基于主成分分析及BP神经网络分析的地震人员伤亡预测模型研究

影响地震人员伤亡的因素众多,且彼此之间存在着复杂的交互作用。本文在综合考虑各种因素后选取地震发生时刻、人口密度、地震预报与否、建筑物破坏率、设防水准、震级、烈度等因素作为评价指标,首先运用主成分分析算出其主成分,然后运用神经网络分析方法建立预测模型。实例验证预测效果良好。     

云南地震灾害人员伤亡预测方法研究

以1992～2010年云南地区的破坏性地震的伤亡人数资料为主,将其分别与地震震级和烈度统计拟合,得到云南地区震级和烈度与死亡人数的关系曲线及表达式。根据云南各地的自然环境和社会发展的差异,确定了各种条件下的地震灾害人员死亡影响因子加权系数的取值,对两个拟合关系表达式进行校正。采用该方法计算了已发生的12个地震的死亡人数,并与实际的地震灾害死亡人数作了对比及讨论。     

预测人员震害损失的神经网络模型

随着区域经济的发展与城市化进程的加快,人口的集中度不断增加,这也给抗震防灾带来了新的课题。对地震中人员的损失进行有效的预测可为抗震防灾工作提供有力的管理方向。选择地震发生的震级、震源深度、震中烈度、设防水准、地震加速度、人口密度、地震预报等影响地震灾害人员伤亡的主要因素作为预测指标,以37次严重地震灾害为样本,建立了我国特征的BP神经网络地震灾害人员伤亡预测模型。     

地震灾害人员伤亡关键影响因素指标体系构建

针对目前常用的地震灾害人员伤亡评估模型和方法评价指标单一,难以有效体现不同区域人员伤亡的差异等问题,通过归纳总结历史地震案例中造成人员伤亡的原因,提炼出影响地震人员伤亡的主要因素,应用层次分析法构建地震灾害人员伤亡关键影响因素指标体系,为人员伤亡评估方法的改进奠定了基础。     

基于多因素的地震灾害人员伤亡评估模型研究

针对目前常用的地震灾害中人员伤亡评估模型和方法评价指标单一,难以有效体现不同因素对人员伤亡的影响等不足,根据地震造成人员伤亡的原因,对造成人员伤亡的主要因素进行系统分析,在此基础上,选取参与构建地震灾害人员伤亡评估模型的因素。采用多元非线性回归法建立了基于多因素的地震灾害人员伤亡评估模型,并考虑次生地质灾害对评估结果的修正,提高了人员伤亡评估模型在四川地区的适用性及评估结果的可靠性。     

地震人员伤亡预测与研究现状

前言１９９５年阪神淡路大震灾夺去了６４００多人的宝贵生命,是第二次世界大战后最严重的自然灾害。大震灾发生后,日本各地都对各自的区域防灾计划进行了修改。依据灾害对策基本法,日本全国每个自治体都有义务有针对性地制定各自地区的防灾计划。制定防灾计划的前提是...     

基于地形因素的地震灾害人员伤亡评估模型探讨——以云南省为例

以云南省为例,利用1976-2020年云南省5级以上历史震害资料,采用线性拟合和多项式拟合的方法计算得到了云南地区地震灾害伤亡人数的预测模型,分析地震伤亡人数与震级、烈度、高程、坡度、起伏度和森林覆盖率的相关性。结果表明,当地震震级大小在（5,7]之间时伤亡人数主要受烈度、震级、高程、起伏度、坡度和森林覆盖率的影响;当地震震级大小在（7,8]之间时伤亡人数主要受烈度、震级、高程、起伏度的影响,与坡度和森林覆盖率因素相关性很小。通过评估模型计算得到模拟地震伤亡人数,与实际伤亡人数进行线性回归检验,检验结果显示建立的模型基本能够适用于云南省地震灾害伤亡人数的预测。     

地震诱发的侧向水平位移神经网络预测模型

在对地震液化诱发的侧向水平位移预测模型评述的基础上，分析了地震、地形、土质等实测数据与侧向水平水移之间的相互关系，并提出了侧向位平位移神经网络预测模型。模型较好地反映了参数之间复杂的非线性关系，网络预测结果与实测数据较为吻合，两者之间相关系数为0．9左右。模型数据分析结果表明侧向位移随着距自由临空面距离（L）的增加而呈双曲线关系下降，随液化层厚度的增加而增加。不同L条件一临空面高度与侧向位移之间有一灵敏变化区，即当H约等于4－7m之间时，侧向位移急剧变化。     

地震报道死亡人数随时间变化的修正指数模型

震后对地震死亡人数做出可靠的估计,可以为现场抗震救灾指挥部的指挥部署和民政部门的救灾安排工作提供有益的参考,能在一定程度上提高抗震救灾的效率．作者收集了汶川地震各时刻的死亡人数,采用修正指数曲线进行拟合,并与指数函数进行了比较,同时又用集集地震和阪神地震的数据进行了验证,结果均表明修正指数曲线的拟合结果较好．该拟合函数可能形成地震死亡人数的估计方法,并为各级抗震救灾指挥部提供救灾决策的参考．     

