基于田口优化与混合人工神经网络的日本地震动强度指标预测

《Soil Dynamics and Earthquake Engineering》：Predicting ground motion intensity measures in Japan using a hybrid artificial neural network integrated with Taguchi optimization

　　

- 开发了一种面向日本的地震加速度预测模型，采用田口优化方法对多输出人工神经网络（ANN）进行优化，能够预测多种地震动强度指标（IMs）。
- 田口优化方法仅通过25次实验即高效地识别出接近最优的ANN超参数。
- 混合效应模型实现了较低的残差变异性，并支持部分非遍历性公式的制定。
- 量化了IMs之间的残差相关性，并与先前发表的相关性模型进行了比较。
- SHAP分析表明，该ANN模型捕捉到了物理一致的震级、距离和场地效应。

引言

在地震危险性评估中，地震动放大模型（GMMs）用于估算地面运动或地面运动IMs，发挥着核心作用，并在过去几十年中得到了广泛发展。这些模型通常由观测或模拟数据集推导而来，构成了确定性地震危险性分析和概率地震危险性分析的基础组成部分，将地震源特征、路径效应和场地条件与预期的地面震动水平系统地联系起来。因此，它们是编制地震危险性地图、制定建筑规范和风险导向的土地利用规划不可或缺的工具。一般来说，GMMs被制定用于预测各种类型的IMs，包括累积IMs（如AI [1]和CAV [2]）、强震动持续时长度量（如AI的5-75%和5-95%之间的时间跨度Ds5-75和Ds5-95）、峰值IMs（如PGA和PGV）以及谱IMs（如PSA）。

鉴于GMMs在地震危险性评估中的关键作用，过去几十年间已开发出大量模型。据Douglas [3]统计，从1964年到2023年，共提出了505个经验GMMs用于预测PGA，155个用于PGV，324个用于PSA。此外，34个模型用于AI，14个用于CAV，23个用于相对显著持续时长度量，其中大多数针对浅源地震。传统上，GMMs采用预定义方程形式（PEFs）开发，随后对记录数据进行回归分析以校准模型系数（例如由太平洋地震工程研究中心开发的新一代衰减NGA-West2模型）。这种方法具有良好的物理可解释性，因为其函数形式旨在反映地面运动的已知特征。然而，由于地震过程的固有复杂性，这些模型往往依赖于简化假设，可能无法完全捕捉实际地震事件的变异性，从而可能限制预测精度 [4]。为解决这一问题，一些研究纳入了额外的解释变量以更好地表征浅层场地效应、悬挂壁效应和盆地响应等复杂现象 [5]。然而，引入大量参数会增加模型复杂性并可能导致过拟合，从而降低泛化能力 [6]。

近年来，机器学习（ML）的快速发展为地面运动IMs建模提供了新的机遇。Alidadi和Pezeshk [7]的综述强调了ML技术在GMM开发中日益增长的应用。尽管取得了这些进展，基于ML的GMMs在不同地区的发展仍不均衡。虽然全球模型（特别是基于NGA-West2数据库的模型）在PEF和ML方法方面都很丰富 [5,[8], [9], [10]]，但区域特定模型（如日本模型）[11], [12], [13] 仍然相对有限 [14]。

日本是世界上最活跃的地震区域之一，拥有密集的地震动观测网络，包括基干强震观测网（KiK-net）和强震观测网（K-NET）[15,16]，这些网络提供了高质量且分布广泛的数据库。尽管如此，专门为日本开发的GMMs数量仍然相对较少 [3]。表S1总结了基于日本相关强震动记录的代表性GMMs，涵盖AI、CAV、Ds5-75、Ds5-95、PGA、PGV和PSA。虽然该表并未穷尽所有可用模型，但可以观察到几个关键问题。首先，包含日本数据的全球研究通常只包含少量此类记录，限制了其充分捕捉区域地面运动特征的能力。其次，大多数全球模型主要针对地壳地震，而日本的地壳地震和俯冲地震都很普遍。第三，日本特定研究的数量仍然有限，且通常只关注少数IMs，而非覆盖广泛的范围。现有的日本相关研究仍然缺乏，不仅缺少基于ML的模型，也缺少基于PEF的模型。

据作者所知，目前没有研究开发过能够全面预测广泛IMs范围的基于ML的日本GMMs。例如，Hu等人 [17] 仅针对显著持续时长、AI和CAV开发了基于支持向量回归（SVR）的GMMs，且仅使用了关东地区的记录。Derras等人 [18] 使用KiK-net数据库开发了基于ANN的GMM，但该模型仅限于PGA预测。在该研究中，超参数选择采用相对简单的方法：隐藏层数量固定为一层，节点数量根据Akaike信息准则（AIC）和标准差确定，激活函数通过基本敏感性分析选择。同样，Junjie等人 [19] 为日本开发了基于PEF、随机森林（RF）和ANN的GMMs，但仅用于PGV预测，且ANN和RF的超参数使用网格搜索进行调优。Dang等人 [20] 提出了一种贝叶斯优化极限梯度提升（BO-XGB）模型，用于预测日本的PGA和PSA，并将其性能与BO-RF和BO-深度神经网络（DNN）模型进行了比较，得出结论认为BO-XGB表现最佳。然而，该研究仅考虑了地壳地震。

总体而言，现有的日本基于ML的GMMs仅限于特定的IMs，且在适用范围和输入参数方面存在差异，使得统一和实际应用变得困难。此外，大多数先前的日本基于ML的GMMs未考虑与遍历性假设相关的 Uncertainty [17], [18], [19], [20]，特别是重复性场地响应效应，这些效应可能非常显著且应纳入模型开发中。此外，基于ML的GMMs（特别是基于ANN的模型）的超参数优化尚未得到全面研究，不仅在日本，在其他地区也是如此。大多数先前的基于ANN的GMM研究依赖网格搜索、随机搜索（RS）或试错方法进行超参数调优 [21], [22], [23], [24], [25], [26]。然而，试错方法无法系统性地探索广泛的超参数，网格搜索计算成本高且对复杂模型往往效率低下，而RS可能产生高方差且缺乏系统性探索 [27]。此外，这两种方法都无法有效捕捉超参数之间的交互作用 [28]。

本研究开发了一种基于ML的方法，使用ANN构建日本特定的GMMs，能够预测多种IMs，包括Ds5-75、Ds5-95、AI、CAV、PGA、PGV和PSA，周期范围T（PSAT）从0.01到10秒。该模型使用KiK-net数据库中的强震动记录进行训练，并纳入了八个输入参数：矩震级（Mw）、震源深度（ZD）、事件类型（ET）、断层机制（FM）、破裂距离（Rrup）、考虑火山效应的区域指标、相邻层之间最大的剪切波速度对比度（CS）以及上30米时间平均剪切波速度（Vs30）。采用了一种优化方案来系统地评估超参数的影响。该方案与混合效应回归框架相结合，通过似然最大化将总残差分解为事件间和事件内分量 [29]。所提出的模型在预测性能、残差行为和变异性方面进行了评估。通过残差分析识别了与输入参数相关的潜在偏差，适用于事件间和事件内分量，同时将所提出模型的变异性与现有的日本特定模型进行了比较。此外，应用了部分非遍历性框架，通过第二阶段混合效应回归将事件内残差分解为场地间和事件-场地校正分量，从而进一步降低总变异性。还验证了模型再现地面运动关键物理特征的能力，包括震级标度律和距离衰减。此外，量化了IMs之间的相关性，简要呈现并与先前研究报告的结果进行了比较，以评估数据集与GMMs之间IM相关性的差异。最后，采用SHAP分析来解释模型并量化输入参数的相对重要性。

总体而言，本研究提供了一个统一框架，用于开发计算高效、感知不确定性且可解释的基于ML的GMMs，能够一致地预测全面的地面运动IMs套件。除了开发日本特定的GMMs外，所提出的方法在一个统一的基于ML的架构中整合了系统超参数优化、混合效应不确定性分解、IM间相关建模和模型解释。

分节片段

数据源与筛选程序

KiK-net [15]是一个密集的强震动观测网络，提供了日本各地各种地震类型的大量记录。它已在先前研究中广泛用于开发GMMs [18,30,31]和场地放大模型 [14,32,33]。截至2025年4月1日，该网络包括695个观测站，每个站点都配备了安装在地表和钻孔底部的强震动地震仪。这些钻孔还提供了详细的场地条件数据。

模型输入和输出变量

由于GMMs通常由震源特征、路径衰减和场地效应控制，选择了一组输入参数来表征这些组成部分。具体而言，使用八个参数Mw、ZD、ET、FM、Rrup、RG、Vs30和CS作为模型输入。尽管先前的研究考虑了其他因素，如指向性效应 [9,47]、主震-余震效应 [48,49]和盆地效应 [8,48]，但它们通常被视为次要效应。此外，

超参数的贡献与优化值

在完成L25正交阵列实验（表2）后，基于验证折的RMSE计算的SNR值如图11所示。所有IMs的最优SNR值并不一致。具体而言，Ds5-75和Ds5-95的最高SNR值来自实验编号10；而AI、CAV、PGA、PGV和PSA的最高SNR值在实验编号25中观察到。

基于这些实验和方差分析（ANOVA）结果，SNR值与...之间的关系

结论

由于覆盖广泛IMs范围的日本基于ML的GMMs有限，本研究开发了一种混合TO-ANN模型，能够预测多种IMs，包括Ds5-75、Ds5-95、AI、CAV、PGA、PGV和PSA，周期范围从0.01到10秒。采用TO方法识别接近最优的超参数配置并评估每个超参数对模型性能的贡献。将混合效应框架与TO相结合用于开发...

CRediT作者贡献声明

Le-Anh-Nhat Nguyen：写作 – 审阅与编辑、写作 – 原稿撰写、验证、软件、调查、数据整理、概念构思。Yong-Gook Lee：写作 – 审阅与编辑、调查、概念构思。Duhee Park：写作 – 审阅与编辑、验证、监督、方法、资金获取、概念构思。

利益冲突声明

作者声明不存在已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究由韩国国家研究基金会（NRF）资助，资金来自韩国政府（MSIT）[NRF-2022R1A2C3003245]。作者感谢日本地震防灾研究中心（NIED）提供的地面运动数据库。作者衷心感谢主编、编辑和匿名审稿人提出的宝贵意见、富有洞察力的建议，以及为改进本手稿所投入的时间和精力。

Le-Anh-Nhat Nguyen | Yong-Gook Lee | Duhee Park