基于Stacking模型融合策略的日本俯冲带板缘地震动预测

高精度的地震动预测模型有助于提高地震灾害的预警和应对能力。传统回归方法构建地震动预测模型时提前设定了方程的形式,此种方法存在一定局限性,难以反映地震动传播过程中的复杂规律,因此越来越多的学者尝试应用机器学习方法构建地震动预测模型。但采用单一的机器学习算法,难以从数据中捕捉到更多规律,最终导致模型精度难以提升。本文基于日本KiK-net和K-Net强震台网收集到的俯冲带板缘地震动记录,使用Stacking模型融合策略,以LightGBM、XGBoost和CatBoost算法作为基学习器,线性回归算法作为元学习器,引入客观且高效的贝叶斯优化算法对模型进行超参数优化,最终训练并提出了一种适用于日本俯冲带板缘地震动预测的融合模型Stacking-Interface。对比分析所提出模型、单一机器学习模型和传统模型,发现机器学习模型的精度普遍高于传统模型,且相较于单一的机器学习模型,融合模型的预测能力有一定的提升;通过与实际地震动记录的对比和特征参数敏感性分析,验证了所提模型的可靠性和泛化能力。研究方法和结果能够为地震风险分析提供参考。     

基于新西兰实际震害资料的地震损失不确定性分析

描述地震作用与工程破坏之间关系的易损性曲线及其概率分布对于地震灾害损失的可靠评估至关重要.以对数正态分布为主体的现行易损性概率分布模型无法很好地描述完好无损和完全破坏这2种边界条件.文中基于新西兰近40万栋房屋的历史震害信息,确认了这2种边界条件的存在,并对各种给定地震动水平下结构的损失分布进行了研究,提出了考虑上述2...     

基于KiK-net记录的PGA与Sa场地影响因子分布研究

场地条件对地震动有着重要的影响,它一般通过地表峰值加速度PGA或者谱加速度Sa在不同场地条件下的放大系数表示。以往的相关研究中缺少大量的实测地震动数据分析;没有明确给出PGA和Sa在不同场景下的适用性;较少赋予其放大系数分布概率含义。选取KiK-net台网1997—2019年记录的210多万条地震动信息,通过PGA与Sa放大系数的分布分析了其在不同场景下的适用性,然后基于控制变量法和回归方法对每个台站的PGA放大系数进行拟合分析,最后对不同场地类别的PGA放大系数进行了概率分布函数拟合。研究结果表明：场地条件不变情况下,地震动放大系数的分布有很好的规律性;Sa较PGA放大系数分布离散程度更小,且随着Sa周期增加,其离散程度呈现逐渐减小趋势,在建筑物周期确定的情况下,Sa具有更高的适用性;Ⅰ、Ⅱ类场地且周期大于1.0 s的Sa放大系数具有较高的稳定性;相同场地条件下,PGA放大系数呈非线性分布,随着基岩PGA(PGA_R)的增加逐渐减少;PGA放大系数趋于指数正态分布。研究结果可用于未来更加准确地估计损失与描述场地条件对地震动的影响。     

基于卷积神经网络的地震震级快速估算方法

地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息（v_S30）作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统P_d方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。      

泸定Ms6.8地震房屋损失快速评估

震后房屋损失的快速评估对于灾后应急救援等至关重要。现有的地震风险评估方法要么仅提供损失的均值,要么以某一方差常数来描述损失的分布特征,均无法准确有效地反映各空间位置点损失的随机性及相关关系,最终影响整体损失评估结果的准确度。本文基于Copula理论,提出了一种适用于地震巨灾风险分析的相关随机变量模拟方法,好处是在实现快速计算的同时,能够考虑地震损失中的不确定性与相关性。利用所提方法对2022年9月5日四川泸定6.8级地震的房屋损失进行评估,得到了各结构类型与县区的损失分布,并与PAGER方法所得到的损失分布进行对比。结果表明：此次地震房屋总体损失超过89.8%的概率处于10～100亿元人民币量级水平,其中超过50.8%的概率为20～50亿元人民币;损失较大的三个县区分别是泸定县、石棉县和荥经县,砌体结构的经济损失约是框架结构的2倍;相比于PAGER,该方法给出的损失概率分布形状更加灵活,能够详细地反映不同县区的房屋损失特征。研究方法和结果为震后损失快速评估技术提供参考,也为未来地震的灾后应急救援等提供科学依据。     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的，这些特征参数依赖于人的经验和主观判断，没有充分利用初至地震波中与震级相关的信息，制约了震级估算效果.对此，本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征，实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入，震中距、震源深度以及V_s30作为辅助输入，震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录),利用美国和新西兰的强震记录进行泛化性能测试(583条记录),并与应用最为广泛的峰值位移Pd方法进行对比.结果表明，当初至地震波时长为3 s时，在4～6.4级范围内，CNN方法估算震级的准确率是Pd方法的1.5倍，在6.5～9级范围，CNN方法估算震级的准确率是Pd方法的1.2倍；当初至地震波从3 s增加到10 s时，CNN方法能够随着地震波时长的增加不断提高估算震级的准确率，并且始终高于Pd方...