基于数据驱动的地震预警方法:利用深度神经网络进行多组分场地谱预测
《Artificial Intelligence in Geosciences》:A Data-Driven Approach to Earthquake Early Warning: Multicomponent Site-Spectra Prediction Using Deep Neural Networks
【字体:
大
中
小
】
时间:2026年02月14日
来源:Artificial Intelligence in Geosciences 4.2
编辑推荐:
艾哈迈德·A·托尔基 | 大野纯
埃及英国大学工程学院
**摘要**
本文提出了一种混合深度学习框架,用于地震早期预警(EEW),该框架利用现场观测数据实时预测目标地点的频谱特征——具体来说是傅里叶振幅谱(FAS)和5%阻尼伪速度响应谱(pS?)。目前,该框架是针对
艾哈迈德·A·托尔基 | 大野纯
埃及英国大学工程学院
**摘要**
本文提出了一种混合深度学习框架,用于地震早期预警(EEW),该框架利用现场观测数据实时预测目标地点的频谱特征——具体来说是傅里叶振幅谱(FAS)和5%阻尼伪速度响应谱(pS?)。目前,该框架是针对特定地点的,因为用于训练和评估的现场/目标地点对是固定的。通过将卷积神经网络(CNN)前端与长短期记忆(LSTM)序列模型相结合,我们的方法能够在不需要明确源、路径或详细地质信息的情况下捕捉空间频率内容和时间相关性。在大量历史加速度记录的数据集上训练后,CNN-LSTM网络能够学习跨频谱和多组分依赖性以及区域特定的场地效应,从而快速生成物理上一致的频谱估计。我们通过五个案例研究评估了其性能,结果表明,与现有的GMPE相比,我们的模型不仅减少了FAS和pS?的预测误差,还保留了对于可靠EEW至关重要的频谱形状和跨周期相关性。所开发的技术能够以非常低的延迟进行目标地点的估计,提供实时能力。与传统基于GMPE的预警系统相比,我们的数据驱动方法能够显著加快预警发布速度并提高震动强度预测的准确性。最后,我们概述了嵌入场地距离和物理信息约束的方法、扩展观测数据集以及提高模型在地震需求预测中实用性的途径,这些都是实现快速EEW系统的关键步骤。
**1. 引言**
地震是最具破坏性的自然灾害之一,对日本的城市、建筑物和基础设施造成了灾难性破坏[1]。快速评估强烈的地面运动对于评估建筑物的地震需求、估计潜在的人员伤害以及指导应急响应至关重要。虽然基于物理的模拟方法(如通过有限差分、有限元或谱元方法求解波动传播)可以提供详细的结果,但它们计算量大,并且受到源特性不完整和地下属性未知的不确定性影响[2]。相比之下,基于数据的或混合的经验模型[3],建立在大量记录的运动数据集之上[4],如果能够有效利用丰富的历史数据库,可以提供更快的预测。
早期预警系统(EEWs)已经改变了地震频发地区的实时地震监测能力,使得在强烈震动到来前的几秒钟内就能采取保护措施[5]、[6]、[7]。日本气象厅的方法可以从现场传感器的初始P波检测中快速估计事件发生时间、震级和地震强度[8]、[9];然而,这种方法对大范围、长时间断裂的准确性有限。PLUM算法完全避免了源建模:通过同化过去和现在的强度观测数据,它可以在不需要明确传播物理过程的情况下预测一个区域的短期震动[10]。尽管在短提前预测方面准确,但其波场同化速度仍然太慢,无法广泛应用于EEW。
最近在机器学习(ML)方面的进展有望弥补这一差距。利用丰富的地震数据和强大的神经架构,ML可以在没有详细物理输入的情况下推断复杂的时空模式。像ObsPy[11]和SeisBench[12]这样的工具包已经使地震数据处理变得更加普及,尽管在这项工作中所有算法都是自定义开发的。早期的努力使用人工神经网络(ANNs)从P波观测和基本源信息中预测峰值地面加速度、速度和频谱参数[13],以及相关的向量机(RVMs)从现场波形序列中推断震级、PGA和PGV[14]。分类模型——LSTM网络在P波到达后一秒内区分近源和远源记录[15],以及用于自动相位选择的注意力深度网络[16]——已经展示了高准确性和速度。
基于回归的ML也针对地震强度和响应谱进行了研究。基于LSTM的空间模型在从周围站点记录中分类强度等级方面达到了85%的准确率[17],而时空循环网络能够在S波到达前五秒内预测多个站点的震动强度[18]。原型网络甚至能够近乎实时地生成每小时一次的余震预测[19]。
最近,提出了深度学习框架来估计现场加速度响应谱。Fayaz和Galasso[20]引入了ROSERS(实时现场响应谱估计)框架,这是一个结合了变分自编码器的深度神经网络,旨在仅使用P波到达的最初三秒和场地特征来快速进行现场加速度响应谱的估计。Dai等人[21]提出了一种可解释的现场EEW方法,使用XGBoost模型和从P波到达中提取的多特征输入集来预测加速度响应谱。该研究通过使用排列重要性分数进行特征选择和SHapley加性解释(SHAP)值及部分依赖图进行解释,消除了不相关的输入参数,并提供了对模型决策过程的洞察。Zhu等人[22]开发了HybridNet模型,结合了卷积神经网络和循环神经网络模块,用于快速进行现场预测,重点关注峰值地面速度,使用基于物理的特征时间序列、波形和单个站点的场地特征。这种混合架构有效地从输入数据中提取了空间和时间特征,在误差指标方面优于基线模型,并证明了快速潜在损伤区估计的可行性。此外,Zhu等人[23]引入了ENGINet,这是一个端到端的深度学习网络,整合了类似的深度神经网络组件来预测多种地面运动强度指标,如累积绝对速度、Arias强度和谱强度。该策略能够快速准确地提供现场EEW的预测。通过使用多组分加速度、速度和位移记录作为输入,该模型在P波到达后三秒内优于传统方法和基线模型预测这些与损伤相关的参数。
最值得注意的是,以往的研究主要集中在现场预测上,并未解决从稀疏传感器数据中进行区域预测的关键需求。EEW系统仍然强调标量强度指标,而傅里叶振幅谱或伪速度响应谱等频谱信息对于地震危险评估和结构设计至关重要[24]。频谱估计使工程师能够将需求曲线直接与建筑物动态特性联系起来,从而快速进行损失估计和减灾决策。然而,推导特定场地的频谱需要复杂的源、路径和地质参数,使得传统方法无法实时使用。
传统上,地面运动预测方程(GMPEs)是最具代表性的基准,因为它们是日本地震危险评估的既定区域标准,本研究的数据训练也来源于此。具体来说,Morikawa和Fujiwara(2013)GMPE[25]是日本地震研究促进总部用于国家地震危险地图和J-SHIS危险地图的标准公式,使其成为区域比较的最合适和最严格的基准。
本研究通过开发一种基于深度学习的快速方法来解决这一差距,该方法能够实时从现场观测数据预测目标地点的频谱。我们的目标是:
1. 将EEW的重点从标量强度转移到工程频谱上,以几秒钟的速度提供傅里叶和响应谱估计。
2. 设计并训练一个CNN-LSTM架构,将多组分现场谱映射到目标地点谱。
3. 通过五个不同的案例研究严格评估性能,量化预警提前时间、震动强度准确性、频谱保真度和推理速度,然后将其与传统GMPE进行比较。
我们将模型的频谱预测与现有的GMPE进行比较,以展示实际优势。本文的其余部分详细介绍了频谱映射方法(第2节),描述了CNN-LSTM架构(第3节),概述了整体EEW框架(第4节),介绍了案例研究(第5节),展示了性能结果(第6节),与GMPE预测进行了基准测试(第7节),并以关键发现和展望(第8节)结束。支持案例研究的补充材料附在附录中。
**2. 方法论**
我们提出了一种数据驱动的多组分框架(见图1),该框架可以从附近“现场”的演变频谱观测数据中学习预测“目标地点”的特定场地频谱时间序列。通过绕过明确的源、路径和详细的地质建模,我们的CNN-LSTM架构能够快速、高保真地估计FAS和5%-阻尼pS?。这种方法的优势在于不需要源信息、传播路径或地质信息。
