TW201819955A - 自動化校正地盤特性之現地型地震預警系統及相關方法 - Google Patents
自動化校正地盤特性之現地型地震預警系統及相關方法 Download PDFInfo
- Publication number
- TW201819955A TW201819955A TW105139172A TW105139172A TW201819955A TW 201819955 A TW201819955 A TW 201819955A TW 105139172 A TW105139172 A TW 105139172A TW 105139172 A TW105139172 A TW 105139172A TW 201819955 A TW201819955 A TW 201819955A
- Authority
- TW
- Taiwan
- Prior art keywords
- earthquake
- site
- spectral ratio
- single station
- early warning
- Prior art date
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Alarm Systems (AREA)
Abstract
一種自動化校正地盤特性之現地型地震預警系統,包含有一現地型地震儀,用來產生一地震預特徵資訊以及一地動資訊;一地震資料庫,耦接於該現地型地震儀,用來根據該地動資訊,產生至少一地盤特性參數;一人工智慧演算模組,耦接於該現地型地震儀及該地震資料庫,用來根據該地震預特徵資訊以及該至少一地盤特性參數,產生一地震預警資訊;以及一地震警報模組,耦接於該人工智慧演算模組,用來發布該地震預警資訊。
Description
本發明係指一種現地型地震預警系統及相關方法,尤指一種可自動化校正地盤特性之現地型地震預警系統與相關方法。
由於地震學、數位自動運算處理、通訊傳輸技術以及用來對大量地震參數進行分析之演算模型的演進,使得地震預警(Earthquake early warning,EEW)技術得以在過去數十年內被廣泛地研究。一般而言,地震預警技術可分為區域型(Regional)地震預警技術及現地型(On-Site)地震預警技術兩類。由於區域型地震預警技術使用來自多個設置於震央附近之地震測站的量測數據,因此區域型地震預警技術估測之地震參數的準確度,通常比現地型地震預警技術的估測準確度高。
然而,對於位處地震活動頻繁地區之建物,時常需面臨地震帶來的破壞及損失。尤其在靠近震央之區域,其震度往往遠大於震央外圍區域之震度,導致在破壞性震波抵達外圍區域前,區域型地震預警所提供的抵達時間(lead-time)有誤。有鑑於此,習知技術實有改進之必要。
因此,本發明主要提供一種可自動化校正地盤特性之現地型地震預警系統及相關方法。
本發明揭露一種現地型地震預警系統及方法,其係從單一測站量測到的垂直地表加速度(Vertical Ground Acceleration,VGA)中,擷取地震事件產生的壓力波(P-wave)之部分預特徵,據以預測即將抵達同一測站之地震震度。此外,在考量場址效應(Site Effect)的前提下,測站的地盤條件及地盤參數會影響現地型地震預警系統的預測結果,例如三十公尺深土壤之平均剪力波速(Average Shear-Wave Velocity of the Upper 30 Meters of Sediment,簡稱Vs30)、單站頻譜比(Horizontal-to-Vertical Spectral Ratio,HVSR)及其對應之主頻頻率(dominant frequency),因此上述參數可作為辨識不同測站及場址效應的地盤參數。據此,本發明透過人工智慧(Artificial Intelligence, AI)演算法,對壓力波之部分預特徵、Vs30、單站頻譜比以及其主頻頻率等參數,進行自動化校正演算,進一步估計最大地表加速度(peak ground acceleration,PGA),以降低最大地表加速度之估計值與實際量測值間的誤差。如此可提升現地型地震預警系統的準確性,以降低地震所造成的人員傷亡及經濟損失。
人工智慧演算法可做為一種非線性統計資料模型的工具,使得輸入資料與輸出資料間的複雜關聯性可被模型化。使用人工智慧模型開發現地型地震預警系統的做法可分為二階段,於第一階段,人工智慧模型可模擬不同地表運動間的交互作用以及不同傳播路徑所引起的非線性關係,以預測最大地表加速度。接著,人工智慧模型可根據現地型地震儀紀錄的壓力波部分初始訊號來預測地震震波的抵達時間。於第二階段,由於人工智慧模型的迴圈結構,使其可根據輸入資料與輸出資料,反覆地推演出可能的極大結構響應(maximum structural response)以及進行自動校正。
換言之,由於人工智慧模型可用來實現壓力波特徵與地震關鍵特徵之間的複雜非線性回歸模型,因此可根據壓力波特徵來預測最大地表加速度;同時,由於人工智慧模型可演算極大化結構響應及進行自動校正,因此可降低預測最大地表加速度的誤差,以準確評估地震可能導致的人員傷亡及經濟損失。人工智慧模型可及於多個子演算法所建立,其包含類神經網路(Artificial Neural Network,ANN)、機器學習(Machine learning)中的監督式學習(Supervised learning),其中監督式學習包含支撐向量機(Support Vector Machine,SVM)、回歸分析及統計分類等演算法。
