亚洲日韩欧美一区二区三区,任你躁在线精品免费,四虎影视永久在线精品,国产日韩av在线播放

資訊內(nèi)容
研究亮點

地震動能量相關(guān)強度指標預(yù)測模型——基于SVR建立區(qū)域GMM的方法探討

發(fā)布時間： 2023-04-11 點擊數(shù)量：2957
研究背景：
基于累積能量的地震動強度指標，例如Arias（IA）和累積絕對速度（CAV）可以更為綜合的反映地震動的幅值、頻譜以及持時特征。此類地震動強度指標的預(yù)測模型（GMM）開發(fā)對于更為全面的開展概率地震危險性分析有著重要意義。隨著全球范圍內(nèi)的大量強震臺站的投入使用，現(xiàn)有地震動記錄的數(shù)量和質(zhì)量都有大幅度地增長和提高，這也使得數(shù)據(jù)密集領(lǐng)域的地震學與機器學習二者跨學科間的結(jié)合越來越緊密。在開發(fā)GMM的相關(guān)研究中，應(yīng)用機器學習中的回歸算法來開發(fā)模型的最大優(yōu)點是：在沒有預(yù)設(shè)模型具體函數(shù)形式的前提下，依靠算法本身強大的數(shù)據(jù)挖掘能力就可以捕捉到地震動數(shù)據(jù)存在的潛在衰減趨勢。而屬于這類算法的支持向量回歸（SVR）就特別適用于小樣本學習并且泛化性能良好，這對于開發(fā)區(qū)域GMM而言優(yōu)勢明顯。
研究方法及結(jié)果：
基于K-NET強震臺網(wǎng)在日本關(guān)東地區(qū)記錄到的地震動數(shù)據(jù)，應(yīng)用機器學習中的支持向量回歸算法（圖2）開發(fā)了日本關(guān)東地區(qū)能量相關(guān)強度指標（IA,CAV, DS5-75和DS5-95）的地震動模型（SVR-GMMs），并與已有相關(guān)模型進行了比較，結(jié)論和啟示如下：
1)采用數(shù)據(jù)驅(qū)動的支持向量回歸算法開發(fā)的SVR-GMMs，不僅消除了傳統(tǒng)隨機效應(yīng)回歸方法中預(yù)設(shè)模型具體函數(shù)形式可能影響預(yù)測性能的問題，并且可以有效地捕捉到區(qū)域地震動的衰減特征。
2)關(guān)東地區(qū)的兩個累積能量SVR-GMMs（IA和CAV）在近場的預(yù)測結(jié)果均高于已有模型（圖3）。這些衰減特征的差異可能與關(guān)東地區(qū)自身的場地條件有關(guān)?！芭璧匦?yīng)”會使得盆地內(nèi)地震動和盆地周邊地震動的強度、持時存在較大差異，地震動在盆地中呈不均勻分布。

3)當斷層距大于100 km時，持時的SVR-GMMs預(yù)測結(jié)果小于BMG20（圖4）。當M<5.5時，顯著持時隨距離衰減存在明顯的遠場飽和現(xiàn)象，顯著持時的飽和距離為100 km。本文開發(fā)的SVR-GMMs有效地捕捉到了顯著持時存在的這一區(qū)域衰減特征。

該成果發(fā)表在國際期刊《Seismological Research Letters》（Jinjun Hu, Chaoyue Jin*, Hui Zhang, et al. Support Vector Regression for Developing Ground-Motion Models for Arias Intensity, Cumulative Absolute Velocity, and Significant Duration for the Kanto Region, Japan, Seismological Research Letters, 2022, 93 (3): 1619–1635. doi: https://doi.org/10.1785/0220210259）（IF：3.754，*通訊作者）。

圖1 所選K-NET強震臺站和地震震源分布

圖2 支持向量回歸算法示意圖


圖3 累積能量的SVR-GMMs與已有模型的對比

圖4 持時的SVR-GMMs與已有模型的對比


<

上一篇

一種簡化的多點非平穩(wěn)地震動合成方法
>

下一篇

《強地震動按破壞強度的排序研究》專著出版