**下载:** 下载高分辨率图像(509KB)
**下载:** 下载全尺寸图像
**图1. 深度学习在频谱序列上的实现流程图。**
该方法首先在P波触发后,从现场传感器连续流式传输三组分加速度记录(如图2所示)。每条记录都经过基线校正、仪器响应去除和0.1至25 Hz之间的带通滤波。然后使用重叠滑动窗口计算傅里叶振幅谱和5%阻尼伪速度谱的上升序列,并应用Parzen窗口平滑处理以确保稳定性。为了确保数值稳健性,频谱幅度被转换为对数空间并按其长期变化进行标准化。现场序列从P波检测开始,而作为训练标签的目标地点序列从S波到达开始;两者都被截断或填充零,以产生序列中每个时间步的成对监督示例。
**下载:** 下载高分辨率图像(328KB)
**下载:** 下载全尺寸图像
**图2. 地震实时观测和目标地点谱预测的概念。**
我们预测器的核心是一个混合CNN-LSTM网络。一系列卷积层扫描堆叠的频谱向量,以学习频率模式,如共振峰、衰减斜率和频谱内关系。然后一个密集层将LSTM的状态映射到预定义频率或周期的对数谱坐标多输出向量。
深度学习模型通过图3所示的方式训练现场和目标地点序列进行映射。对于每个地震事件,获取现场和目标地点的观测加速度记录。现场记录从P波开始,而目标地点谱从S波到达时间步开始。每个站点的时间依赖谱按顺序计算,从初始时间窗口开始([数学处理错误])。不断变化的时间窗口用于计算每个新添加时间步的上升谱([数学处理错误])。因此,在每个序列点映射的谱成为([数学处理错误])。在实时操作中,我们的系统缓冲最新的现场加速度记录,并每0.1秒计算下一个FFT窗口以更新上升谱序列。每次更新都会触发CNN-LSTM的前向传递,在现代GPU上产生完整的频谱预测。
**下载:** 下载高分辨率图像(602KB)
**下载:** 下载全尺寸图像
**图3. 现场(左蓝橙色序列)和目标地点(右绿色序列)之间的频谱序列关系映射。**
**3. 模型架构**
本研究提出的前馈网络称为“DeepSiteSpectra”。它结合了两种深度学习架构:卷积神经网络(CNN)和长短期记忆神经网络(CNN-LSTM)。始终添加一个额外的终端层,即传统的“密集”全连接神经网络层。第一部分的特征导入时间谱,其中包含时间分布的2D CNN层。模型的第二部分包含从前一层扁平化特征转换而来的LSTM层和时间谱输出。该网络架构可以将输入映射到假设为事件和时间配对的输出。图4说明了应用DeepSiteSpectra对站点间谱进行建模的概念。
**下载:** 下载高分辨率图像(933KB)
**下载:** 下载全尺寸图像
**图4. 输入和输出谱形状,包括NS、EW、UP观测组分。**
LSTM单元需要增强以考虑时空相关性,因为输入到状态和状态之间的转换无法保持原始的空间信息分布。此外,由于输入特征序列较长(每个谱序列256-1024个值),因此提出了这种CNN-LSTM架构而不是混合ConvLSTM架构。在早期实现中,ConvLSTM架构[26]可能更适合处理序列,但训练时间约为70小时,对于20,000个周期的模型(大约580天来训练只有200组超参数的Conv-LSTM架构)。因此,在这项工作中使用ConvLSTM是不可行的。
该架构接受多通道/多传感器输入和多通道输出,如图5所示。因此,网络的输入是来自多个现场的多组谱序列。CNN层对垂直堆叠的时间谱数据执行特征学习。因此,输入特征的大小定义为[事件编号([数学处理错误])、步长([数学处理错误])、组分([数学处理错误])、谱值([数学处理错误])对于第一个卷积层([数学处理错误]),其第5个维度为通道大小1。为了区分“通道”和“组分”,地震仪观测由3个“组分”组成,卷积层的输出称为“通道”。
**下载:** 下载高分辨率图像(659KB)
**下载:** 下载全尺寸图像混合CNN-LSTM模型架构用于光谱序列学习。学习过程是通过优化卷积(Conv)层“感受野”的权重来实现的,这些“感受野”被定义为二维“滤波器”或“核”,其维度为[数学处理错误]。使用“核”一词来描述权重矩阵[数学处理错误],以避免与信号处理中的滤波混淆。输出通道的大小[数学处理错误]增加到为每一层选择的可学习核的数量[数学处理错误],因此Conv层的输出被定义为[数学处理错误]、[数学处理错误]、[数学处理错误]、[数学处理错误]、[数学处理错误]。为了确保输出形状保持不变并避免在核对特征进行卷积时输出变小,在[数学处理错误]、[数学处理错误]维度上添加了零填充。典型的1D卷积层的公式如公式(1)所示,其中过滤后的输出[数学处理错误]是通过将核权重向量[数学处理错误]与前一层的输出[数学处理错误]进行卷积计算得到的。[数学处理错误]代表卷积运算符,而偏置项[数学处理错误]则添加在卷积积之后。小写字母用于定义一维卷积过程。(1)[数学处理错误]然而,在本研究中,Conv层的输入和输出是二维的,因此对前一层的过滤后输入[数学处理错误]进行二维卷积。因此,公式(1)中的2D卷积层被转换为公式(2),通过使用核权重[数学处理错误]在两个维度上进行卷积以获得新的过滤后输出[数学处理错误]。大写字母用于公式(2),以表示转换为二维卷积。(2)[数学处理错误]来自前一层的过滤后输入通道有多个[数学处理错误],因此这个操作对每个过滤后的输入在公式(3)中执行一次。(3)[数学处理错误]每个输出通道是过滤后输入通道的总和;然而,多个输出通道[数学处理错误]由当前层的不同核的数量[数学处理错误]决定,这些核的大小为[数学处理错误]。最终的过滤后输出通道[数学处理错误]在公式(4)中定义。(4)[数学处理错误]所有卷积层在训练过程中都保持在一个“时间分布”的时间线或“包装器”内。这种时间分布将相同的Conv层实例应用于每个时间戳,每个时间戳都使用相同的权重集。卷积层之后是非线性激活函数,在本研究中选择的是修正线性单元(ReLU)。在卷积层之间嵌入了批量归一化层,以提高训练过程的性能。Conv层和LSTM层之间的连接是通过一个转换后的时间分布“展平层”实现的。传递给LSTM层的特征形状需要是一维的,形式为[数学处理错误]、[数学处理错误]、[数学处理错误] × [数学处理错误] × 1,其中第三个索引是一维输入。因此,在图5所示的展平层之前,[数学处理错误]再次被减少到1。LSTM层被添加到网络架构中,因为它们已被证明对于信号序列学习非常方便,这是在作者之前的工作[26]、[27]中发现的。LSTM单元结构被利用;然而,输入形状是垂直堆叠的一维特征{y × x × 1},每个隐藏层由[数学处理错误]个神经元组成。在每个LSTM层之后应用了20%的LSTM神经元丢弃率。Dense层的输出被重新整形以分离每个组分的频谱(每个组分的靶点频谱)。LSTM公式的详细解释可以在[27]中找到。在这个标准中,误差是通过模型输出和期望信号之间的平方差来确定的,简单平均为(5)[数学处理错误],其中[数学处理错误]和[数学处理错误]是实际和预测的频谱值,[数学处理错误]表示数据集中的批次数量。在训练过程中,更新网络权重时会对成本函数进行微分。乘以[数学处理错误]的原因是成本函数(MSE)的导数包含一个平方项,因此微分的2*(成本函数)和?项相互抵消(更清晰的微积分)。[数学处理错误]确保成本函数不依赖于训练集中的元素数量,以便在不同情况下进行更好的比较。4. 框架组件在地震建模的背景下,通过在目标站点S波到达之前对前站点的连续震动进行采样,可以推断出目标站点的最终频谱。这种神经实现依赖于两个站点频谱的上升。为了表示记录,输入站点的运动频谱是[数学处理错误],输出站点的频谱是[数学处理错误],其中[数学处理错误]是频谱宽度,而ci和co分别代表输入和输出站点的组件数量。[数学处理错误]和[数学处理错误]都是矩阵,其行代表每个频率的频谱值,列代表传感器组件。频谱是从每个站点加速度记录的任意增加的时间窗口[数学处理错误]计算得出的。因此,输入的加速度记录是[数学处理错误],而输出是[数学处理错误],对于[数学处理错误]个增加的记录。(6)[数学处理错误](7)[数学处理错误]这些时间窗口记录被转换为[数学处理错误]上升的频谱序列,用于输入频谱[数学处理错误]和输出频谱[数学处理错误],定义了站点频谱随时间的上升。(8)[数学处理错误](9)[数学处理错误]配对的频谱序列覆盖了每次地震事件的完整持续时间,并被传递给DeepSiteSpectra模型进行训练或测试。