第1圖為本發明實施例一現地地震預警系統10之示意圖。現地地震預警系統10包含有一人工智慧演算模組100、一現地型地震儀110、一地震資料庫120及一地震警報模組130。現地型地震儀110用來產生一地震預特徵資訊E_info至人工智慧演算模組100,以及產生一地動資訊S_info至地震資料庫120。地震資料庫120用來根據地動資訊S_info,產生至少一地盤特性參數S_para至人工智慧演算模組100。
人工智慧演算模組100可實現一人工智慧演算模型,用來根據地震預特徵資訊E_info以及地盤特性參數S_para,產生一演算結果RST至地震警報模組130,使地震警報模組130根據演算結果RST來發布一地震警報ALT。其中,地震預特徵資訊E_info指示由一地震事件所產生壓力波之預特徵,且地盤特性參數S_para指示至少一地盤分類、一剪力波速Vs30、一單站頻譜比及單站頻譜比對應之主頻頻率。於一實施例中,剪力波速Vs30、單站頻譜比及單站頻譜比對應之主頻頻率可由另一運算模組運算後(例如,根據剪力波速Vs30及單站頻譜比,進行傅立葉轉換,以計算單站頻譜比對應之主頻頻率),儲存於地震資料庫120中。
請注意,現地型地震預警技術運用壓力波及剪力波不同的傳播速率特性來預測地震震度,其中單一測站在地震初期紀錄的壓力波訊號可用來估計主要由剪力波造成的地表搖晃。在實作上,可根據單一測站(如現地型地震儀110)的量測結果,擷取壓力波在最初數秒量測之預特徵以及最後地震震度,再透過經驗回歸法則來預測估計主要由剪力波造成的地表搖晃。
研究顯示,藉由壓力波的六特徵,包含最大加速度絕對值、最大速度絕對值(PV
)、最大位移絕對值、等效主要週期(effective predominant period)、絕對加速度積分(integral of absolute acceleration,IAA)以及速度平方積分,可得到最準確的最大地表加速度。然而在本發明中,使用最大速度絕對值及絕對加速度積分,所得到最大地表加速度估計值,已足以逼近使用壓力波的六特徵來預測的最大地表加速度估計值。據此,為降低系統運算量,本發明僅使用最大速度絕對值及絕對加速度積分來計算最大地表加速度估計值。於一實施例中,絕對加速度積分的積分區間tp
為現地型地震儀110開始測到壓力波訊號的第零秒至第三秒的時間區段,即tp
=3秒。絕對加速度積分之計算方程式表示如下:
其中,代表在壓力波抵達後,地表運動之加速度時間歷史的垂直分量。於一實施例中,現地型地震儀110紀錄到的所有加速度訊號可一併進行積分,以得到壓力波的對應速度值。
另一方面,場址效應(On-site effect)為區域地質特性對特定頻段之地震波產生放大作用的現象,在地震學研究中具有相當的重要性。地動係由各種自然現象(如風吹、海浪、雨水等)與人為活動(如交通、機械振動等)所造成的地表小振動。與地震相比,其優點在於振動來源隨時存在,僅須短暫之測量時間即可得到足夠的可用資料。
因此,現地型地震儀110可為一地動量測儀,用來量測地動記錄(即,現地地動資訊S_info),以評估在特定測站之場址效應。因此,剪力波速Vs30、單站頻譜比及單站頻譜比對應之主頻頻率可由一地震事件或一環境震動事件產生,以將地震事件及環境震動事件(即,地動造成的場址效應)間的交互作用同時納入地震預警之考量。據此,人工智慧演算模組100根據地盤特性參數S_para指示的地盤分類、剪力波速Vs30、單站頻譜比及其對應之主頻頻率,估計最大地表加速度,以降低預測誤差。
於一實施例中,現地地震預警系統10也可運用於區域型地震預警,舉例來說,位於現地地震預警系統10偵測範圍之外的區域,若該區域與偵測範圍之地質環境類似,且對應的場址效應也具一定的相似程度,則現地地震預警系統10偵測到的地震事件亦可用於預測該區域發生的地震事件。
於一實施例中,剪力波速Vs30對應的地盤分類,可依據美國國家地震減災計畫(National Earthquake Hazard Reduction Program,簡稱NEHRP)所制定的地盤特性分類而設定,參見如下表格1。
為探究壓力波預特徵、絕對加速度積分、地盤分類、剪力波速Vs30、單站頻譜比及其對應主頻等參數,對預測最大地表加速度之準確度的影響程度,人工智慧演算模組100透過人工智慧演算法,根據不同輸入參數條件,計算出預測最大地表加速度誤差之標準差,可歸納為如下表格2。
條件(a):Pv、IAA
條件(b):Pv、IAA、NEHRP地盤分類
條件(c):Pv、IAA、Vs30
條件(d):Pv、IAA、單站頻譜比主頻
條件(e):Pv、IAA、二十單站頻譜比
其中,單站頻譜比主頻為二十筆單站頻譜比資料中,最大單站頻譜比所對應的頻率。二十單站頻譜比為相同測站紀錄的所有地震紀錄之單站頻譜比曲線的平均值,換言之,若兩個不同震動事件是由同一測站所紀錄,其可能會有相同的主頻。
第2A圖至第2D圖繪示在條件(c)下,現地地震預警系統10預測最大地表加速度對量測最大地表加速度之相關性。第3A圖至第3D圖繪示在條件(e)下,現地地震預警系統10預測最大地表加速度對量測最大地表加速度之相關性。根據表格2及第2A圖至第2D圖可知,地盤分類B、C、D在條件(c)下預測之標準差低於在條件(a)下預測之標準差。然而,地盤分類A、E在條件(c)下預測之標準差高於在條件(a)、(b)下預測之標準差。根據表格2及第3A圖至第3D圖可知,地盤分類A、B、C、D、E在條件(e)下預測之標準差最低。
