精品区一区二区三区,欧美成人高清视频a在线看,爱爱激情视频

資訊內(nèi)容

研究亮點(diǎn)

基于深度卷積神經(jīng)網(wǎng)絡(luò)的地震預(yù)警震級估算研究

發(fā)布時(shí)間： 2022-04-18 點(diǎn)擊數(shù)量：6531

研究背景：

震級估計(jì)是地震預(yù)警中的重要工作之一，可靠的預(yù)警信息和破壞區(qū)域的預(yù)測都依賴于準(zhǔn)確的震級估計(jì)。目前，地震預(yù)警震級估計(jì)主要采用頻率、振幅或能量參數(shù)與震級的線性統(tǒng)計(jì)關(guān)系。然而，單個(gè)參數(shù)得到的震級估計(jì)結(jié)果離散性較大。因此，地震預(yù)警震級估計(jì)的準(zhǔn)確性仍需提高。為了改進(jìn)P波到達(dá)后震級估計(jì)的準(zhǔn)確性，本文使用深度卷積神經(jīng)網(wǎng)絡(luò)建立了用于震級估計(jì)的模型（DCNN-M模型）。

研究方法及結(jié)果：

1）本文使用日本K-NET臺網(wǎng)的強(qiáng)震動記錄對建立的DCNN-M模型進(jìn)行訓(xùn)練和測試。DCNN-M模型使用從P波到達(dá)后記錄的3s地震數(shù)據(jù)中提取的12個(gè)參數(shù)作為輸入，并且該模型由四個(gè)卷積層、四個(gè)池化層、四個(gè)Batch normalization層、三個(gè)全連接層、Adam優(yōu)化器和一個(gè)輸出層組成。圖1展示了DCNN-M模型的網(wǎng)絡(luò)架構(gòu)。

2）P波到達(dá)后3秒時(shí)，對于相同的測試數(shù)據(jù)集，Tc方法、Pd方法和DCNN-M模型的震級估計(jì)如圖2所示。和Tc方法、Pd方法相比，基于DCNN-M模型的誤差明顯減小，且小震（M≤5）高估問題得到了有效的改善；此外，Tc方法和Pd方法的震級估計(jì)誤差隨震中距的變化而發(fā)生明顯的變化，而基于DCNN-M模型的誤差不受震中距變化的影響。

3）在P波到達(dá)后3秒時(shí)，基于DCNN-M模型對31次地震事件的離線測試如圖3所示。這些地震事件的預(yù)測震級與編目震級非常接近，幾乎所有的預(yù)測震級都在DCNN-M模型誤差的標(biāo)準(zhǔn)差（0.31）范圍內(nèi)。此外，這31次地震事件的震級預(yù)測誤差標(biāo)準(zhǔn)差為0.21。此外，對于7.2級以下的地震事件，DCNN-M模型獲得了可靠的結(jié)果，且沒有明顯的震級高估和低估現(xiàn)象。

4）本文的研究表明：DCNN-M模型對于地震預(yù)警系統(tǒng)有著潛在的應(yīng)用。由于本文使用的是日本K-NET臺網(wǎng)3.0-7.4級的強(qiáng)震數(shù)據(jù)對DCNN-M模型進(jìn)行訓(xùn)練，因此該模型對于7.5級以上的地震事件以及其他地區(qū)的地震事件是否適用仍需進(jìn)一步的研究。

該成果發(fā)表在期刊《Frontiers in Earth Science》（Zhu Jingbao, Li Shanyou, Song Jindong*, Wang Yuan. Magnitude estimation for earthquake early warning using a deep convolutional neural network [J]. Frontiers in Earth Science, 2021, 9:653226. doi: 10.3389/feart.2021.653226）（IF：3.498，*通訊作者）。

圖1 DCNN-M模型的網(wǎng)絡(luò)架構(gòu)

圖2 P波到達(dá)后3秒，（A,D）Tc方法、（B,E）Pd方法和（C,F）DCNN-M模型的震級估計(jì)

圖3 31次地震事件的離線應(yīng)用

基于FEMA P-58方法的鋼筋混凝土結(jié)構(gòu)抗震及減隔震性能評估

《復(fù)雜層狀半空間場地響應(yīng)分析：一種基于雙重相似性的比例邊界有限元法》論文發(fā)表