在每个[数学处理错误]间隔内,该间隔内的所有输入特征都被输入到网络中,该网络连接到同一宽度但在目标站点S波到达时间之后的未来间隔的输出特征。这个过程在整个由事件定义的时间空间内持续进行。4.1. 框架流程深度学习方案有两个主要过程,如图6所示。过程1是从数据库中提取特定站点的一组记录的初始部分,这需要在量化搜索参数(例如,震中区域的纬度和经度、Mj、开始和结束年份等)之后进行。过程2是特征工程和模型训练/测试。需要注意的是,前站点应该始终在几何上更接近震中区域,以便p波的到达时间通常比目标站点的p波到达时间短。下载:下载高分辨率图像(369KB)下载:下载全尺寸图像图6. 这是提出的数据处理和深度学习模型流程的主要方案。左图:过程1是在选择震中区域后从特定站点提取特定记录。右图:过程2是特征工程和模型训练/测试。这里更详细地解释了这些过程。过程1通过以下5个步骤执行:1. 选择一个目标站点并确定感兴趣的震中区域。2. 将距离震中最近的站点设置为前站点。如果有共同的记录,可以有多个输入站点。3. 搜索满足一组参数的地震记录,这些参数包括源类型、JMA震级(最小值)以及开始和结束年份。4. 从K-NET数据库收集记录(每个观测站点每个记录三个分量),然后计算校正后的加速度。5. 确定所有事件的所有站点的P波和S波的理论到达时间。到达时间是从JMA旅行时间表中提取的。6. 将输入特征和目标输出[数学处理错误]、[数学处理错误]以“前站点”和真实“目标站点”的形式存储为对,然后将数据集传递给深度学习实现。过程2由以下7个步骤确定:1. 将预处理后的数据集分为训练和测试事件。2. 选择是计算傅里叶频谱还是伪速度频谱。现在为后续步骤确定了频谱形式的选择。3. 确定模型时间参数和超参数。a. 时间参数是采样频率、初始时间窗口大小和步长。b. 超参数是CNN层(核大小、层数、滤波器数量)和LSTM层(隐藏层数量、神经元数量)。优化器设置为“Adam”,激活函数为“ReLu”。4. 选择过滤技术,可以是1) 巴特沃斯带通滤波器(根据每个站点的频率内容确定下限和上限以减少偏差和消除高频噪声),或者2) DWT分解到第2到7级。如果选择了巴特沃斯带通滤波器,则数据在DWT等级0处考虑。5. 计算步骤4中所有信号[数学处理错误]、[数学处理错误]的上升频谱[数学处理错误]。上升频谱最初是从初始时间窗口[数学处理错误]计算得出的。序列时间步的频谱是从加速度流的扩展计算得出的,其中包括添加到初始时间窗口[数学处理错误]的新窗口步长[数学处理错误]。因此,上升频谱序列(对于输入和输出)是针对时间流计算的。6. 训练深度学习模型。如果在步骤4中选择了DWT分解,则应为每个等级训练一个模型。7. 对测试数据集进行推理(对于每个DWT等级)。将模型的预测幅度值与真实值进行比较。在DWT分解的情况下,计算所有等级的集体最大预测值。比较结果显示在可视化工具上。傅里叶频谱的[数学处理错误]频率分辨率保持在100Hz采样频率,初始时间窗口为256、512或1024时间步。这些初始窗口长度被方便地选择为比它们的离散时间傅里叶变换频率变量计数少一个,以避免在时域中添加零。长度尽可能接近2.5秒、5秒和10秒。初始窗口长度应尽可能短,以便使用训练模型尽早开始目标预测。注意对于傅里叶频谱计算:随着时间窗口的增加,加速度数据点增加,这导致频率域的分辨率提高。因此,频率分辨率被下采样以匹配初始时间窗口的频率间隔[数学处理错误]。通常,响应频谱间隔的数量在100个值以内,然而,这些频率间隔对于这个深度学习过程来说太低了。因此,伪速度频谱(pSv)的频率分辨率保持在512个样本的数量,这些样本在0.05Hz到20Hz的对数尺度上均匀分布。这允许pSv的分辨率与傅里叶频谱相当,并改善了训练过程。表1定义了要训练的模型参数列表。采样频率设置为100Hz以避免任何传播。一旦为模型分配了时间和超参数,DeepSiteSpectra就会生成如图7所示的模型定义的表示。显示了每个层的输出形状和参数数量。需要注意的是,“None”表示任意长度的可变序列(网络可以在该索引处接受任何可变维度)。图7中提到的层是图5中呈现的混合架构的总结,其中Conv2D代表CNN层,Flatten代表展平,LSTM部分位于输出之前,之后由Dense层处理。表1. 为研究设置的模型参数(搜索空间)。参数[数学处理错误][数学处理错误]采样频率100Hz100Hz初始时间[数学处理错误]2.56秒、5.12秒、10.24秒2.50秒、5.00秒、10.00秒步长[数学处理错误]1.00秒1.00秒DWT等级2、3、4、5、6、7和0(对于非DWT)2、3、4、5、6、7和0(对于非DWT)LSTM层1、2、31、2、3LSTM神经元257、513250、500DNN层257或513250或500CNN层22CNN核大小Nin x 20Nin x 20CNN滤波器55学习率0.00040.0004衰减0.00010.0001批量大小1010归一化策略批量归一化批量归一化激活函数relu下载:下载高分辨率图像(400KB)下载:下载全尺寸图像图7. 可训练模型的示例总结。从Tensorflow代码生成的总结。4.2. 傅里叶振幅频谱在分析记录的振动特性时,获得在相等间隔采样的离散数据。离散傅里叶变换已成为振动分析的强大工具[28]。Cooley和Tukey开发了快速傅里叶变换方法,该方法能够以非常快的速度计算傅里叶变换。这种时间序列分析方法能够捕捉频域中嵌入波形的复杂频率成分,因此是工程师评估地面或结构潜在放大现象的可行分析方法。傅里叶变换可以通过公式(10)对信号进行计算。(10)对于具有有限持续时间的离散采样数据,傅里叶变换由公式(11)给出。数据点数量必须大于或等于原始信号的数据点数量,并且是2的幂次(尽管这不是必需的)。为了满足这一条件,在原始信号的末尾添加零(初始窗口已经是2的幂次)。(11)离散小波变换(DWT)可以将时间序列信号分解到特定的频率范围。信号的分解称为“等级”。对于每个DWT等级,都会创建一个深度学习模型,用多个历史数据进行训练,并用盲数据集进行测试。随着观察到的时间序列的发展,其FFT输出将获得更高的分辨率。因此,通过下采样FFT输出来保持频率分辨率,以包含统一索引处的值。每个DWT等级的最大振幅响应用于重建最终的傅里叶振幅谱,由公式(12)表示。分解后的傅里叶谱如图8所示。(12)下载:下载高分辨率图像(411KB)下载:下载全尺寸图像图8. DWT对傅里叶谱的分解。记录是MYG011在测试事件1.4.3中的NS分量。伪速度响应谱响应谱是自然周期([数学处理错误]([数学处理错误]是自然圆频率)和多个自由度系统的阻尼比h的函数,在计算出最大响应之后。加速度响应谱[数学处理错误]是通过Nigam和Jennings方法[29]计算系统地震响应后,使用公式(13)得到的。所有案例研究的阻尼比[数学处理错误]都设置为5%。速度响应谱[数学处理错误]也可以使用[数学处理错误]计算得出,然而,公式(15)中绝对加速度和速度响应谱之间的近似关系产生了公式(16)中的伪速度响应谱,其中[数学处理错误]。(13)[数学处理错误](14)[数学处理错误](15)[数学处理错误](16)[数学处理错误](17)[数学处理错误]在计算每个等级的伪速度谱之前,应用DWT对信号进行分解。每个DWT等级的最大振幅响应用于重建最终的[数学处理错误]谱,由公式(18)表示。表2显示了每个DWT等级的频率范围,这也如图9所示。在从pSv计算出[数学处理错误]和[数学处理错误](位移响应谱)之后,可能可以计算出需求曲线。(18)表2. – 每个DWT等级的周期范围。空单元格周期范围等级下限(秒)上限(秒)10.020.0420.040.0830.080.1640.160.3250.320.6460.641.2871.282.5682.565.1295.1210.241010.2420.48下载:下载高分辨率图像(273KB)下载:下载全尺寸图像图9. 使用DWT对伪速度响应谱的分解。记录是MYG011在测试事件1.4.3中的NS分量。JMA地震强度等级为了估计地震期间的震动强度,使用的一个适当的地面运动指标是日本气象厅(JMA)的震动强度等级。