calculated. However, since it is necessary to set an earthquake scale in order to derive an optimal earthquake scale value through the second process, an average value of the earthquake scale calculated when the cumulative absolute velocity is not 0 can be used as the earthquake scale.
또한, 상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우가 발생할 수 있으며, 이 경우에는 상기 지진규모 계산을 종료할 수 있다. 특히, 상기 누적절대변위의 값이 0인 경우에는 기준지반속도를 초과하는 지반속도가 계측되지 않은 경우에 해당하므로, 이 경우 의미있는 지반진동이 없었던 것으로 볼 수 있다. 따라서, 상기 누적절대변위가 0인 경우에는 상기 지진규모계산을 중단할 수 있다. Also, the value of the accumulated absolute displacement may be calculated as 0 according to the value of the reference ground speed. In this case, the earthquake scale calculation may be terminated. Particularly, when the cumulative absolute displacement value is 0, it corresponds to the case where the ground speed exceeding the reference ground speed is not measured, so that it can be considered that there is no significant ground vibration. Therefore, if the cumulative absolute displacement is zero, the earthquake scale calculation can be stopped.
제2 과정은, 상기 후보군을 제2 인공신경망 함수에 입력할 수 있으며, 상기 후보군에 포함된 지진규모 중에서 최적의 지진규모값을 도출할 수 있다. 여기서, 상기 제2 인공신경망 함수는 상기 서로 다른 기준지반가속도 및 기준지반속도에 따라 계산된 지진규모 중에서 최적의 지진규모값을 도출하도록 설정된 것일 수 있다. 즉, 상기 제2 인공신경망 함수는, 기 측정된 지진관측자료를 이용하여 계산한 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습된 것일 수 있다.
In the second step, the candidate group may be input to the second artificial neural network function, and an optimal seismic scale value may be derived from the seismic scale included in the candidate group. Here, the second artificial neural network function may be set to derive an optimal seismic scale value from the seismic scale calculated according to the different reference ground acceleration and the reference ground velocity. That is, the second artificial neural network function may be learned to derive an earthquake scale closest to the actual earthquake magnitude stored in the earthquake observation data among a plurality of earthquake scale values calculated using the measured earthquake observation data .
도6 내지 도8은, 지반속도를 이용한 지진규모 추정에 의한 개선효과를 검토하기 위하여, 국내외 지진가속도자료(국내 606개, 유럽강진DB 365개, 미국 NGA 2,883개)에 상기 본 발명의 일 실시예에 의한 지진측정방법을 적용한 비교표 및 그래프이다. 상기 지진가속도자료의 초당 샘플링수는 100이상이며, 속도자료로의 변환을 위하여 4차 버트워스(buttworth) 저주파차단(차단주파수 = 0.075Hz) 필터를 적용하고 시간영역에서 적분하였다. 도6의 PGA, PGV, BSPGA, BSPGV는 2개의 수평성분 시간이력에 대해 계산된 값의 기하평균을 사용하였다. 분석은 5가지 경우(① ~ ⑤)에 대하여 수행하였으며, 지반속도 추가에 따른 오차저감효과 및 다수의 기준지반가속도 및 기준지반속도(ath, vth)에 대한 지진규모의 최적조합방법 적용에 따른 오차저감 효과를 살펴볼 수 있다. FIGS. 6 to 8 are graphs showing the effect of the seismic scale estimation using the ground speed on the earthquake acceleration data (606 in Korea, 365 in Europe, and 2,883 in US NGA) A comparison chart and a graph to which an earthquake measuring method according to the example is applied. The number of samples per second of the seismic acceleration data is over 100, and a fourth order buttworth low frequency cutoff (cutoff frequency = 0.075Hz) filter is applied for the conversion into the velocity data and integrated in the time domain. The PGA, PGV, BSPGA, and BSPGV in FIG. 6 use the geometric mean of the calculated values for the two horizontal component time histories. The analysis was carried out for five cases (① ~ ⑤), and the application of the optimal combination method of earthquake scale to the reference ground acceleration (a th , v th ) The error reduction effect can be observed.
