亚洲福利视频一区,视色影视,日本特黄视频

資訊內容

研究亮點

地震動能量相關強度指標預測模型——基于SVR建立區域GMM的方法探討

發布時間： 2023-04-11 點擊數量：9324

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測模型（GMM）開發對于更為全面的開展概率地震危險性分析有著重要意義。隨著全球范圍內的大量強震臺站的投入使用，現有地震動記錄的數量和質量都有大幅度地增長和提高，這也使得數據密集領域的地震學與機器學習二者跨學科間的結合越來越緊密。在開發GMM的相關研究中，應用機器學習中的回歸算法來開發模型的最大優點是：在沒有預設模型具體函數形式的前提下，依靠算法本身強大的數據挖掘能力就可以捕捉到地震動數據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，這對于開發區域GMM而言優勢明顯。

研究方法及結果：

基于K-NET強震臺網在日本關東地區記錄到的地震動數據，應用機器學習中的支持向量回歸算法（圖2）開發了日本關東地區能量相關強度指標（IA,CAV, DS5-75和DS5-95）的地震動模型（SVR-GMMs），并與已有相關模型進行了比較，結論和啟示如下：

1)采用數據驅動的支持向量回歸算法開發的SVR-GMMs，不僅消除了傳統隨機效應回歸方法中預設模型具體函數形式可能影響預測性能的問題，并且可以有效地捕捉到區域地震動的衰減特征。

2)關東地區的兩個累積能量SVR-GMMs（IA和CAV）在近場的預測結果均高于已有模型（圖3）。這些衰減特征的差異可能與關東地區自身的場地條件有關?！芭璧匦睍沟门璧貎鹊卣饎雍团璧刂苓叺卣饎拥膹姸取⒊謺r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預測結果小于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象，顯著持時的飽和距離為100 km。本文開發的SVR-GMMs有效地捕捉到了顯著持時存在的這一區域衰減特征。

該成果發表在國際期刊《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

一種簡化的多點非平穩地震動合成方法

《復雜層狀半空間場地響應分析：一種基于雙重相似性的比例邊界有限元法》論文發表