JMA通过公式(19)定义了地震强度等级,该方法在应用必要的滤波器[30]后获得了加速度三个分量的矢量组合。(19)[数学处理错误]由于DeepSiteSpectra的输出是谱,因此需要将这些强度测量值转换为在谱上而不是加速度上进行计算。Ooi等人[31]研究了各种强地面运动强度指标之间的关系,并提出了一种估计[数学处理错误]的方法。新方程(公式(20))是根据0.4秒到1.0秒周期范围内包含的振幅值的三个分量加速度响应谱的平均值计算得出的。(20)[数学处理错误]采用相同的统计方法,通过回归分析为平均加速度响应谱[数学处理错误]:(21)[数学处理错误]和平均傅里叶振幅谱[数学处理错误]提出了特定于站点的公式(对于1Hz到2.5Hz的频率范围:(22)[数学处理错误]每个案例研究的系数[数学处理错误]和截距[数学处理错误]在表3中给出。计算出的平均响应谱[数学处理错误]与实际[数学处理错误]之间的关系在附录A中给出。这个过程是DL模型的副产品。表3. – 每个案例研究的修改后的IJMA方程#傅里叶谱响应谱系数截距系数截距案例研究11.9090.3122.0461.696案例研究22.2971.2532.0800.021案例研究32.2581.1112.0900.027案例研究42.2181.4592.0640.140案例研究51.8672.3361.8710.596Masahiro Ooi等人[31]NANA1.620.984.5. 可视化工具开发了一种时间窗口工具,用于可视化模型输出并比较输入和输出时间序列之间的谱覆盖情况,如图10所示。它还显示了真实值和预测值之间的对数差异误差,以及左上角的等高线图。在分别预测DWT等级的情况下,会绘制每个等级的预测。这些等级的预测重建了最终的预测谱。当预测完整谱时,这些图不会显示。下载:下载高分辨率图像(838KB)下载:下载全尺寸图像图10. 可视化工具。图表的中心显示了事件发生时间、当前加速度的IJMA以及来自各自谱的真实(实线)和预测的IJMA。前场谱(虚线)也绘制在谱图上进行比较。4.6. 警报时间前场站点处的P波和初始S波记录可以量化震级和预期的严重程度,而S波在目标站点的较慢到达时间创建了一个依赖于传感器分布的关键预警间隔。我们的CNN–LSTM模型在S波到达目标站点前几秒预测了三分量傅里叶和响应谱以及JMA强度。可用预警时间等于S波冲击前的剩余秒数,而频率分辨谱为利益相关者提供了超出传统标量强度指标的可操作工程洞察。4.7. 收敛指数模型的收敛指数对于确定目标谱和[数学处理错误]预测在提供的前场特征下足够稳定的时间点至关重要。可以分别计算目标站点每个分量的收敛性,或者更全面地从预测[数学处理错误]的演变中使用对数平均谱[数学处理错误]来计算收敛性。在这两种情况下,当前预测值都与前两个预测步骤进行比较,以检测预测变化率,然而,在本研究中使用了[数学处理错误]方法,因为其稳定性。收敛阈值是从前两个步骤的平均值计算出的99%[数学处理错误]一致性,如公式(23)所示。(23)[数学处理错误]其中预测的一致性取决于当前时间步地震强度[数学处理错误]和[数学处理错误]之前强度[数学处理错误]的平均差异。图11展示了[数学处理错误]预测和收敛的示意图,其中预测(绿线)在实时仪器强度(橙线)之前预测,因此先于S波到达目标站点。下载:下载高分辨率图像(156KB)下载:下载全尺寸图像图11. 通过IJMA技术的收敛估计。5. 案例研究地震数据是从Kyoshin Network(K-NET)提供的目录中获得的,这是一个覆盖日本全国1000多个定期维护的地面观测站的强运动地震仪网络[4]。K-NET自1996年以来一直由国家地球科学与灾害韧性研究所(NIED)运营。网络中的典型地震仪包含三个分量(NS、EW、UP),采样频率为100Hz。通过其公共网站可以获得强运动时间历史记录。使用了2000年至2019年的事件,其中JMA震级大于Mj5.5。因此,只包括地面记录,不包括任何来自海上网络的数据。这是为了确保在靠近震中和较远距离的站点都有强记录。根据所有震中位置,地震主要被归类为太平洋板块(PAC)的俯冲。俯冲地震包括板内地震。5.1. 研究区域、站点配置和前场-目标站点定义地震区域的选择是为了确保地震波在到达目标站点前几秒到达前场站点。概念上,相同的CNN–LSTM框架可以更通用地应用。对于任何给定的震中集群和观测站点分布,可以根据需要预测的不同站点子集(例如,关键基础设施、城市中心)构建数百种情景。选择了三个区域来代表不同的地震生成区。这些区域包括位于东北地区的五个不同案例研究,如图12所示。这些区域是:1. 区域1:宫城县外的俯冲地震。2. 区域2:福岛县外的俯冲地震。3. 区域3:岩手县东北部和沿海地区。下载:下载高分辨率图像(477KB)下载:下载全尺寸图像图12. 三个区域的位置、数据集震中以及本研究中使用的K-NET观测站点的分布。所提出的方法在五个不同的案例研究中实施,包括宫城县、福岛县和岩手县的站点。总共,PAC类别的地震数量为221个事件。筛选出的站点有9个K-NET观测站,分为前场站点和目标站点。从地面到30米深度的平均S波速度(Vs30)在所有站点之间差异很大。表4给出了基于Vs30的土壤类型分类。表5中展示了所选站点的Vs30,具有不同的土壤条件。表4. 根据Vs30的FEMA[32]的剖面类型分类。岩石剖面Vs30硬岩> 1500m/s岩石760-1500m/s非常密集的土壤360-760m/s坚硬的土壤180-360m/s柔软的土壤<180m>应当注意的是,前场站点的站点源距离Dfront和P波传播时间P_trvfront必须短于目标站点的站点源距离Dtarget和P波传播时间P_trvtarget。因此,震中区域集中在特定的俯冲集群上。表5. 前场和目标站点的选择。站点代码站点名称纬度经度Vs30(m/s)用途FKS001SOMA37.7946140.9192297前场FKS005HARAMACHI37.6389140.9853489前场IWT005MIYAKO39.6478141.9465408前场IWT008OHFUNATO39.0815141.70931086前场IWT018MORIOKA39.6954141.1477346目标MYG001KESENNUMA38.9017141.5709441前场MYG006FURUKAWA38.566140.9767170目标MYG011OSHIKA38.302141.5079476前场MYG013SENDAI38.2661140.9286273目标MYG016SHIROISHI38.0079140.6212420目标5.2. 案例研究设计、站点配对策略和数据集特征选择了各种案例研究,以便在不同的数据集上评估深度学习模型,因此每个案例选择都有其原因。然而,可以避免数据集的某些限制,例如包括包含足够数据的站点以训练模型。此外,在每个案例研究中,只应用一个目标站点,以避免使机器学习模型的过程复杂化。因此,表6解释了每个案例选择站点的原因。表6. 选择每个案例研究的原因。案例研究备注1靠近震中集群的单一前场站点到Sendai目标;对比强事件期间的不同频谱带。2两个福岛沿海前场站点到内陆Miyagi目标;评估在均匀频率内容下的多传感器输入。3两个岩手沿海前场站点到内陆Miyagi的低Vs30盆地;检查长周期放大效应。4相同的岩手前场站点到远处的Sendai目标;评估预警提前时间的改进。5两个Miyagi沿海前场站点到Morioka目标(案例1的震中);测试提前时间和更高频率站点的响应。在[25]中通过谱反演分析获得的站点放大因子在图13中展示,很明显,在0.1Hz到20.0Hz的频率范围内,没有一对站点的站点放大因子是相同的。因此,案例研究涵盖了具有不同剪切波速度(Vs30)、不同地理位置的多样化站点,以及三个不同的震中区域。下载:下载高分辨率图像(548KB)下载:下载全尺寸图像图13. 所选站点的站点放大因子。“实线”和“虚线”曲线分别代表前场站点和目标站点的站点放大因子。站点之间的距离在50公里到177公里之间。每个案例研究的记录数量也显示在表7中。对于该区域中的每个地震,从每个相应的地震仪中提取了前200秒内的三个分量的加速度记录。然后进一步处理地震记录,以便从前场站点的理论P波到达时间或目标站点的理论S波到达时间开始。记录随后被截断,以统一它们的总时间窗口长度,该时间窗口长度考虑在40秒到80秒之间(站点之间的距离越远,时间窗口越长)。预处理阶段包括在确定过滤过程后,将加速度记录转换为傅里叶谱或伪速度谱。表7列出了每个案例研究中每对站点之间的距离和数据集记录的数量。
案例研究 | 目标站点 | 前沿站点 | 距离(公里) | 记录数
|--------|---------|-----------|-----------|
| 1MYG01 | 3MYG01 | 150.7 | 33 |
| 2MYG01 | FKS00 | 135.3 | 32 |
| 2MYG005 | IWT00 | 52.0 | 32 |
| 3MYG006 | IWT00 | 146.5 | 73 |
| 3MYG008 | IWT00 | 85.5 | 24 |
| 4MYG013 | IWT00 | 177.0 | 58 |
| 3MYG008 | IWT01 | 113.2 | 52 |
| 5MYG011 | IWT01 | 158.0 | 33 |
| 4MYG001 | 5MYG01 | 195.4 | 7 |
每个案例的JMA震级Mj列在表8中,其中5.5至7.0震级的事件在所有区域中最常见。尽管案例3和4具有相同的震中区域和前沿站点,但观测站MYG006能够检测到更多来自该区域的事件(区域3)。从图14所示的JMA震级分布深度可以推断,大多数事件发生在10公里到100公里的深度范围内,因为这些事件被认为是俯冲板块地震。
表8. 每个案例数据集中的JMA震级列表。
| 震级范围 | 案例1 | 案例2 | 案例3 | 案例4 | 案例5 |
|---------|------|------|------|------|
| 5.5 ≥ Mj > 6.0 | 11 | 15 | 14 | 11 |
| 6.0 ≥ Mj > 7.0 | 33 | 35 | 27 | 24 |
| 7.0 ≥ Mj > 8.0 | 7 | 8 | 3 | 0 |
下载:下载高分辨率图像(225KB)
下载:下载全尺寸图像
图14. – 整个数据集的震中深度与MJ关系。
对于每个数据集,大约20%的训练事件在每个时期被随机分配到验证集中,以监控泛化能力并防止过拟合。对于测试集,指定了两个未用于训练的事件进行测试。
6. 模型预测结果
通过首先比较预测谱和观测谱,然后评估震动强度预测和预警时间来评估DeepSiteSpectra在各个案例研究中的性能。训练在两台高性能工作站上并行进行——一台配备Intel Xeon 64核CPU和四个NVIDIA RTX 2080 Ti GPU(每个11 GB),另一台配备Intel Xeon 128核CPU和四个RTX 3090 GPU(每个24 GB)。虽然超参数调整花费了数周时间,但每个事件的推理时间不到一秒。以下部分展示了每个案例中一个代表性事件的傅里叶振幅谱和伪速度谱、IJMA预测样本以及可用的预警时间分析。完整的可视化结果在附录C中提供。
6.1. 傅里叶振幅谱
傅里叶振幅谱预测的定性性能在图15、图16、图17、图18、图19中详细展示,这些图选择了测试数据集的一部分。图中的a)部分显示了事件详情和地理位置,以及观测站点的放大因子。还包括目标站点的PGA(峰值地面加速度)、震中到目标站点的距离,以及预警时间(在目标站点S波到达之前的谱收敛时间)。每个图的b)部分中,列分为完整谱和DWT分解谱,而行按NS和EW分量排序。每个图中都展示了收敛时间步长的谱。
下载:下载高分辨率图像(942KB)
下载:下载全尺寸图像
图15. – 傅里叶谱预测案例1。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(845KB)
下载:下载全尺寸图像
图16. – 傅里叶谱预测案例2。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(798KB)
下载:下载全尺寸图像
图17. – 傅里叶谱预测案例3。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(853KB)
下载:下载全尺寸图像
图18. – 傅里叶谱预测案例4。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(875KB)
下载:下载全尺寸图像
图19. – 傅里叶谱预测案例5。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
在案例1中,4月7日余震期间仙台观测站的地面震动导致了极高的加速度(PGA为1084.5 cm/s2)和6.2的震动强度。所有谱的预测都被放大到与真实谱相同的对数振幅范围,然而,DWT分解提供了更好的局部谱峰值预测。主要成分是EW方向,DWT FS模型在1Hz到20Hz范围内一致地预测了合理的振幅。然而,Full FS模型在1Hz到2Hz范围内的预测被低估了。Full FS模型的预测平均比DWT FS模型提前2-3秒。
在案例2-5中也显示了类似的性能提升,其中DWT分解显著提高了预测的分辨率。在案例2中,DeepSiteSpectra模型的收敛包括了前沿站点S波的最初1-2秒,两种模型之间的收敛时间步长几乎没有差异。这表明DeepSiteSpectra能够从前沿站点的S波开始获取足够的特征,从而做出最准确的预测。这一趋势在案例4和5中也得到了体现,其中包含前沿站点PGA的时间步长对于预测谱的准确放大最为充分。同样,对于案例4和5,1Hz到20Hz范围内的水平分量的预测准确性也大大提高。
对于案例3,值得将模型的结果与2003年十胜地震(Mj 8.0)进行对比,那次地震对日本北海道的城市造成了广泛的破坏。由于存在地质盆地,MYG006观测到了长时间记录,这对高层建筑可能造成损害。Full和DWT谱的预测显示了DeepSiteSpectra在预测非常低频震动方面的准确性,但由于震动持续时间较长,很难确定模型的收敛时间步长。因此,对于此类事件,可以向目标站点提供一系列谱,例如在本案例中,至少可以预测S波到达后的最初40秒内的MYG006谱。
在所有站点中,主要频率明显不同。因此,每个案例在不同DWT等级下的放大响应也不同。尽管DeepSiteSpectra在所有案例中都显示出有效性,但在强地面运动测试数据上表现最好的案例研究包含了5、4和3等级的主要频率(范围为1.56Hz-12.50Hz),如案例2、4和5。
6.2. 伪速度响应谱
图20、图21、图22、图23、图24也展示了伪速度响应谱的定性性能。同样,每个图中都展示了最大收敛时间步长的结果。DWT pSv谱是通过将时间历史分解为DWT等级,进行响应谱分析,然后重建pSv谱来估计的。值得注意的是,这一过程提供了实际pSv谱的粗略估计。在本研究中,这对于0.1s-2.5s范围内的谱值来说已经足够准确(等级2-7)。超出这些范围的估计被认为是不充分或低估的。
下载:下载高分辨率图像(806KB)
下载:下载全尺寸图像
图20. 伪速度响应谱预测案例1。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(884KB)
下载:下载全尺寸图像
图21. 伪速度响应谱预测案例2。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(812KB)
下载:下载全尺寸图像
图22. 伪速度响应谱预测案例3。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(865KB)
下载:下载全尺寸图像
图23. 伪速度响应谱预测案例4。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
下载:下载高分辨率图像(968KB)
下载:下载全尺寸图像
图24. 伪速度响应谱预测案例5。a) 是震源和站点位置及站点放大因子,b) 是预测谱和真实谱(带有目标谱和排名)
案例1在预测事件1的NS分量方面表现出更好的准确性。0.5-1.4Hz范围内峰值反复被低估的原因是EW分量中缺乏足够频率放大的训练数据。还值得注意的是,震中距离仅为85公里,因此预警时间也很短。然而,在所有其他案例研究中,pSv峰值的显著低估并不存在。
与FS相比,DWT pSv模型的预测分辨率通常有所提高。然而,DWT pSv重建过程在选定的等级范围之外产生了“谱恶化”效应。这直接影响了低频范围(<0.3Hz)的性能,较高的等级被忽略了。因此,对于容易受到长周期震动影响的站点,使用完整的pSv谱模型更为合适。
可以普遍观察到,对于预测的放大、频率内容和收敛时间步长,不同谱类型的预测准确性非常相似。这表明DeepSiteSpectra在不同谱表示形式下都能高效地进行谱映射。
6.3. IJMA预测
在本小节中,我们关注所有案例研究中最强记录(PGA>150cm/s2)的[Math Processing Error]预测。基于此条件,选择了案例1、3和5的测试事件,并在图25至图27中展示,其中实际的IJMA加速度值分别为6.29、5.04和4.51。
下载:下载高分辨率图像(275KB)
下载:下载全尺寸图像
图25. [Math Processing Error]预测,左图:Full FS;右图:Full pSv,针对案例1的事件1。横轴从前沿站点的P波开始。
下载:下载高分辨率图像(258KB)
下载:下载全尺寸图像
图26. [Math Processing Error]预测,左图:Full FS;右图:Full pSv,针对案例3的事件1。横轴从前沿站点的P波开始。
下载:下载高分辨率图像(269KB)
下载:下载全尺寸图像
图27. [Math Processing Error]预测,左图:Full FS;右图:Full pSv,针对案例5的事件1。横轴从前沿站点的P波开始。
对于每个图,基于时间流动的加速度的[Math Processing Error](来自方程式(19))与基于谱的[Math Processing Error](来自方程式(21)和方程式(22))在真实和预测情况下进行了比较。假设地震最初几时刻的起始时间未知,时间轴的起点是从前沿站点的P波开始。需要注意的是,基于传感器观测的加速度[Math Processing Error]是在目标站点实时计算的,而基于谱的[Math Processing Error]是根据模型输出在S波到达目标站点之前预测的,因为它仅依赖于较早的前沿站点记录。因此,基于真实谱的[Math Processing Error](来自目标站点观测记录)也绘制得更早,作为一种“预期”的[Math Processing Error]演变。实际上,在部署过程中,基于真实谱和基于加速度的[Math Processing Error]是未知的。
通常,从Full [Math Processing Error]谱预测的[Math Processing Error]在三种情况下都更准确,而从Full FS谱计算的[Math Processing Error]要么过高要么过低估计了实际加速度的[Math Processing Error]。其他事件的剩余终端[Math Processing Error]预测在附录B表13中呈现。Full谱的平均误差比DWT分解谱低2%。
6.4. CNN-LSTM模型的性能
搜索参数在表1中给出。图28绘制了测试数据集的均方根误差(RMSE),以厘米/秒为单位显示DeepSiteSpectra在每个案例研究中的性能。训练的模型总数为36个(18*2)用于完整谱,180个(18*6*2)用于用DWT分解的谱,每个案例研究进行了216次模型迭代。DWT模型的RMSE是每组超参数的平均值,训练了2000个时期,并在500个时期后提前停止。为了简化,完整傅里叶谱、DWT分解傅里叶谱、完整伪速度谱、DWT分解伪速度谱模型分别标记为Full FS、DWT FS、Full pSv和DWT pSv。
下载:下载高分辨率图像(440KB)
下载:下载全尺寸图像
图28.测试a) 最优模型和b) 每个案例研究中所有模型平均值的均方根误差。训练每个模型需要20-180分钟,如果在500个周期后验证均方误差没有改善,则通过提前停止训练来终止。在部署过程中,如果拥有完整的加速度数据,网络可以在大约3秒内完成60次步长预测(每个三分量谱约50毫秒)。我们没有仅仅关注最优超参数,而是评估了广泛的参数范围,以考虑神经网络优化的非凸性质。尽管真正的全局最优解可能需要数千次迭代,但一致的性能趋势显现出来:平均选择和最佳情况选择非常接近。在五个案例研究中,两个数字都显示出一个一致的模式:DWT增强模型(紫色和黑色条形)产生的RMSE值通常低于其非DWT对应模型,特别是对于伪速度响应谱。这表明,即使事件数量在不同案例中变化很大,小波分解引入的多分辨率特性也提供了额外的稳定性和噪声鲁棒性。此外,无论是否使用DWT,pSv预测通常都能实现较低的RMSE。这一趋势表明,由于其物理可解释性和更平滑的谱内容,pSv为CNN-LSTM提供了更多结构上有意义的信息。尽管可用事件的数量从最少32个到最多73个不等,RMSE值并没有显著波动。Full FS、DWT FS、Full pSv和DWT pSv之间的相对性能排名在所有案例中都保持一致,表明该模型对样本大小的差异不敏感。这表明,即使在较小的事件集上进行训练,该框架也能保持鲁棒性,并且其泛化能力在不同的区域和源距离配置中得以保持。
测试a) 最优模型和b) 每个案例研究中所有模型平均值的均方根误差。训练每个模型需要20-180分钟,如果在500个周期后验证均方误差没有改善,则通过提前停止训练来终止。在部署过程中,如果拥有完整的加速度数据,网络可以在大约3秒内完成60次步长预测(每个三分量谱约50毫秒)。我们没有仅仅关注最优超参数,而是评估了广泛的参数范围,以考虑神经网络优化的非凸性质。尽管真正的全局最优解可能需要数千次迭代,但一致的性能趋势显现出来:平均选择和最佳情况选择非常接近。在五个案例研究中,两个数字都显示出一个一致的模式:DWT增强模型(紫色和黑色条形)产生的RMSE值通常低于其非DWT对应模型,特别是对于伪速度响应谱。这表明,即使事件数量在不同案例中变化很大,小波分解引入的多分辨率特性也提供了额外的稳定性和噪声鲁棒性。此外,无论是否使用DWT,pSv预测通常都能实现较低的RMSE。这一趋势表明,由于其物理可解释性和更平滑的谱内容,pSv为CNN-LSTM提供了更多结构上有意义的信息。尽管可用事件的数量从最少32个到最多73个不等,RMSE值并没有显著波动。Full FS、DWT FS、Full pSv和DWT pSv之间的相对性能排名在所有案例中都保持一致,表明该模型对样本大小的差异不敏感。这表明,即使在较小的事件集上进行训练,该框架也能保持鲁棒性,并且其泛化能力在不同的区域和源距离配置中得以保持。
案例1(与其他4个案例研究相比)在所有谱类型中始终显示出最高的RMSE值,这与它的单前端站点配置相符。由于只有一个前端站点提供信息,模型接收到的空间信息有限,因此更难以推断目标站点的谱演变。这突显了前端站点覆盖范围稀疏和站点条件差异较大如何显著影响预测准确性。在选择DWT分解模型的最优参数时,选择了具有相同参数的DWT排名集合,而不是将不同超参数集合的DWT排名混合使用。最优模型的超参数在表9中给出。众所周知,模型对某些超参数值的物理可解释性不足,因此确定直接提高模型性能的参数始终具有挑战性。因此,考虑广泛因素下的模型性能更有意义。
表9. 表现最佳的超参数列表。
参数
Full [数学处理错误]
DWT [数学处理错误]
Full [数学处理错误]
DWT [数学处理错误]
案例1
100Hz, 5.12s, 0.25s, 2, 5
13, 2, Nin x 20, 5.10
0Hz, 5.12s, 0.25s, 2, 25
7, 2, Nin x 20, 5.10
0Hz, 5.00s, 0.25s, 2, 500, 2, Nin x 20, 5.10
0Hz, 5.00s, 0.25s, 2, 500, 2, Nin x 20, 5.
案例2
100Hz, 5.12s, 0.5s, 3, 257, 2, Nin x 20, 5.10
0Hz, 2.56s, 0.5s, 3, 257, 2, Nin x 20, 5.10
0Hz, 2.50s, 1.00s, 2, 500, 2, Nin x 20, 5.10
0Hz, 2.50s, 1.00s, 3, 500, 2, Nin x 20, 5.
案例3
100Hz, 10.24s, 1.00s, 2, 257, 2, Nin x 20, 5.10
0Hz, 10.24s, 0.5s, 1, 257, 2, Nin x 20, 5.10
0Hz, 10.24s, 1.00s, 2, 500, 2, Nin x 20, 5.10
0Hz, 5.00s, 1.00s, 3, 500, 2, Nin x 20, 5.
案例4
100Hz, 5.12s, 1.00s, 2, 257, 2, Nin x 20, 5.10
0Hz, 2.56s, 1.00s, 2, 257, 2, Nin x 20, 5.10
0Hz, 5.00s, 1.00s, 1, 500, 2, Nin x 20, 5.10
0Hz, 5.00s, 0.25s, 2, 250, 2, Nin x 20, 5.
案例5
100Hz, 2.56s, 1.00s, 2, 513, 2, Nin x 20, 5.10
0Hz, 2.56s, 1.00s, 3, 257, 2, Nin x 20, 5.10
0Hz, 5.00s, 1.00s, 2, 250, 2, Nin x 20, 5.
*每个单元格包含:{采样频率、初始窗口长度[数学处理错误]、步长[数学处理错误]、LSTM层、LSTM神经元数、CNN层、CNN核大小和CNN滤波器}。
关于时间参数,值得一提的是,当[数学处理错误]最短为0.25秒时,案例1的表现最好。站点之间的距离最短,这可能是LSTM层在输入特征更丰富且分布更广时表现更好的原因。
我们在这里更仔细地观察了在不同超参数下DWT FS模型的性能。对于每个案例研究,收集了每个排名模型的MSE值以计算箱形图。MSE的局部性和分布描述了每个排名的性能范围,如图29所示。每个案例研究中训练难度较大的排名与每个站点的主要排名一致,其中放大的频率范围最难预测。然而,案例1的测试事件1(2011年东北地震的4/7次余震)在排名6和5产生了非常高的MSE结果。
下载:下载高分辨率图像(385KB)
下载:下载全尺寸图像
图29. 显示了DWT傅里叶谱每个排名所有超参数集的测试数据性能的箱形图。
下载:下载高分辨率图像(236KB)
下载:下载全尺寸图像
图30. 光谱预测收敛后的可用预警时间。该图比较了四种光谱类型。
6.5. 可用预警时间和IJMA收敛
预警时间的范围应在前端站点的P波到达时间(ttarget)到目标站点的S波到达时间(tstarget)之间。需要注意的是,确切的预警时间是在预测收敛时设定的(谱值对数误差变化最小)。所有测试事件在tstarget之前的1.1秒到23.8秒内收敛。即使预警时间最短,谱值也有助于快速估计站点的潜在结构损坏或其他适当决策。
随着源站点距离的增加,观察到的可用预警时间呈指数级增长。因此,预警时间随震中距离的增加而显著增加。从这个测试数据集中,可用预警时间可以用方程(24)中的指数项来定义。可用时间变为,
(24)[数学处理错误]
表10展示了每种模型类型的平均预警时间,这些时间与站点-源距离有很强的相关性。收敛性通过方程(23)中的指数来评估,以确定可用预警时间,如图31中的示例所示。收敛预测的一致性被认为是当前时间步地震强度[数学处理错误]与前两个强度[数学处理错误]的平均收敛值。在这个例子中,一旦达到99%的收敛,就获得了谱。如图31所示,随着前端站点主震的开始,强度的一致性大大提高。这对所有案例研究都是常见的。
表10. 平均可用预警时间。
#Full FS (秒)
Full pSv (秒)
DWT FS (秒)
DWT pSv (秒)
案例1
5.55
4.90
3.05
2.90
案例2
4.97
5.30
5.30
6.63
案例3
15.03
14.37
15.03
15.37
案例4
16.25
16.75
15.25
15.75
案例5
16.90
16.57
13.23
17.57
下载:下载高分辨率图像(566KB)
下载:下载全尺寸图像
图31. [数学处理错误]预测和收敛时间-时期的示例。预测的强度(绿线)与实时仪器强度(橙线)进行比较;而预测的一致性[数学处理错误](黑色虚线)显示在S波到达目标站点前14秒收敛。
为了考虑EEW系统的及时性,建议将模型及其所有相关的预处理和后处理算法放置在可以直接从数据收集仪器访问的前端站点,以最小化数据传输问题。作为预期计算时间的一个例子,表11展示了为案例4训练的模型的复杂性和计算成本。
表11. 计算和模型复杂性比较(案例4)。
空单元格
Full [数学处理错误]
DWT [数学处理错误]
Full [数学处理错误]
DWT [数学处理错误]
预处理时间
~60ms
~400ms
~800ms
~3000ms
总超参数
2,449,957
2,449,957
*67,259,356
2,321,606
*
内存使用
9.35 MB
9.35 MB
*6
27.69 MB
8.86 MB
*
推理延迟(在GPU上)
~50ms
~300ms
~120ms
~300ms
Full FS在预处理方面最便宜,在推理方面最快,具有适中的2.45 M参数模型。添加DWT后,预处理和模型使用时间增加了六个级别,预处理时间约为400 ms,推理时间约为300 ms,DWT FS的内存占用大约是基线Full FS方法的六倍。
通常,使用Nigam–Jennings SDOF时间响应算法计算伪响应谱是耗时的。这进一步被高分辨率的pS?内容(0.05到20秒之间的250或500个值)和额外的DWT分解所放大。Full pS?使用伪谱速度,预处理更重(约800 ms),单个模型更大(约7.26 M参数),推理时间约为120 ms。DWT pS?的预处理最密集(约3000 ms),模型推理时间约为300 ms。
在更丰富的多尺度谱信息和实际部署约束之间存在明显的权衡。基于DWT的方法旨在提高特征表达能力,但它们显著增加了延迟和工程复杂性。在实时边缘场景中,Full FS或Full pS?可能更合适;DWT变体适用于离线或高精度、时间要求不高的应用。
对于最快的光谱配置(Full FS),我们可以估计案例4 - 事件2的实际端到端延迟如下。随着S波在前端站点的到来,演变的加速度时间序列在大约100 ms内流式传输到CNN-LSTM框架,随后进行约60 ms的光谱预处理和约50 ms的模型推理。然后,预测的谱在进一步约50 ms内转换为IJMA强度,从而在前端站点S波到达后大约有260 ms的内部处理时间。假设网络传输到最终用户和本地警报显示(例如,地面运动强度显示或警报触发)需要额外的0.5–1.0 s,那么在S波在前端站点检测后的总警报生成和传播延迟将在<1.5 s的范围内,这符合中等源-站点距离的实际EEW要求。
7. 与传统GMPE的比较
作为对DeepSiteSpectra相对于快速传统方法的重要性的评估,目前使用了基于P波的EEW方法进行GMPE。响应谱预测可以使用传统的GMPE进行,源信息由JMA估计。GMPE由于所需的参数较少且模型公式稳定而成本低廉且易于使用。选择了两个代表性的GMPE方程用于地面运动谱建模,这些方程由Ohno[24]和Morikawa及Fujiwara[25]开发,适用于大地震。为了与这些光谱方法进行性能比较,计算了5%阻尼的pSv谱。源信息是通过JMA估计获得的,在DL模型收敛时使用这些估计值与传统的GMPE(参数见表12)。比较结果如图32所示。