구체적으로 ①과 ②, ③과 ④의 경우를 비교하면 지반속도 추가에 따른 오차 저감효과를 확인할 수 있으며, 도6 및 도7에 도시된 바와 같이 20%의 오차저감효과를 얻을 수 있다. 또한, ⑤dhk ③, ⑤와 ④를 비교하면 다수의 기준지반가속도 및 기준지반속도(ath, vth) 적용에 따른 오차저감 효과를 확인할 수 있으며, 도6 및 도8에 도시된 바와 같이 20%의 추가적인 오차저감효과를 얻을 수 있음을 확인할 수 있다.
Specifically, comparing the cases of (1) and (2), (3) and (4), it is possible to confirm the error reduction effect according to the addition of the ground speed and to obtain an error reduction effect of 20% as shown in FIG. 6 and FIG. Also, comparing
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
The present invention is not limited to the above-described embodiments and the accompanying drawings. It will be apparent to those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims.
10: 지진계 20: 분석부
S10: 지진파감지단계 S20: 특성파라미터 계산단계
S30: 지진규모도출단계10: Seismometer 20: Analysis department
S10: Seismic wave detection step S20: Characteristic parameter calculation step
S30: Steps to derive earthquake scale
Claims (16)
상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하는 특성파라미터 계산단계; 및
상기 특성파라미터를 인공신경망(ANN: Artificial Neural Network) 함수에 입력하여, 상기 지진의 지진규모를 도출하는 지진규모도출단계를 포함하는 지진측정방법.
A seismic wave sensing step of sensing an earthquake wave generated by an earthquake to generate an earthquake signal;
A characteristic parameter calculation step of calculating a characteristic parameter indicating a characteristic of the earthquake from the seismic signal; And
And inputting the characteristic parameter into an artificial neural network (ANN) function to derive an earthquake magnitude of the earthquake.
상기 특성파라미터로 최대지반가속도(PGA: Peak Ground Acceleration), 최대지반속도(PGV: Peak Ground Velocity), 누적절대속도(CAV: Cumulative Absolute Velocity) 및 누적절대변위(CAD: Cumulative Absolute Displacement)를 포함하는 지진측정방법.
The method according to claim 1, wherein the characteristic parameter calculation step
The characteristic parameters include a peak ground acceleration (PGA), a peak ground velocity (PGV), a cumulative absolute velocity (CAV), and a cumulative absolute displacement (CAD) Earthquake measurement method.
지진지속시간 동안 측정되는 지반가속도 및 지반속도 중에서, 각각의 최대값을 계산하여 상기 최대지반가속도 및 최대지반속도로 설정하는 지진측정방법.
3. The method according to claim 2, wherein the characteristic parameter calculation step
A maximum earth acceleration and a maximum ground velocity are calculated by calculating a maximum value among the ground acceleration and the ground velocity measured during the earthquake duration time.
여기서, CAV는 누적절대속도, CAD는 누적절대변위, , , , t는 시간, ath는 기준지반가속도, vth는 기준지반속도, N은 지진지속시간, ns는 단위시간당 샘플링수를 이용하여, 상기 누적절대속도 및 누적절대변위를 계산하는 지진측정방법.
4. The method according to claim 3, wherein the characteristic parameter calculation step
Where CAV is the cumulative absolute velocity, CAD is the cumulative absolute displacement, , , , where t is the time, a th is the reference ground acceleration, v th is the reference ground speed, N is the seismic duration, and n s is the seismic measurement method for calculating the cumulative absolute velocity and cumulative absolute displacement using the number of samples per unit time .
상기 인공신경망 함수로 TLFF(Two Layer Feed-Forward) 함수를 이용하는 지진측정방법.
2. The method of claim 1, wherein the step
Wherein the artificial neural network function is a two layer feed-forward (TLFF) function.
(P+1)개의 입력노드를 포함하는 입력레이어(input layer), (Q+1)개의 중간노드를 포함하는 히든레이어(hidden layer) 및 1개의 출력노드를 포함하는 출력레이어(output layer)를 설정하고,
상기 입력노드와 연계되는 각각의 중간노드에 대한 (P+1)*(Q+1)개의 제1 가중치와 상기 중간노드와 연계되는 출력노드에 대한 (Q+1)개의 제2가중치를 설정하며,
상기 입력노드 각각에 상기 특성파라미터를 대응시키고, 상기 출력노드에는 상기 지진규모를 대응시켜, 인공신경망을 형성하는 지진측정방법.
