資訊內(nèi)容
/
科研工作
HybridNet：地震預(yù)警現(xiàn)地PGV預(yù)測的混合深度學(xué)習(xí)網(wǎng)絡(luò)
發(fā)布時間： 2022-12-26 點擊數(shù)量：10366研究背景：P波初期信息直接預(yù)測臺站端的峰值，隨著地震監(jiān)測預(yù)警臺網(wǎng)建設(shè)的越來越密集，所有現(xiàn)地臺站峰值預(yù)測即可以近似為地震動場，同時，地震的潛在破壞預(yù)測也依賴于準(zhǔn)確的現(xiàn)地Kanamori（
傳統(tǒng)的現(xiàn)地P波初期中提取的單個參數(shù)（如：峰值位移IV2）建立CNN、循環(huán)神經(jīng)網(wǎng)絡(luò)SVM）建立地震動峰值預(yù)測模型。然而，使用單個機器學(xué)習(xí)模型提取的特征在一定程度上存在單一性和有限性。PGV快速預(yù)測，同時也探索了基于現(xiàn)地
研究方法及結(jié)果： 1）我們提出了一個由RNN特征提取塊組成的混合深度學(xué)習(xí)網(wǎng)絡(luò)（PGV。模型采用單個臺站的多個物理特征時間序列、地震原始波形和場地特征PGV相關(guān)的信息。本研究利用日本2007-2019年記錄到的地震動記錄建立訓(xùn)練集和測試集對1展示了HybridNet模型預(yù)測的現(xiàn)地PGV與地震潛在破壞（儀器烈度）之間的關(guān)系，通過對預(yù)測的
P波到達(dá)后1給出了Pd方法、SVM模型、RNN模型）的MAE）、標(biāo)準(zhǔn)差（R2）。表MAE、R2與MAE、R2之間的差值；括號里的第二個數(shù)字是MAE和HybridNet模型的1中可以發(fā)現(xiàn)：和基線模型相比，2展示了場地特征HybridNet模型結(jié)果影響，這表明場地特征HybridNet模型輸入可以提高模型的性能。 3）對于獨立于訓(xùn)練集和測試集的M≥6.5），該工作分析了PGV對潛在破壞區(qū)域估計的可行性。圖P波到達(dá)后2中可以看到，基于PGV獲得的潛在破壞區(qū)域與ShakeMap有很好的一致性，且成功報警的準(zhǔn)確性達(dá)到了
5次地震事件，在潛在破壞場地中，圖P波到達(dá)后時間窗的關(guān)系。從圖a）中可以看到：隨著P波到達(dá)后60%。此外，在10秒時，成功報警率超過2%。從圖b）中可以看到：當(dāng)在4秒內(nèi)，平均觀測預(yù)警時間超過P波到達(dá)之后時間的增加而逐漸減小。在10秒時，平均觀測預(yù)警時間仍超過
K-NET強震動臺網(wǎng)記錄的地震動記錄，本文構(gòu)建了用于HybridNet）模型，這不同單個深度學(xué)習(xí)模型（如RNN模型），也不同于使用單個基于物理的特征（如IV2）建立HybridNet模型優(yōu)于IV2方法、CNN模型和P波到達(dá)后幾秒內(nèi)，基于PGV可以獲魯棒的潛在破壞區(qū)域估計；該方法在現(xiàn)地地震預(yù)警中有一定的應(yīng)用潛力。
該成果發(fā)表在地球物理領(lǐng)域頂刊《Zhu Jingbao, Li Shanyou, Song Jindong. Hybrid
Deep-Learning Network for Rapid On-Site Peak Ground Velocity Prediction. IF：JCR：ResearchGate:https://www.researchgate.net/publication/366422949_Hybrid_Deep-Learning_Network_for
_Rapid
_On-Site_Peak_Ground_Velocity_Prediction
圖1 HybridNet模型網(wǎng)絡(luò)架構(gòu)
圖2 P波到達(dá)后3秒時的潛在破壞區(qū)域估計和警報性能
圖3 報警性能和平均觀測預(yù)警時間與P波到達(dá)后時間窗的關(guān)系