表12. 每个案例研究和相应事件的GMPE参数列表。
空单元格
案例1
案例2
案例3
空单元格
事件1
事件2
事件1
事件2
事件1
事件2
事件1
事件2
起始时间
4/7/11 11:32PM
8/4/13 12:29PM
6/13/10 12:33PM
3/12/11 10:15PM
7/24/08 12:26AM
7/5/14 7:42AM
目标站点
MYG013
MYG013
MYG016
MYG016
MYG006
MYG006
Mj7.1
5.8
6.2
5.9
6.5
6.6
X (km) 85.3
67.6
413
1.4
185.3
85.3
813
9.6
116
3.8
5.6
Vs30 (m/s) 27
327
342
04
20
170
170
DVs20 (km) 0.3
30
0.3
0.3
0.3
0.6
40.6
0.6
D1400 (m) 25
0.1
250.1
255.6
25.6
7.2
7.2
空单元格
案例4
案例5
空单元格
事件1
事件2
事件1
事件2
事件1
事件2
起始时间
7/24/20
08 12:26AM
7/5/20
14 7:42AM
4/7/20
11 11:32PM
10/26/20
18 3:36AM
目标站点
MYG013
MYG013
IWT018
IWT018
Mj6.5
6.7
5.8
X (km) 17
2.6
413
193.5
7.1
178.3
5
Vs30 (m/s) 27
327
334
634
6
DVs20 (km) 0.3
0.3
0.3
0.07
0.07
D1400 (m) 25
0.1
250.1
255.6
7.2
注:a) 每次地震的应力降假设为20Mp,b) 使用震中距离(X)作为距离,JMA震级(Mj)作为矩震级。
下载:下载高分辨率图像(854KB)
下载:下载全尺寸图像
图32. Full [数学处理错误]预测与GMPE的比较。
总体而言,GMPE计算的pSv谱在所有案例研究中的强运动地震事件中始终较低(所有案例研究中的事件1)。特别是在案例1、3、4和5中,当IJMA≥4时,深度学习模型的预测达到了与记录相同对数幅度,并预测了全局幅度峰值。值得注意的是,除了准确的谱值外,深度学习方法还被认为是低成本且快速的,因此它远优于GMPE方法。因此,可以忽略对源信息估计的可靠性。
8. 结论与展望
8.1. 结论
本研究证明了我们的新型CNN-LSTM框架DeepSiteSpectra能够实时稳健地预测目标站点的谱时间序列,通常在有害S波到达前几秒就能预测到。傅里叶振幅谱和伪速度响应谱都被研究,因为它们各自为地震工程的不同领域提供了关键的优势。为了提高这些谱的吸收、训练和推理效率,引入了离散小波变换作为数据预处理的增强方法。最后,在预测后计算中加入JMA地震强度,以便快速从预测的响应谱中计算出强度。该模型经过历史三组分加速度记录的训练,对于产生JMA强度≥4的事件,平均强度估计误差仅为9-11%。重要的是,我们发现仅使用前震点的P波窗口的信息量不如扩展输入以包括S波的最初几秒。这显著地使DeepSiteSpectra能够有效检测到预示强烈震动的突然谱能量增加。
与传统的基于GMPE的方法相比,我们的方法有四个关键优势:
1. 超快推理:在现代硬件上,完整的三分量谱预测(高达数十个频率)可在50毫秒内完成,端到端的EW(Early Warning)发布时间小于10毫秒。
2. 数据驱动的简单性:无需显式的震源参数、传播路径建模或详细的地质输入;模型直接从网络记录中学习所有相关的场地和路径效应。
3. 工程相关的输出:提供完整的傅里叶谱和伪速度谱,而不仅仅是标量强度指数,使结构工程师能够在震动发生前提取需求曲线并评估建筑物的动态响应。
4. 可扩展性和适应性:相同的训练网络可以适应不同的场地条件和构造环境,并且可以立即部署在任何配备传感器的地点。
尽管有这些优势,DeepSiteSpectra也存在一些与AI相关的局限性。框架的性能取决于传感器密度和训练记录的多样性。本研究的一个关键限制是训练-测试划分是在事件级别进行的,因此相同的物理前震点和目标震点同时出现在训练和测试数据集中。因此,报告的性能主要展示了对之前见过站点配置的新事件的泛化能力,而不是对全新的站点组合或站点位置的泛化能力。因此,当前框架应被视为特定于场地的,其更广泛的适用性需要对未见过的站点进行专门的场地级验证。此外,在近场情景中,由于S波的起始可能限制了可用的预警时间,当前方法成为一种快速地面运动预测方法,而不是严格意义上的EW。
此外,我们目前基于离散小波的谱分解将每个模型限制在特定的频率带内,并没有明确模拟跨频带的耦合。最后,所提出的框架应在其他地区实施和评估,以考虑场地条件和地质特征的地域差异,以及前震点的数量及其相互关系。
8.2. 前景
为了进一步提高快速谱预测的能力并扩大DeepSiteSpectra的适用范围,我们提出以下研究方向:
- 需求曲线整合:通过标准响应谱技术将预测的伪谱速度转换为峰值地面加速度和位移。一系列DeepSiteSpectra变体可以为远场站点的高层建筑和关键基础设施生成概率需求曲线。
- 震源和场地信息整合:在本研究中,深度学习框架有意不包含显式的震源或场地参数,仅依赖于记录的地面运动及其衍生的谱表示。虽然这种设计将CNN-LSTM的预测能力与基于波形的信息分离,但它没有量化震级、震中机制、Vs30或独立场地放大因子等额外描述符的潜在贡献。将这些震源和场地相关变量整合到输入特征空间中,并分析它们对模型性能的影响,将是这项工作的重要扩展。这样的参数研究将澄清是否可以在很大程度上独立于这些参数实现准确预测,或者它们的包含对于跨区域和场地条件的稳健泛化是否必不可少。
- 距离感知的谱映射:结合震源-场地距离和衰减参数来模拟远场记录中观察到的系统性谱延长(更长周期)。这可以实现更广泛的震中距离范围内的准确谱映射。
- 海底和海上传感器:利用最近安装的S-NET海底地震站进行更早的P波检测和丰富的谱特征提取。随着海上数据集的成熟,在这些记录上的训练可能会在沿海地区产生超短预警。
- 生成式和基于Transformer的模型:探索先进的Transformer和生成式AI架构,以捕捉长距离的时空依赖性,并根据稀疏输入生成完整的波形或谱。这样的模型可以在未观测到的站点合成真实的地面运动,从而增强EW的覆盖范围。
- 物理信息混合:将物理约束(如单调距离衰减或能量守恒)嵌入网络损失函数或架构(例如PINNs)中,以提高外推的准确性和可解释性。
通过追求这些方向,DeepSiteSpectra可以发展成为一个普遍可部署的、考虑不确定性的EW引擎——在全球范围内为利益相关者在强烈震动发生前的关键几秒内提供可操作的、基于谱的预测。
数据和代码可用性
用于实现CNN-LSTM架构、数据预处理流程、谱特征计算和评估指标的核心代码是用Python(TensorFlow和标准科学库)编写的。代码和预处理数据可以在合理请求下从相应作者处获得。
CRediT作者贡献声明
Ahmed Alaaeldean Torky:写作——审阅与编辑、写作——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。
Susumu OHNO:写作——审阅与编辑、监督、资源管理、项目管理、方法论、资金获取、数据管理、概念化。