6. The method of claim 5, wherein the step
An output layer including an input layer including (P + 1) input nodes, a hidden layer including (Q + 1) intermediate nodes, and an output node Setting,
(P + 1) * (Q + 1) first weights for each intermediate node associated with the input node and a (Q + 1) second weight for output nodes associated with the intermediate node, ,
Wherein the characteristic parameter is associated with each of the input nodes, and the earthquake scale is associated with the output node, thereby forming an artificial neural network.
y는 출력노드, xp는 p번째 입력노드, w(1) qp는 p번째 입력노드와 q번째 중간노드 사이의 제1 가중치, w(2) q는 상기 q번째 중간노드와 출력노드 사이의 제2 가중치, x0 = 1인 인공신경망함수를 이용하여, 상기 지진규모를 도출하는 지진측정방법.
7. The method of claim 6, wherein the step
y is between the output node, x p the p-th input node, w (1) qp is the first weight between the p-th input node and the q-th intermediate node, w (2) q is the q-th intermediate node and the output node A second weight, x 0 = 1, is used to derive the earthquake magnitude.
기 측정된 지진관측자료에 포함된 특성파라미터 및 지진규모를 이용하여 상기 인공신경망함수를 학습하여, 상기 인공신경망함수에 상기 특성파라미터가 입력되면 대응하는 지진규모를 출력하도록 하는 상기 제1 가중치 및 제2 가중치를 설정하는 인공신경망 학습단계를 더 포함하는 지진측정방법.
8. The method of claim 7,
Wherein the first and second weights are obtained by learning the artificial neural network function using characteristic parameters and seismic scale included in the measured seismic observation data and outputting the corresponding seismic scale when the characteristic parameter is input to the artificial neural network function, And an artificial neural network learning step of setting a second weight.
를 상기 입력노드에 각각 입력하여 상기 지진규모를 도출하며, 상기 Vs은 지표로부터 기 설정된 깊이까지의 평균전단파속도인 지진측정방법.
8. The method according to claim 7, wherein the earthquake scale derivation step
The input node is input to the input node to derive the seismic scale, and Vs is an average shear wave velocity from the surface to a predetermined depth.
서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출하는 제1 과정; 및
상기 후보군을 제2 인공신경망 함수에 입력하여, 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 제2 과정을 포함하는 지진측정방법.
8. The method according to claim 7, wherein the earthquake scale derivation step
A first step of inputting a characteristic parameter to which a plurality of different reference ground acceleration and a reference ground speed are respectively applied to the artificial neural network function and deriving a candidate group of the earthquake magnitude calculated corresponding to the plurality of reference ground acceleration and the reference ground speed ; And
And a second step of inputting the candidate group to a second artificial neural network function to derive an earthquake scale value from among the earthquake magnitudes included in the candidate group.
상기 기준지반가속도의 값에 따라 상기 누적절대속도의 값이 0으로 계산되는 경우에는, 상기 누적절대속도가 0이 아닌 경우에 계산되는 지진규모의 평균값을 상기 지진규모로 설정하는 지진측정방법.
11. The method of claim 10, wherein the first step
And an average value of the seismic scale calculated when the cumulative absolute velocity is not 0 when the value of the cumulative absolute velocity is calculated as 0 according to the value of the reference ground acceleration.
상기 기준지반속도의 값에 따라 상기 누적절대변위의 값이 0으로 계산되는 경우에는, 상기 지진규모 계산을 종료하는 지진측정방법.
11. The method of claim 10, wherein the first step
And terminating the calculation of the earthquake scale when the value of the cumulative absolute displacement is calculated as 0 according to the value of the reference ground speed.
기 측정된 지진관측자료를 이용하여 생성한 기준지반가속도 및 기준지반속도에 따른 복수개의 지진규모값 중에서, 상기 지진관측자료에 저장된 실제지진규모와 가장 근접한 지진규모를 도출하도록 학습된 지진측정방법.
