基于波形的概率地震危险性分析：使用地面运动生成模型
机器学习
2025-12-01 v1
摘要
在概率地震危险性分析（PSHA）中，通常评估地面运动强度度量（IM）的超几何概率。然而，近年来，越来越多的人使用地面运动历程作为输入进行动态响应分析，这在地震设计和风险评估中日益增长，导致以波形形式表示地震危险的需求。本研究提出一种新型 PSHA 框架，称为基于波形的 PSHA，通过引入基于深度生成模型（地面运动生成模型；GMGMs）的地面运动模型，实现对地面运动波形概率分布的直接评估。在基于波形的 PSHA 中，以蒙特卡洛方式表示地震危险，作为一组地面运动波形。我们提出了该框架的公式化方法以及执行所需蒙特卡洛模拟的算法。构建了基于生成对抗网络（GAN）的三个不同 GMGMs。验证了每个 GMGM的性能后，对地震危险进行评估：一种假设假设区域源，另一种假设实际场址和源断层（日本）。我们展示了地震危险可表示为一组地面运动波形，且这些波形从中获得的 IM 基于危险的结果与传统 PSHA 使用 GMMs 的结果一致。最后，对建筑模型进行非线性动态响应分析，以评估的地震危险为输入，表明可在该框架内直接进行工程需求参数（EDP）的超几何概率和与 EDPs 的危险分解。
引用
@article{arxiv.2511.22105,
title = {Energy Efficient Sleep Mode Optimization in 5G mmWave Networks via Multi Agent Deep Reinforcement Learning},
author = {Saad Masrur and Ismail Guvenc and David Lopez Perez},
journal= {arXiv preprint arXiv:2511.22105},
year = {2025}
}
备注
This is an updated version of my preprint available on TechRxiv. Don't flag it as plagiarism. I wanna post my paper on arxiv