期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于神经网络图像特征识别的中国强震台站谱比曲线场地分类
1
作者
冀昆
任叶飞
+4 位作者
朱传彬
温瑞智
王宏伟
刘也
苟永刚
《地球物理学报》
北大核心
2025年第7期2573-2585,共13页
随着各国地震观测台网的布设与地震记录的不断积累,采用强震动记录的单台水平/竖向谱比曲线进行场地放大特征分类已在多国强震台网应用.但是由于场地地震反应的不确定性,谱比曲线分类大多依靠主观判断与经验阈值,存在分类结果不稳定、...
随着各国地震观测台网的布设与地震记录的不断积累,采用强震动记录的单台水平/竖向谱比曲线进行场地放大特征分类已在多国强震台网应用.但是由于场地地震反应的不确定性,谱比曲线分类大多依靠主观判断与经验阈值,存在分类结果不稳定、可重复性差、难以适应大规模数据处理等问题.为了解决该问题,本研究采用机器学习神经网络图像识别技术,通过提取强震记录谱比曲线形状特征进行中国数字强震台网的台站场地分类.首先以钻孔资料较为完备和强震台站较为密集的日本KiK-net与K-NET台站作为训练数据集,依据中国抗震规范和30 m土层等效剪切波速(V_(S30))进行场地分类并进行标签标记,训练得到了基于广义回归神经网络(GRNN)以及卷积神经网络(CNN)的分类模型.基于经过质量核查筛选的中国数字强震台网2008至2020年收录的11078组三分量强震记录,对满足计算条件的323个强震台站进行谱比曲线图像识别分类,并结合部分台站的钻孔与现场调查资料进行了分类效果验证.结果表明,基于GRNN的中国抗震规范场地分类结果的总样本准确率,以及基于CNN的V_(S30)场地分类总样本准确率约为60%左右,证明基于日本数据训练的分类模型可在中国应用,具有较好的泛化性.作为我国台站场地类别主要组成的中国抗震规范Ⅱ类场地达到了65.7%的召回率,以及高达77.4%的精确率.同样,占台站大部分比例的以V_(S30)为依据的美国抗震规范C、D类场地的预测结果召回率分别达到85.1%和61.8%.场地软硬和放大特征差异较大的Ⅲ类和Ⅰ类场地(D类场地和A+B类场地)的混淆概率较低,证明神经网络图像识别技术较好把握了不同类别场地谱比曲线的形状特征,具有较强的鲁棒性.本研究的相关结果已应用于开源的中国强震记录数据库项目(China-Flatfile).
展开更多
关键词
场地放大效应
机器学习
场地分类
强震
记录
谱比法
强震观测台网
在线阅读
下载PDF
职称材料
题名
基于神经网络图像特征识别的中国强震台站谱比曲线场地分类
1
作者
冀昆
任叶飞
朱传彬
温瑞智
王宏伟
刘也
苟永刚
机构
河海大学土木与交通学院
中国地震局工程力学研究所
诺森比亚大学工程与环境学院
南通河海大学海洋与近海工程研究院
出处
《地球物理学报》
北大核心
2025年第7期2573-2585,共13页
基金
国家重点研发计划政府间国际科技创新合作项目(2023YFE0102900)
国家自然科学基金项目面上项目(52378506)
+2 种基金
中央高校基本科研业务费(B240201087)
江苏省青年自然科学基金(BK20220975)
南通市基础科学研究_青年科技人才创新专项(JC12022097)资助。
文摘
随着各国地震观测台网的布设与地震记录的不断积累,采用强震动记录的单台水平/竖向谱比曲线进行场地放大特征分类已在多国强震台网应用.但是由于场地地震反应的不确定性,谱比曲线分类大多依靠主观判断与经验阈值,存在分类结果不稳定、可重复性差、难以适应大规模数据处理等问题.为了解决该问题,本研究采用机器学习神经网络图像识别技术,通过提取强震记录谱比曲线形状特征进行中国数字强震台网的台站场地分类.首先以钻孔资料较为完备和强震台站较为密集的日本KiK-net与K-NET台站作为训练数据集,依据中国抗震规范和30 m土层等效剪切波速(V_(S30))进行场地分类并进行标签标记,训练得到了基于广义回归神经网络(GRNN)以及卷积神经网络(CNN)的分类模型.基于经过质量核查筛选的中国数字强震台网2008至2020年收录的11078组三分量强震记录,对满足计算条件的323个强震台站进行谱比曲线图像识别分类,并结合部分台站的钻孔与现场调查资料进行了分类效果验证.结果表明,基于GRNN的中国抗震规范场地分类结果的总样本准确率,以及基于CNN的V_(S30)场地分类总样本准确率约为60%左右,证明基于日本数据训练的分类模型可在中国应用,具有较好的泛化性.作为我国台站场地类别主要组成的中国抗震规范Ⅱ类场地达到了65.7%的召回率,以及高达77.4%的精确率.同样,占台站大部分比例的以V_(S30)为依据的美国抗震规范C、D类场地的预测结果召回率分别达到85.1%和61.8%.场地软硬和放大特征差异较大的Ⅲ类和Ⅰ类场地(D类场地和A+B类场地)的混淆概率较低,证明神经网络图像识别技术较好把握了不同类别场地谱比曲线的形状特征,具有较强的鲁棒性.本研究的相关结果已应用于开源的中国强震记录数据库项目(China-Flatfile).
关键词
场地放大效应
机器学习
场地分类
强震
记录
谱比法
强震观测台网
Keywords
Site amplification effect
Machine learning
Site classification
Strong motion records
Spectral ratio method
Strong motion observation network
分类号
P315 [天文地球—地震学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于神经网络图像特征识别的中国强震台站谱比曲线场地分类
冀昆
任叶飞
朱传彬
温瑞智
王宏伟
刘也
苟永刚
《地球物理学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