汶川地震都江堰市人员伤亡研究

都江堰市在汶川地震中人员伤亡严重,文中主要研究了该市所辖地区人员伤亡的时空分布特征及影响人员伤亡数的各种因素,希望对城市防震减灾具有参考意义。根据都江堰地区各乡镇的烈度及人员伤亡数据,分析了地震烈度及人口密度对人员死亡率的影响,并给出了死亡率与烈度及人口密度的经验关系式,结果表明死亡率与烈度具有较明显的正相关性。研究了死亡率随断层距的变化规律,分析表明死亡率与断层距的相关性比与烈度的相关性更明显。采用断层距估计人口死亡率在一定程度上减小了烈度评定中人为等因素带来的不确定性,因而更具客观性。定量分析了报道死亡人数随时间的变化规律,定性讨论了救援效率与报道死亡人数的关系,报道死亡人数占总死亡人数的比例与救援效率成正比。总结了造成人员伤亡的几种因素,认为房屋破坏和倒塌是造成人员伤亡的主要原因,而且不同结构类型房屋破坏造成的人员伤亡率相差甚大,这是在人员伤亡评估中需要注意的问题。     

东部地区地震人员伤亡评估方法研究

我国是地震多发的国家之一,其中破坏性地震的发生频率也相对较高.伴随着我国经济的高速发展与城市化进程的加快,地震风险意识的提高以及国家对地震应急救援能力的更高要求都促进了对地震灾害评估方法的研究.其中地震人员伤亡评估方法更是灾情预测的重中之重,然而我国大部分历史地震都发生在西部,已有的地震人员伤亡评估方法也是基于西部历史...     

2020年5月18日云南巧家MS 5.0地震伤亡人员分布特征

2020年5月18日云南巧家发生MS 5.0地震,造成4人死亡、28人受伤(6名重伤员,22名轻伤员),与云南省其他地区同级别地震相比,人员伤亡比例偏高,与昭通地区历史地震相比,人员伤亡比例稍低.本文从震害伤亡人员的空间分布、伤情、伤亡原因等进行统计分析,得出云南巧家5.0级地震伤亡人员分布特征,并提出具有针对性的建议...     

基于PCA-PSO-SVM的地震死亡人数预测模型研究

为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。     

地震震级预测的相关向量机模型

为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机（Relevance Vector Machine,RVM）方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。     

Neural network model for liquefaction potential in soil deposits using Turkey and Taiwan earthquake data

Simplified methods have been practiced by researchers to assess nonlinear liquefaction potential of soil. Derived from several field and laboratory tests, various simplified procedures such as stress-based, strain-based, Chinese criteria, etc. have been developed by utilizing case studies and undisturbed soil specimens. In order to address the collective knowledge built up in conventional liquefaction engineering, an alternative general regression neural network model is proposed in this paper.To meet this objective, a total of 620 sets of data including 12 soil and seismic parameters are introduced into the model. The data includes the results of field tests from the two major earthquakes that took place in Turkey and Taiwan in 1999 and some of the desired input parameters are obtained from correlations existing in the literature.The proposed GRNN model was developed in four phases, mainly: identification phase, collection phase, implementation phase, and verification phase. An iterative procedure was followed to maximize the accuracy of the proposed model. The case records were divided randomly into testing, training, and validation datasets.Generating a model that takes into account of 12 soil and seismic parameters is not feasible by using simplified techniques; however, the proposed GRNN model effectively explored the complex relationship between the introduced soil and seismic input parameters and validated the liquefaction decision obtained by simplified methods. The proposed GRNN model predicted well the occurrence/nonoccurrence of soil liquefaction in these sites. The model provides a viable tool to geotechnical engineers in assessing seismic condition in sites susceptible to liquefaction.     

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1~40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前震和余震共11次地震事件进行实时震级估算.结果表明：在P波到达后1~40 s的不同时间窗下,随着时间窗的增加,深度卷积神经网络单台震级估算模型对训练集和验证集的震级估算误差和标准差逐渐减小,且逐渐趋于稳定;对于云南漾濞M_S6.4主震与青海玛多M_S7.4主震,大部分单台震级估算误差主要分布在±0.5震级单位内;通过多台加权平均方法计算预测震级,漾濞主震与玛多主震在首台触发后2 s时,震级估算结果分别是M6.0和M7.0;同时,随着首台触发后时间的增加,漾濞与玛多主震的震级估算逐渐接近实际震级,且在首台触发后9 s时,漾濞主震和玛多主震的震级估算分别是M6.2和M7.3;在首台触发后1 s时,对于玛多与漾濞地震的前震和余震,多台加权平均震级估算结果也主要分布在±0.5震级单位误差范围内.该方法为中国地震预警系统的震级估算方案提供了潜在可能.

     

利用BP神经网络技术建立自贡地区地震动地形效应模型及其在汶川地震中的效验

地形效应是地震学、地震工程学和工程地震学中非常重要的研究课题.地震震后调查发现: 地形起伏变化引起了更严重的地震灾害, 地震仪器也记录到复杂的三维地形对地震动具有放大效应.关于地形激发的地震动效应问题, 目前仍处于定性研究阶段, 得到了一些定性的结论: 如地形效应表现为与地形坡度相关、与山脊和山谷相关、与山形坡面形态相关、与山体高宽比相关、与地形变化的尺度相关等等.这些定性结论没能给出影响地形效应的主要因素, 如何预测地形效应仍是难题.本文通过谱元数值模拟方法, 计算了自贡地区的地震动地形效应的放大系数, 同时引入BP神经网络技术, 揭示了地形放大系数可以用不同尺度地形上的变化来表述, 即可以用地形高程、地形变化梯度及其高阶变化梯度来表示.据此为参量, 文中建立了地形效应BP神经网络的预测模型, 并将该预测模型的结果与自贡地形台阵在汶川地震中的主震记录获得的地形放大系数结果进行了对比, 给出了预测结果与实际结果的差异范围, 讨论了造成差异的成因, 该论文提出的研究方法为更全面的研究地形效应提供了重要的研究思路.