11. The method of claim 10, wherein the second artificial neural network function
A method of measuring an earthquake of a plurality of seismic scale values according to a reference ground acceleration and a reference ground velocity generated by using the measured seismic observation data to derive the seismic scale closest to the actual earthquake magnitude stored in the seismic observation data.
상기 지진신호로부터 상기 지진의 특성을 나타내는 특성파라미터를 계산하고, 상기 특성파라미터를 인공신경망함수에 입력하여, 상기 지진의 지진규모를 도출하는 분석부를 포함하는 지진측정장치.
A seismometer that generates an earthquake signal by sensing seismic waves generated by earthquakes; And
And an analyzing section for calculating a characteristic parameter representing a characteristic of the earthquake from the seismic signal and inputting the characteristic parameter to an artificial neural network function to derive an earthquake scale of the earthquake.
적어도 최대지반속도 및 누적절대변위를 상기 특성파라미터로 포함하는 지진측정장치.
15. The apparatus of claim 14, wherein the analyzer
Wherein at least the maximum ground speed and the cumulative absolute displacement are included as the characteristic parameters.
서로 다른 복수개의 기준지반가속도 및 기준지반속도를 각각 적용한 특성파라미터를 상기 인공신경망 함수에 입력하고, 상기 복수개의 기준지반가속도 및 기준지반속도에 대응하여 계산된 지진규모의 후보군을 도출한 후, 상기 후보군을 제2 인공신경망 함수에 입력하여 상기 후보군에 포함된 지진규모 중에서 하나의 지진규모값을 도출하는 지진측정장치.15. The apparatus of claim 14, wherein the analyzer
A plurality of different reference ground accelerations and a reference ground speed are respectively inputted to the artificial neural network function to derive a candidate group of earthquake magnitudes calculated corresponding to the plurality of reference ground accelerations and the reference ground speed, And inputting the candidate group to a second artificial neural network function to derive one earthquake scale value among the earthquake magnitudes included in the candidate group.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130115172A KR102044041B1 (en) | 2013-09-27 | 2013-09-27 | Apparatus for measuring earthquake intensity and method for the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130115172A KR102044041B1 (en) | 2013-09-27 | 2013-09-27 | Apparatus for measuring earthquake intensity and method for the same |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20150035633A true KR20150035633A (en) | 2015-04-07 |
KR102044041B1 KR102044041B1 (en) | 2019-12-03 |
Family
ID=53032795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130115172A KR102044041B1 (en) | 2013-09-27 | 2013-09-27 | Apparatus for measuring earthquake intensity and method for the same |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102044041B1 (en) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180060305A (en) | 2016-11-28 | 2018-06-07 | 한전케이디엔주식회사 | Remote meter reading system to provide earthquake information |
CN110631792A (en) * | 2019-10-11 | 2019-12-31 | 东南大学 | Seismic hybrid test model updating method based on convolutional neural network |
WO2020050482A1 (en) * | 2018-09-07 | 2020-03-12 | 대한민국(행정안전부 국립재난안전연구원장) | Earthquake vibration sensor and earthquake response system using same |
KR102095751B1 (en) | 2019-05-23 | 2020-04-01 | 세종대학교산학협력단 | System and method for detecting damage in structures |
KR102098075B1 (en) * | 2019-10-30 | 2020-04-07 | 케이아이티밸리(주) | A Real-time false-picking blocking method based on machine learning for an earthquake early warning system |
US10641662B2 (en) | 2015-12-24 | 2020-05-05 | Korea Electric Power Corporation | Method for estimating geothermal gradient and device for estimating geothermal gradient |
CN111239802A (en) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | Deep learning speed modeling method based on seismic reflection waveform and velocity spectrum |
KR102238678B1 (en) * | 2020-09-04 | 2021-04-12 | 주식회사 비앤비네트웍스 | Intelligent building remote control panel incorporating earthquake monitoring device and intelligent building automatic control method using the remote control panel |
