&

資訊內容

研究亮點

基于深度卷積神經網絡的地震預警震級估算研究

發布時間： 2022-04-18 點擊數量：8179

研究背景：

震級估計是地震預警中的重要工作之一，可靠的預警信息和破壞區域的預測都依賴于準確的震級估計。目前，地震預警震級估計主要采用頻率、振幅或能量參數與震級的線性統計關系。然而，單個參數得到的震級估計結果離散性較大。因此，地震預警震級估計的準確性仍需提高。為了改進P波到達后震級估計的準確性，本文使用深度卷積神經網絡建立了用于震級估計的模型（DCNN-M模型）。

研究方法及結果：

1）本文使用日本K-NET臺網的強震動記錄對建立的DCNN-M模型進行訓練和測試。DCNN-M模型使用從P波到達后記錄的3s地震數據中提取的12個參數作為輸入，并且該模型由四個卷積層、四個池化層、四個Batch normalization層、三個全連接層、Adam優化器和一個輸出層組成。圖1展示了DCNN-M模型的網絡架構。

2）P波到達后3秒時，對于相同的測試數據集，Tc方法、Pd方法和DCNN-M模型的震級估計如圖2所示。和Tc方法、Pd方法相比，基于DCNN-M模型的誤差明顯減小，且小震（M≤5）高估問題得到了有效的改善；此外，Tc方法和Pd方法的震級估計誤差隨震中距的變化而發生明顯的變化，而基于DCNN-M模型的誤差不受震中距變化的影響。

3）在P波到達后3秒時，基于DCNN-M模型對31次地震事件的離線測試如圖3所示。這些地震事件的預測震級與編目震級非常接近，幾乎所有的預測震級都在DCNN-M模型誤差的標準差（0.31）范圍內。此外，這31次地震事件的震級預測誤差標準差為0.21。此外，對于7.2級以下的地震事件，DCNN-M模型獲得了可靠的結果，且沒有明顯的震級高估和低估現象。

4）本文的研究表明：DCNN-M模型對于地震預警系統有著潛在的應用。由于本文使用的是日本K-NET臺網3.0-7.4級的強震數據對DCNN-M模型進行訓練，因此該模型對于7.5級以上的地震事件以及其他地區的地震事件是否適用仍需進一步的研究。

該成果發表在期刊《Frontiers in Earth Science》（Zhu Jingbao, Li Shanyou, Song Jindong*, Wang Yuan. Magnitude estimation for earthquake early warning using a deep convolutional neural network [J]. Frontiers in Earth Science, 2021, 9:653226. doi: 10.3389/feart.2021.653226）（IF：3.498，*通訊作者）。

圖1 DCNN-M模型的網絡架構

圖2 P波到達后3秒，（A,D）Tc方法、（B,E）Pd方法和（C,F）DCNN-M模型的震級估計

圖3 31次地震事件的離線應用

基于FEMA P-58方法的鋼筋混凝土結構抗震及減隔震性能評估

《復雜層狀半空間場地響應分析：一種基于雙重相似性的比例邊界有限元法》論文發表