用于从强震动记录预测平均剪切波速度的深度序列模型
机器学习
2025-03-10 v1 人工智能
摘要
本研究探索了利用深度学习预测土耳其强震动记录站点地表以下30米顶部时间平均剪切波速度(Vs30)的方法。Vs30是场地表征的关键参数，因此也是地震危险性评估的重要参数。然而，由于缺乏直接测量，Vs30通常不可得，因此常使用经验相关性进行估计。但此类相关性通常不足以捕捉复杂的、场地特异性的变异性，这推动了数据驱动方法的需求。在本研究中，我们采用了一种结合卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合深度学习模型，以捕捉强震动记录中的空间和时间依赖性。此外，我们探讨了使用信号的不同部分如何影响我们的深度学习模型。结果表明，混合方法有效学习了地震信号中复杂的非线性关系。我们观察到改进的P波到时模型提高了Vs30的预测精度。我们相信本研究为使用CNN-LSTM框架改进Vs30预测提供了有价值的见解，展示了其在改善地震研究场地表征方面的潜力。我们的代码可在以下仓库获取：https://github.com/brsylmz23/CNNLSTM_DeepEQ
引用
@article{arxiv.2503.05224,
title = {Deep Sequence Models for Predicting Average Shear Wave Velocity from Strong Motion Records},
author = {Baris Yilmaz and Erdem Akagündüz and Salih Tileylioglu},
journal= {arXiv preprint arXiv:2503.05224},
year = {2025}
}