由此可見,壓力波預特徵、絕對加速度積分及二十單站頻譜比為影響最大地表加速度之準確度的關鍵,其中二十單站頻譜比是根據地震紀錄所計算,而非根據環境震動紀錄。
上述關於現地地震預警系統10之運作可進一步歸納為一現地地震預警流程40,如第4圖所示。現地地震預警流程40包含以下步驟:
步驟400:開始。
步驟401:透過人工智慧演算模型,根據地震預特徵資訊以及至少一地盤特性參數,產生地震預警資訊;其中地震預特徵資訊指示壓力波之預特徵,且至少一地盤特性參數包含地盤分類、剪力波速Vs30、單站頻譜比及其對應之主頻頻率。
步驟402:結束。
關於現地地震預警流程40的詳細說明可參考上述,於此不贅述。
綜上所述,本發明透過人工智慧演算模型,對壓力波之部分預特徵、地盤分類、剪力波速Vs30、單站頻譜比以及其主頻頻率等參數,進行自動化校正演算,進一步估計最大地表加速度,以降低最大地表加速度之估計值與實際量測值間的誤差。因此,本發明可提升現地型地震預警系統的準確性,以降低地震所造成的人員傷亡及經濟損失。 以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
10‧‧‧現地地震預警系統
100‧‧‧人工智慧演算模組
110‧‧‧現地型地震儀
120‧‧‧地震資料庫
130‧‧‧地震警報模組
E_info‧‧‧地震預特徵資訊
S_info‧‧‧地動資訊
S_para‧‧‧地盤特性參數
RST‧‧‧演算結果
ALT‧‧‧地震警報
40‧‧‧流程
400、401、402‧‧‧步驟
100‧‧‧人工智慧演算模組
110‧‧‧現地型地震儀
120‧‧‧地震資料庫
130‧‧‧地震警報模組
E_info‧‧‧地震預特徵資訊
S_info‧‧‧地動資訊
S_para‧‧‧地盤特性參數
RST‧‧‧演算結果
ALT‧‧‧地震警報
40‧‧‧流程
400、401、402‧‧‧步驟
第1圖為本發明實施例一現地地震預警系統之示意圖。 第2A圖至第2D圖繪示在一特定條件下,現地地震預警系統預測最大地表加速度對量測最大地表加速度之相關性。 第3A圖至第3D圖繪示在另一特定條件下,現地地震預警系統預測最大地表加速度對量測最大地表加速度之相關性。 第4圖為本發明實施例一現地地震預警方法之流程圖。
Claims (20)
- 一種自動化校正地盤特性之現地型地震預警系統,包含有: 一現地型地震儀,用來產生一地震預特徵資訊以及一地動資訊; 一地震資料庫,耦接於該現地型地震儀,用來根據該地動資訊,產生至少一地盤特性參數; 一人工智慧演算模組,耦接於該現地型地震儀及該地震資料庫,用來根據該地震預特徵資訊以及該至少一地盤特性參數,產生一地震預警資訊;以及 一地震警報模組,耦接於該人工智慧演算模組,用來發布該地震預警資訊。
- 如請求項1所述的系統,其中該地震預特徵資訊為一壓力波於一量測時段內的一絕對加速度積分值以及一最大速度絕對值。
- 如請求項2所述的系統,其中該量測時段為第零秒至第三秒之時段。
- 如請求項2所述的系統,其中該壓力波係由一地震事件所產生。
- 如請求項1所述的系統,其中該至少一地盤特性參數包含一地盤分類、一三十公尺深土壤之平均剪力波速、一單站頻譜比以及該單站頻譜比對應之主頻。
- 如請求項5所述的系統,其中該單站頻譜比以及該單站頻譜比對應之主頻係依據一地震事件或一環境震動事件所計算。
- 如請求項5所述的系統,其中該單站頻譜比對應之主頻為二十筆單站頻譜比資料中,具有最大單站頻譜比數值所對應的頻率。
- 如請求項5所述的系統,其中該地盤特性參數另包含一二十單站頻譜比,其為該現地地震預警系統紀錄的所有地震紀錄之單站頻譜比曲線的平均值。
- 如請求項5所述的系統,其中該地盤分類係依據美國國家地震減災計畫所制定的地盤特性分類而設定。
- 如請求項1所述的系統,其中該地震預警資訊指示一預測最大地表加速度。
- 一種自動化校正地盤特性之現地型地震預警方法,用於一現地地震預警系統,該現地型地震預警方法包含有: 透過一人工智慧演算模型,根據一地震預特徵資訊以及至少一地盤特性參數,產生一地震預警資訊。
- 如請求項11所述的方法,其中該地震預特徵資訊為一壓力波於一量測時段內的一絕對加速度積分值以及一最大速度絕對值。
- 如請求項12所述的方法,其中該量測時段為第零秒至第三秒之時段。
- 如請求項12所述的方法,其中該壓力波係由一地震事件所產生。
- 如請求項11所述的方法,其中該至少一地盤特性參數包含一地盤分類、一三十公尺深土壤之平均剪力波速、一單站頻譜比以及該單站頻譜比對應之主頻。
- 如請求項15所述的方法,其中該單站頻譜比以及該單站頻譜比對應之主頻係依據一地震事件或一環境震動事件所計算。
- 如請求項15所述的方法,其中該單站頻譜比對應之主頻為二十筆單站頻譜比資料中,具有最大單站頻譜比數值所對應的頻率。
- 如請求項15所述的方法,其中該地盤特性參數另包含一二十單站頻譜比,其為該現地地震預警系統紀錄的所有地震紀錄之單站頻譜比曲線的平均值。
- 如請求項15所述的方法,其中該地盤分類係依據美國國家地震減災計畫所制定的地盤特性分類而設定。
- 如請求項11所述的方法,其中該地震預警資訊指示一預測最大地表加速度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105139172A TWI661214B (zh) | 2016-11-29 | 2016-11-29 | 自動化校正地盤特性之現地型地震預警系統及相關方法 |