CN112882087A (en) * | 2020-11-03 | 2021-06-01 | 武汉地震科学仪器研究院有限公司 | Nuclear power plant earthquake shutdown protection system and method and nuclear power plant shutdown control system |
KR102260788B1 (en) * | 2020-11-25 | 2021-06-07 | 주식회사 아이자랩 | Method for predicting collapse of slope land |
KR102260783B1 (en) * | 2020-11-25 | 2021-06-07 | 주식회사 아이자랩 | Measuring device for predicting collapse of slope land and system for predicting collapse of slope land with the device |
WO2021196367A1 (en) * | 2020-03-30 | 2021-10-07 | 青岛理工大学 | Performance-related ground motion risk analysis method employing three-layer dataset-based neural network |
CN116643310A (en) * | 2023-07-20 | 2023-08-25 | 东北石油大学三亚海洋油气研究院 | Earthquake frequency extension method and device, electronic equipment and computer readable storage medium |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102353297B1 (en) | 2020-05-19 | 2022-01-19 | 중앙대학교 산학협력단 | Smart IoT Seismic Sensor Unit and Method using the Seismic Sensor Unit |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1164533A (en) * | 1997-08-21 | 1999-03-05 | Kajima Corp | Earthquake early detecting system having self-learning function by neural network |
JP2003255052A (en) * | 2002-03-05 | 2003-09-10 | Tokyo Gas Co Ltd | Estimating apparatus for measured seismic intensity |
JP2010025715A (en) * | 2008-07-18 | 2010-02-04 | Nippon Oil Corp | Pipe crack diagnosing apparatus and pipe crack diagnosing method |
KR20120033382A (en) | 2010-09-30 | 2012-04-09 | 한국전력공사 | Cumulative absolute velocity estimator of earthquake ground-motions |
-
2013
- 2013-09-27 KR KR1020130115172A patent/KR102044041B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1164533A (en) * | 1997-08-21 | 1999-03-05 | Kajima Corp | Earthquake early detecting system having self-learning function by neural network |
JP2003255052A (en) * | 2002-03-05 | 2003-09-10 | Tokyo Gas Co Ltd | Estimating apparatus for measured seismic intensity |
JP2010025715A (en) * | 2008-07-18 | 2010-02-04 | Nippon Oil Corp | Pipe crack diagnosing apparatus and pipe crack diagnosing method |
KR20120033382A (en) | 2010-09-30 | 2012-04-09 | 한국전력공사 | Cumulative absolute velocity estimator of earthquake ground-motions |
Non-Patent Citations (1)
Title |
---|
연관희. 신속 지진피햬통보를 위한 지반가속도의 초당 최대값 구간적산 방법의 활용에 관한 연구. 한국지진공학회 논문집. 제16권 제1호, 2012년 2월. 37-45쪽 1부.* * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10641662B2 (en) | 2015-12-24 | 2020-05-05 | Korea Electric Power Corporation | Method for estimating geothermal gradient and device for estimating geothermal gradient |
KR20180060305A (en) | 2016-11-28 | 2018-06-07 | 한전케이디엔주식회사 | Remote meter reading system to provide earthquake information |
WO2020050482A1 (en) * | 2018-09-07 | 2020-03-12 | 대한민국(행정안전부 국립재난안전연구원장) | Earthquake vibration sensor and earthquake response system using same |
US10684383B2 (en) | 2018-09-07 | 2020-06-16 | National Disaster Management Research Institute | Seismic motion sensor and earthquake response system using the same |
KR102095751B1 (en) | 2019-05-23 | 2020-04-01 | 세종대학교산학협력단 | System and method for detecting damage in structures |
CN110631792A (en) * | 2019-10-11 | 2019-12-31 | 东南大学 | Seismic hybrid test model updating method based on convolutional neural network |
KR102098075B1 (en) * | 2019-10-30 | 2020-04-07 | 케이아이티밸리(주) | A Real-time false-picking blocking method based on machine learning for an earthquake early warning system |
CN111239802A (en) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | Deep learning speed modeling method based on seismic reflection waveform and velocity spectrum |
CN111239802B (en) * | 2020-01-19 | 2021-05-28 | 中国海洋大学 | Deep learning speed modeling method based on seismic reflection waveform and velocity spectrum |
WO2021196367A1 (en) * | 2020-03-30 | 2021-10-07 | 青岛理工大学 | Performance-related ground motion risk analysis method employing three-layer dataset-based neural network |
