基于人工智能与地震动经验模型混合的地震动参数预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115099523A(43)申请公布日2022.09.23(21)申请号202210861947.6(22)申请日2022.07.20(71)申请人哈尔滨工业大学地址150001黑龙江省哈尔滨市南岗区西大直街92号(72)发明人籍多发翟长海李晨曦温卫平张涵(74)专利代理机构哈尔滨华夏松花江知识产权代理有限公司23213专利代理师侯静(51)Int.Cl.G06Q10/04(2012.01)G06N3/08(2006.01)G06N3/04(2006.01)G06F30/27(2020.01)权利要求书3页说明书9页附图2页(54)发明名称基于人工智能与地震动经验模型混合的地震动参数预测方法(57)摘要基于人工智能与地震动经验模型混合的地震动参数预测方法，本发明是为了解决现有方法无法同时保留预测精度与衰减关系的物理意义的问题。地震动参数预测方法：一、选择地震动衰减关系的传统经验公式，确定该传统经验公式中的运算形式、输入参数项、输出参数项和未知系数；二、建立地震动数据集；三、建立结合传统经验公式的神经网络；四、利用神经网络结合地震动数据集进行网络训练，通过神经网络的反向传播，计算未知系数的梯度，通过不断迭代训练，使得损失函数不断减小，得到最优系数的训练结果。五、地震动参数预测。本发明地震动参数预测方法包含经验模型，鲁棒性更好。为结构抗震设计、地震危险性分析，提供了有效的依据。CN115099523ACN115099523A权利要求书1/3页1.基于人工智能与地震动经验模型混合的地震动参数预测方法，其特征在于该地震动参数预测方法按下列步骤实现：步骤一、确定传统地震动衰减关系形式：选择地震动衰减关系的传统经验公式，确定该传统经验公式中的运算形式、输入参数项、输出参数项和未知系数；步骤二、建立地震动数据集：根据步骤一中确定的输入参数项和输出参数项，提取历史地震动记录中对应参数项的实际数据，组成地震动数据集；步骤三、建立结合传统经验公式的神经网络：建立结合传统地震动衰减关系的神经网络，采用步骤一中确定的输入参数项和输出参数项分别作为神经网络的输入参数和输出参数，采用均方根误差作为损失函数，采用Adam优化器进行梯度下降，完成结合传统经验公式的神经网络建立；步骤四、网络训练：S41、利用步骤三中建立的神经网络通过步骤二中的地震动数据集进行前向传播，计算得到未知系数的预测值；S42、利用损失函数进行反向传播，计算未知系数的梯度，同时根据梯度方向更新未知系数值；S43、重复步骤S41‑步骤S42，不断迭代训练，使得损失函数不断减小，得到最优系数；步骤五、地震动参数预测：利用步骤四得到的最优系数，带回传统经验公式中，得到人工智能与传统经验公式结合的地震动衰减关系，从而进行地震动参数预测。2.根据权利要求1所述的基于人工智能与地震动经验模型混合的地震动参数预测方法，其特征在于步骤一中输出参数项为地面峰值加速度或者地面峰值速度。3.根据权利要求1所述的基于人工智能与地震动经验模型混合的地震动参数预测方法，其特征在于步骤一中地震动衰减关系的传统经验公式如下所示：fflt＝fflt,Ffflt,Mfflt,F＝c8FRV+c9FNM2CN115099523A权利要求书2/3页fhng＝c10fhng,RXfhng,RRUPfhng,Mfhng,Zfhng,δ2f1(RX)＝h1+h2(RX/R1)+h3(RX/R1)fhng,δ＝(90‑δ)/45fsite＝fsite,G+SJfsite,Jfhyp＝fhyp,Hfhyp,M3CN115099523A权利要求书3/3页其中：M为矩震级，RRUP为断层距，RJB为投影距，RX为地震断裂面顶边表面投影的最近距离，W为断层破裂面下倾宽度，FRV为区分断层形式的哑变量，FNM为区分断层形式的哑变量，ZTOR为断层破裂面顶部深度，A1100为基岩PGA，δ为断层破裂面的平均倾角，VS30为30m剪切波速，SJ为区分地区的哑变量，Z2.5为盆地深度，ZHYP为震源深度；c、c0‑c20、k1‑k3、h1‑h6、Δc20、n、a2均为未知系数，Y为预测目标，PGA为地面峰值加速度，fmag为震级项，fdis为几何衰减项，fflt为断层类型项，fhng为上盘效应项，fsite为近地表响应项，fsed为盆地响应项，fhyp为震源深度项，fdip为断层滑移项，fatn为黏弹性衰减项。4.根据权利要求3所述的基于人工智能与地震动经验模型混合的地震动参数预测方法，其特征在于f1(RX)和f2(RX)公式中的R1＝Wcos(δ)，R2＝62M‑350。5.根据权利要求1所述的基于人工智能与地震动经验模型混合的地震动参数预测方法，其特征在于步骤三中所述的神经网络由输