《Engineering Geology》：BMINN: A neural network for bedrock motion inversion from ground motion
编辑推荐：
•神经网络根据地表运动重建基岩运动。•峰值加速度和波形被分别预测以实现完整重建。•峰值加速度误差和谱加速度误差分别降低了20.8%和26.1%。引言基岩运动（BM）对地震危险性评估至关重要，是理解和减轻地震影响的关键组成部分。基岩运动代表了基岩层级的地面运动（GM），不受上覆
- •
神经网络根据地表运动重建基岩运动。
- •
峰值加速度和波形被分别预测以实现完整重建。
- •
峰值加速度误差和谱加速度误差分别降低了20.8%和26.1%。
引言
基岩运动（BM）对地震危险性评估至关重要，是理解和减轻地震影响的关键组成部分。基岩运动代表了基岩层级的地面运动（GM），不受上覆土层引入的放大效应影响，是场地反应分析、结构设计和关键基础设施风险评估（包括桥梁、建筑物和核设施）的主要输入（Yang等，2023）。直接观测基岩运动是获取数据的最直接方法。然而，大多数地震台站安装在地球表面，这使得直接观测基岩运动成为一项重大挑战（Zhang等，2024）。
从地面运动反演基岩运动正逐渐成为岩土工程和地震工程研究的主要焦点。一维（1D）反演模型通常假设地震波在水平层状介质中垂直传播，被广泛用于基岩运动反演。然而，实际场地条件可能涉及斜入射波（Liang等，2014；Liang等，2019）、模式转换、多维波传播和非线性土体行为（Satoh等，2001；Satoh等，1997）。特别是，剪切模量和阻尼比等土体性质在强震动期间随应变而变化（Tsai和Chen，2016）。因此，依赖线性或等效线性土体行为的一维反演模型不足以捕捉强地震激励下产生的非线性特征（Di Martino等，2024）。
获取基岩运动的另一种方法涉及使用基于物理的仿真，利用波传播建模技术（Che等，2016；Wetter等，2026；Yuan等，2025），如谱元法（Feng等，2022；Jiang等，2025）和有限差分法（Cascini等，2016；Li等，2025；Liu和Wong，2025），在具有既定破裂和介质模型的指定计算域内对地震波传播进行建模。然而，基于物理的仿真的准确性高度依赖于破裂模型和介质模型的保真度。鉴于对实际破裂过程的了解有限以及三维非均质地下介质的复杂性，对这些参数的次优建模会导致仿真结果与观测记录之间出现显著差异（Wang等，2022）。此外，此类仿真所需的大量网格或单元施加了巨大的计算负担，特别是在进行大规模仿真（Poursartip等，2020）和将土体非线性纳入模型时。
机器学习（ML）（Díaz等，2022；Khosro Anjom等，2026；Ritushree等，2026；Zhao等，2026），特别是深度学习（DL）方法（Ju等，2026；Liu等，2026），因其能够从数据中学习复杂非线性关系的能力，在工程问题中得到日益广泛的应用（Ji等，2024；Li等，2023a）。在地震工程中，深度神经网络（DNNs）已被用于开发地面运动预测模型（Ji等，2025；Ji等，2021；Li等，2023b），而生成对抗网络（GANs）已被应用于地震信号处理（Chen等，2024）和波形模拟（Florez等，2022）。这些研究表明，深度学习具有捕捉地震特征、场地条件和地面运动特征之间复杂关系的潜力。然而，利用深度学习直接恢复完整基岩运动时程的研究仍然有限。
为了解决在缺少相应井中记录时获取基岩加速度时程的困难，本研究开发了一种基岩运动反演神经网络（BMINN）。所提出的BMINN由两个模块组成，分别学习基岩运动的两个关键属性：通过峰值基岩加速度（PBA）学习的幅值，以及通过归一化小波包系数（WPCs）学习的时间-频率特征，随后将两者集成以重建完整的加速度时程。这种双目标学习策略使得互补特征能够被分别捕捉并组合，以表征从地表到基岩的非线性转换。BMINN在一个由17,552对地面运动和基岩运动记录组成的数据集上进行训练，系统分析了预测基岩运动的PBA、伪谱加速度（PSA）和时程，以评估所提模型的可靠性。
章节摘要
地震记录数据集
本研究使用的地面运动和基岩运动记录选自日本基干强震观测网络（KiK-net）数据库，该数据库包含近700个地震台站，提供高质量的地表记录和井中记录，以及详细的钻孔剖面资料。根据以下五项标准从KiK-net数据库中选择记录：
- (1)
根据日本地震危险性信息站（J-SHIS）（Fujiwara等，2009）对工程基岩的定义，仅选择满足条件的记录
BMINN架构
如图4所示，BMINN由两个独立模块组成：PBA预测模块和归一化WPC预测模块。PBA模块从地震学参数、土层剖面和PGA估计基岩运动的幅值。并行地，WPC模块预测基岩运动的归一化WPC，随后通过小波包重构将其转换为归一化的基岩运动时程。最后，利用预测的PBA对重构波形进行缩放，以获得完整的基岩运动
精度评估
图8展示了PBA和WPC预测模块的训练和验证损失曲线。可以观察到，训练和验证损失整体呈下降趋势并收敛到相似水平，而验证损失没有持续增加或偏离训练损失，表明没有明显的过拟合迹象。图9比较了训练集和测试集的观测PBA值和预测PBA值。在两个数据集中，预测值均集中在y = x 附近
结论
所提出的BMINN通过从地面运动、地震参数和场地信息中分别预测PBA和归一化WPC来重建基岩加速度时程。在独立测试集上，PBA的R2值达到0.913，在所研究的周期内PSA的R2值最高达0.917。残差分析表明，PBA残差对VS30没有明显的依赖性，而PSA残差在所考虑周期内保持在相对狭窄的范围内。在四个代表性案例中，
CRediT作者贡献声明
Ji Duofa： 写作——审阅与编辑，写作——初稿撰写，指导，软件，方法学，经费获取，概念化。Chen Youming： 写作——审阅与编辑，写作——初稿撰写，验证，软件，方法学，数据整理，概念化。Li Chenxi： 写作——审阅与编辑，写作——初稿撰写，验证，软件，方法学，概念化。Zhai Changhai： 写作——审阅与编辑，验证，指导，软件，经费获取。
资金支持
感谢国家自然科学基金（项目编号：52522813和52378503）以及黑龙江省自然科学基金（项目编号：YQ2024E031）对本研究提供的资金支持。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。
Ji Duofa | Chen Youming | Li Chenxi | Zhai Changhai | Wen Weiping | Xie Lili