KR102238678B1 (en) * | 2020-09-04 | 2021-04-12 | 주식회사 비앤비네트웍스 | Intelligent building remote control panel incorporating earthquake monitoring device and intelligent building automatic control method using the remote control panel |
CN112882087A (en) * | 2020-11-03 | 2021-06-01 | 武汉地震科学仪器研究院有限公司 | Nuclear power plant earthquake shutdown protection system and method and nuclear power plant shutdown control system |
CN112882087B (en) * | 2020-11-03 | 2024-02-20 | 武汉地震科学仪器研究院有限公司 | Nuclear power plant earthquake shutdown protection system, method and nuclear power plant shutdown control system |
KR102260788B1 (en) * | 2020-11-25 | 2021-06-07 | 주식회사 아이자랩 | Method for predicting collapse of slope land |
KR102260783B1 (en) * | 2020-11-25 | 2021-06-07 | 주식회사 아이자랩 | Measuring device for predicting collapse of slope land and system for predicting collapse of slope land with the device |
CN116643310A (en) * | 2023-07-20 | 2023-08-25 | 东北石油大学三亚海洋油气研究院 | Earthquake frequency extension method and device, electronic equipment and computer readable storage medium |
CN116643310B (en) * | 2023-07-20 | 2023-11-10 | 东北石油大学三亚海洋油气研究院 | Earthquake frequency extension method and device, electronic equipment and computer readable storage medium |
Also Published As
Publication number | Publication date |
---|---|
KR102044041B1 (en) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102044041B1 (en) | Apparatus for measuring earthquake intensity and method for the same | |
KR102027252B1 (en) | Methods for differentiation of earthquake signal and prediction of earthquake intensity using randomly generated artificial seismic training data for an arbitrary zone | |
CN106525226B (en) | Evaluation method and system based on-site vibration load recognition | |
Hadjileontiadis et al. | Crack detection in beams using kurtosis | |
EP3321674B1 (en) | Structure evaluation system, structure evaluation device, and structure evaluation method | |
CN105862935A (en) | Damage recognition method used for retaining wall structural system | |
JP2849297B2 (en) | Seismic intensity prediction system | |
Hui et al. | Structural damage detection based on covariance of covariance matrix with general white noise excitation | |
RU2300122C1 (en) | Mode of remote definition of the parameters of an infrasound signal near an unidentified source of the signal | |
KR101386255B1 (en) | Apparatus for measuring earthquake magnitude and distance and method for measuring the same | |
Haldar et al. | Data analysis challenges in structural health assessment using measured dynamic responses | |
EP1769267B1 (en) | Movement detection system and method | |
Kim et al. | Rayleigh wave velocity computation using principal wavelet-component analysis | |
KR100553124B1 (en) | Energy-Dissipation-Ratio based structural health monitoring method | |
Rainieri et al. | Performance assessment of selected OMA techniques for dynamic identification of geotechnical systems and closely spaced structural modes | |
Kandula et al. | Field testing of indirect displacement estimation using accelerometers | |
Bushuev et al. | Detecting changes in the condition of a pressure transucer by analysing its output signal | |
JP2021071332A (en) | Method and system for determining arrival of earthquake motion | |
Shokouhi et al. | Application of wavelet transform in detection of shallow cavities by surface waves | |
Ding et al. | MEMS-based seismic intensity instrument for earthquake early warning | |
Jozi et al. | Separation of bi-directional stress waves for the non-destructive condition assessment of in-service timber utility poles | |
KR102388378B1 (en) | Apparatus and method for analysising seismic response based on deep learning | |
Vitali et al. | Developing a system for down-hole seismic testing together with the CPTU | |
KR20050081630A (en) | Structural evaluation method using artificial neural network and dynamic-signal spectrum pattern comparison | |
Zhang et al. | A Magnitude Estimation Approach and its Application to the Yunnan Earthquake Early Warning Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |