一种地震动场的预测方法及系统与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及地震工程技术领域，具体来说，涉及一种地震动场的预测方法及系统。背景技术：2.强地面运动数值模拟是定量化研究地震造成地表质点运动的重要手段，作为地震动场构建的重要方法，可以将震源、传播路径、介质参数及地震波的衰减等基本问题考虑进去，进行基于物理过程的地震动场构建。相比于地震动衰减关系方法，可有效提高地震动场构建的准确度和分辨率。3.目前强地面运动数值模拟方法主要有三大类：1)确定性方法，基于震源运动学和动力学的地面运动模拟，主要应用于近场速度、位移或地表形变和盆地效应的估计等。2)随机性方法，研究与观测表明，随机过程是地震动高频分量的主要特征，高频地震动常用随机方法来模拟；3)混合型方法，即低频利用确定性方法模拟，高频用随机方法模拟。4.然而，在实际应用时，地震往往无法预测，上述三种方法技术均只能在地震发生之后，在收集到各类基础资料后开展模拟，且对于三维复杂介质的强地面运动模拟，往往需要大规模的计算和较长的时间完成模拟，因此，实效性成为利用强地面运动模拟手段进行地震动场预测和地震危险性实时评估的一大阻碍。5.针对相关技术中的问题，目前尚未提出有效的解决方案。技术实现要素：6.针对相关技术中的问题，本发明提出一种地震动场的预测方法及系统，其能够有效地获得较为准确的地震动场的预测。7.本发明的技术方案是这样实现的：8.根据本发明的一方面，提供了一种地震动场的预测方法。9.该地震动场的预测方法，包括：10.根据地震监测台网各台站，获得地震区域的地震动峰值加速度pga；11.将地震区域的地震动峰值加速度pga作为输入参数，并通过预先建立的u-net神经网络模型，对输入参数进行预测并输出地震动峰值加速度pga分布图，实现对地震动场的预测。12.此外，该地震动场的预测方法，还包括：预先建立u-net神经网络模型。13.其中，预先建立u-net神经网络模型包括：建立具有卷积层、池化层和上采样层的深度神经网络；采用relu函数为激活函数，采用ms-ssim损失函数和adam自适应优化函数进行反向传播，得到u-net神经网络模型。14.另外，预先建立u-net神经网络模型还包括：将预先获取的地震动峰值加速度pga散点分布图作为输入参数，使用u-net神经网络模型进行地震动峰值加速度pga分布图的预测；利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差，并利用网络正传过程中所有运算操作的偏导数对误差进行反向传播；使用adam自适应优化函数，调整网络中的权值，进行迭代训练，当预测结果与标签之间的误差在预定范围内，完成u-net神经网络模型训练，得到训练后的u-net神经网络模型。15.其中，利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差的计算公式为：[0016][0017]式中，lms-ssim表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差；m表示不同的尺度；μp，μg分别表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图的均值；σp，σg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的标准差；σpg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的协方差；βm，γm表示两项之间的相对重要性；c1，c2为常数项，防止除数为0。[0018]根据本发明的另一方面，提供了一种地震动场的预测系统。[0019]该地震动场的预测系统，包括：[0020]数据获取模块，用于根据地震监测台网各台站，获得地震区域的地震动峰值加速度pga；[0021]pga预测模块，用于将地震区域的地震动峰值加速度pga作为输入参数，并通过预先建立的u-net神经网络模型，对输入参数进行预测并输出地震动峰值加速度pga分布图，实现对地震动场的预测。[0022]此外，该地震动场的预测系统，还包括：u-net网络创建模块，用于预先建立u-net神经网络模型。[0023]其中，所述u-net网络创建模块包括：模型建立模块；用于建立具有卷积层、池化层和上采样层的深度神经网络；并采用relu函数为激活函数，采用ms-ssim损失函数和adam自适应优化函数进行反向传播，得到u-net神经网络模型。[0024]另外，所述u-net网络创建模块还包括：模型训练模块，用于将预先获取的地震动峰值加速度pga散点分布图作为输入参数，使用u-net神经网络模型进行地震动峰值加速度pga分布图的预测；利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差，并利用网络正传过程中所有运算操作的偏导数对误差进行反向传播；使用adam自适应优化函数，调整网络中的权值，进行迭代训练，当预测结果与标签之间的误差在预定范围内，完成u-net神经网络模型训练，得到训练后的u-net神经网络模型。[0025]其中，利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差的计算公式为：[0026][0027]式中，lms-ssim表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差；m表示不同的尺度；μp，μg分别表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图的均值；σp，σg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的标准差；σpg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的协方差；βm，γm表示两项之间的相对重要性；c1，c2为常数项，防止除数为0。[0028]有益效果：[0029]本发明在采集到地震区域的地震动峰值加速度pga后，利用u-net神经网络模型，对输入参数进行预测，即可得到输出地震动峰值加速度pga分布图，有效的提高了对地震动场预测和地震危险性评估的实时性，同时，还能提高预测的精度，有效地获得较为准确的地震动场的预测；又能保证深度神经网络模型的适用性。附图说明[0030]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0031]图1是根据本发明实施例的一种地震动场的预测方法的流程示意图；[0032]图2是根据本发明实施例的u-net神经网络模型的结构示意图；[0033]图3是根据本发明实施例的u-net神经网络模型训练流程示意图；[0034]图4是根据本发明实施例的一种地震动场的预测系统的结构框图。具体实施方式[0035]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。[0036]根据本发明的实施例，提供了一种地震动场的预测方法及系统。[0037]如图1所示，根据本发明实施例的一种地震动场的预测方法，包括：[0038]步骤s101，根据地震监测台网各台站，获得地震区域的地震动峰值加速度pga；[0039]步骤s103，将地震区域的地震动峰值加速度pga作为输入参数，并通过预先建立的u-net神经网络模型，对输入参数进行预测并输出地震动峰值加速度pga分布图，实现对地震动场的预测。[0040]在上述方案中，地震动场的预测方法还包括：预先建立u-net神经网络模型。其中，预先建立u-net神经网络模型包括：建立具有卷积层、池化层和上采样层的深度神经网络；采用relu函数为激活函数，采用ms-ssim损失函数和adam自适应优化函数进行反向传播，得到u-net神经网络模型。将预先获取的地震动峰值加速度pga散点分布图作为输入参数，使用u-net神经网络模型进行地震动峰值加速度pga分布图的预测；利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差，并利用网络正传过程中所有运算操作的偏导数对误差进行反向传播；使用adam自适应优化函数，调整网络中的权值，进行迭代训练，当预测结果与标签之间的误差在预定范围内，完成u-net神经网络模型训练，得到训练后的u-net神经网络模型。[0041]在实际应用时，本发明的u-net神经网络模型没有全连接层，只采用卷积层、池化层和上采样层，每个卷积层都紧跟着relu激活函数，在进行池化时候采用最大池化方式进行，可以减少维度和冗余的信息，减少网络参数个数，压缩特征，加快计算速率。同时，u-net网络选用relu函数作为激活函数，通过激活函数将图像特征保留并映射到对应的特征标签上。relu函数表达式为：[0042]relu(x)＝max(0，x)；[0043]从上式是可以看出，relu函数是一个取最大值的函数，其作用是保留大于0的数据，剔除小于0的数据，这种方式可以在降低计算量的同时保证神经元的稀疏性，同时能够防止过拟合，从而更好地挖掘图像的特征。[0044]在神经网络完成一次正向传播过程后，需要使用损失函数计算预测值(预测地震动峰值加速度pga分布图)和标签(模拟地震动峰值加速度pga分布图)之间的误差，之后再利用网络正传过程中所有运算操作的偏导数把误差进行反向传播，从而调整网络中的权值。本发明采用多尺度结构相似性损失函数(ms-ssim)用于衡量预测地震动峰值加速度pga与模拟地震动峰值加速度pga(标签)之间的差距，其计算公式为：[0045][0046]式中，lms-ssim表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差；m表示不同的尺度；μp，μg分别表示预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图的均值；σp，σg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的标准差；σpg表示预测地震动峰值加速度pga分布图和和模拟地震动峰值加速度pga分布图之间的协方差；βm，γm表示两项之间的相对重要性；c1，c2为常数项，防止除数为0。[0047]此外，从网络架构和功能上来说，本发明的u-net神经网络模型共有4层网络及3种不同的功能层，分别对地震动峰值加速度pga的散点图进行了4次下采样和4次上采样，如图2所示。网络输入为1张200×200网格点的pga散点分布图，功能层分别为：(1)卷积层+激活函数relu。对于第一层来说，使用16个3×3的卷积核来映射pga散点分布图的特征，再通过relu函数处理后得到16个200×200的特征图像，然后把这16个200×200的结果再经过一次同样的卷积和relu激活函数处理(每层网络都经过2次卷积来提取图像特征)，每下一层，卷积核数量翻倍，如通过第二层使用32个3×3的卷积核+relu激活函数，以此类推；(2)池化层(下采样)。对应网络的左边部分，采用最大池化方式进行下采样，使用2×2大小的池化核，经过4次下采样处理，每下采样一层，图像减小一半，最终下采样的结果是得到256个12×12大小的特征图像；(3)上采样层。对应与网络的右边部分，从下往上，把256个12×12的特征图像经过128个2×2的卷积核进行反卷积，把图像扩大为25×25，再进行2次卷积+relu激活函数处理后得到128个25×25的特征图像，然后再进行下一次上采样，重复上述过程，每上采样一层，卷积核数目减少一半，图像扩大一倍，最后上采样的结果是16个200×200的特征图像。最后一步选择1个1×1的卷积核把16个特征图像变成1个，获得预测的200×200网格点的pga分布图。[0048]而如图3所示，本发明的u-net神经网络模型在训练时，其过程可为：输入pga散点分布图，使用u-net网络进行pga分布图的预测，接着利用ms-ssim损失函数计算预测pga分布图和标签之间的误差，然后再利用网络正传过程中所有运算操作的偏导数把误差进行反向传播，并使用adam优化算法更新参数，调整网络中的权值，进行迭代训练，当预测结果与标签之间的误差在可接受的范围内，即完成网络训练。在网络训练完成后，在实际地震发生时，只需要输入该地区布设有台站获得的地震动峰值加速度pga，经过训练好的u-net网络，就能获得该地区预测的地震动峰值加速度pga分布图。[0049]对应的，如图4所示，根据本发明实施例的一种地震动场的预测系统，包括：[0050]数据获取模块401，用于根据地震监测台网各台站，获得地震区域的地震动峰值加速度pga；[0051]pga预测模块403，用于将地震区域的地震动峰值加速度pga作为输入参数，并通过预先建立的u-net神经网络模型，对输入参数进行预测并输出地震动峰值加速度pga分布图，实现对地震动场的预测。[0052]此外，该地震动场的预测系统还包括：u-net网络创建模块(图中未示出)，用于预先建立u-net神经网络模型。其中，所述u-net网络创建模块包括：模型建立模块(图中未示出)；用于建立具有卷积层、池化层和上采样层的深度神经网络；并采用relu函数为激活函数，采用ms-ssim损失函数和adam自适应优化函数进行反向传播，得到u-net神经网络模型。模型训练模块(图中未示出)，用于将预先获取的地震动峰值加速度pga散点分布图作为输入参数，使用u-net神经网络模型进行地震动峰值加速度pga分布图的预测；利用ms-ssim损失函数计算预测地震动峰值加速度pga分布图和模拟地震动峰值加速度pga分布图之间的误差，并利用网络正传过程中所有运算操作的偏导数对误差进行反向传播；使用adam自适应优化函数，调整网络中的权值，进行迭代训练，当预测结果与标签之间的误差在预定范围内，完成u-net神经网络模型训练，得到训练后的u-net神经网络模型。[0053]综上可见，借助于本发明的上述技术方案，通过建立u-net神经网络模型，并在采集到地震区域的地震动峰值加速度pga后，利用u-net神经网络模型，对输入参数进行预测，即可得到输出地震动峰值加速度pga分布图，有效的提高了对地震动场预测和地震危险性评估的实时性，同时，由于本发明的u-net神经网络模型没有跳跃连接层，从而还能提高预测的精度，有效地获得较为准确的地震动场的预测。[0054]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!