JP2017000377A JP6429042B2 (ja) | 2016-11-29 | 2017-01-05 | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105139172A TWI661214B (zh) | 2016-11-29 | 2016-11-29 | 自動化校正地盤特性之現地型地震預警系統及相關方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201819955A true TW201819955A (zh) | 2018-06-01 |
TWI661214B TWI661214B (zh) | 2019-06-01 |
Family
ID=62493868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105139172A TWI661214B (zh) | 2016-11-29 | 2016-11-29 | 自動化校正地盤特性之現地型地震預警系統及相關方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6429042B2 (zh) |
TW (1) | TWI661214B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751133A (zh) * | 2020-06-08 | 2020-10-09 | 南京航空航天大学 | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 |
CN113379105A (zh) * | 2021-05-21 | 2021-09-10 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速估测方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032975B (zh) * | 2019-04-15 | 2021-09-07 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
JP6985621B2 (ja) | 2019-11-26 | 2021-12-22 | ダイキン工業株式会社 | 空調管理システム |
CN111487676B (zh) * | 2020-03-31 | 2023-04-11 | 中国地震局工程力学研究所 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
CN112630827B (zh) * | 2020-12-07 | 2024-02-02 | 中国地震局工程力学研究所 | 地表加速度峰值参数预测方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102272631B (zh) * | 2009-01-09 | 2015-03-25 | 埃克森美孚上游研究公司 | 用被动地震数据的烃探测 |
US20120123983A1 (en) * | 2010-11-15 | 2012-05-17 | Tectosense Ltd. | Automatic systems and methodologies for earthquake prediction and warning |
NZ709456A (en) * | 2010-12-17 | 2017-01-27 | Seismic Warning Systems Inc | Earthquake warning system |
TWI459019B (zh) * | 2011-08-19 | 2014-11-01 | Nat Applied Res Laboratories | 現地型地震即時分析系統與方法及其儲存媒體 |
JP6177628B2 (ja) * | 2013-08-29 | 2017-08-09 | 公益財団法人鉄道総合技術研究所 | 地中地震動を利用した即時地震動予測方法 |
JP6399947B2 (ja) * | 2015-02-25 | 2018-10-03 | Kddi株式会社 | 学習による地震判定が可能な地震判定装置、システム、プログラム及び方法 |
-
2016
- 2016-11-29 TW TW105139172A patent/TWI661214B/zh active
-
2017
- 2017-01-05 JP JP2017000377A patent/JP6429042B2/ja active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751133A (zh) * | 2020-06-08 | 2020-10-09 | 南京航空航天大学 | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 |
CN113379105A (zh) * | 2021-05-21 | 2021-09-10 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速估测方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI661214B (zh) | 2019-06-01 |
JP2018087799A (ja) | 2018-06-07 |
JP6429042B2 (ja) | 2018-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI661214B (zh) | 自動化校正地盤特性之現地型地震預警系統及相關方法 | |
KR102027252B1 (ko) | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 | |
US9465121B2 (en) | System and method for on-site instant seismic analysis | |
US9261614B2 (en) | Statistics-based seismic event detection | |
US20200217979A1 (en) | Observation-driven method based on iir wiener filter for microseismic data denoising | |
CN114063153B (zh) | 一种自动反演震源机制解的方法与装置 | |
US10317549B2 (en) | Systems and methods for non-parametric autopicking of seismic wave features from seismic data | |
Wirth et al. | Evaluating a kinematic method for generating broadband ground motions for great subduction zone earthquakes: Application to the 2003 M w 8.3 Tokachi‐Oki earthquake | |
US20130261982A1 (en) | Method and system of determining earthquake parameters, earthquake search engine | |
CN108089225A (zh) | 一种基于单台站初至p波的震级快速估算方法 | |
JP4506625B2 (ja) | リアルタイム地震情報を利用した地震動の予測システム | |
McBrearty et al. | Basal seismicity of the Northeast Greenland ice stream | |
Picozzi | An attempt of real-time structural response assessment by an interferometric approach: A tailor-made earthquake early warning for buildings | |
US20150006124A1 (en) | Method and apparatus for calculating stimulated reservoir volume by accounting for undetected microseismic events | |
CN110398775A (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN111695729B (zh) | 一种基于dmap模型的余震预测方法 | |
Raghu Kanth et al. | Stochastic finite fault modeling of subduction Zone Earthquakes in Northeastern India | |
Xu et al. | An information-theoretic approach for indirect train traffic monitoring using building vibration | |
Kim et al. | Uncertainty analysis for infrasound waveform inversion: Application to explosion yield estimation | |
CN103376465A (zh) | 建筑物楼层的地震即时分析系统及其方法与储存媒体 | |
Xie et al. | The application of neural network model in earthquake prediction in East China | |
TW201544830A (zh) | 人工智能地震判斷方法及地震偵測系統 | |
JP2019086480A (ja) | 地震警報システム | |
JP2023082905A (ja) | 地震波解析装置、方法及びプログラム | |
US11562655B2 (en) | Aircraft rescue systems and methods using predictive models |