基于超分辨生成对抗网络的地震数据采样率提升的全数据驱动模型
机器学习
2024-02-02 v1 信号处理
地球物理
摘要
高质量数据是任何工程应用的关键要求。在地震工程实践中，准确的数据对于预测结构响应或在结构健康监测 (SHM) 应用中进行损伤检测具有重要意义。然而，获取高分辨数据面临着诸多挑战，如显著的成本、广泛的数据通道以及大量的存储需求。为此，本研究采用超分辨生成对抗网络 (SRGANs) 来提高时间历元数据（如来自传感器网络的数据）的分辨率，标志着 SRGANs 在地震工程领域的首次应用。将时间序列数据转换为 RGB 值，将原始数据转化为图像。然后利用 SRGANs 对这些低分辨率图像进行上采样，从而提升整个传感器的分辨率。这一方法不仅为数据存储需求的潜在减少提供了可能，还简化了传感器网络，这可能导致较低的安装和维护成本。对提出的 SRGAN 方法进行严格评估，使用真实地震数据进行测试，并与传统增强技术进行比较。本研究的发现为全球基础设施安全与可持续发展提供了具有前景的意义，实现了成本有效且高效的传感器分辨率提升。
引用
@article{arxiv.2402.00153,
title = {Fully Data-Driven Model for Increasing Sampling Rate Frequency of Seismic Data using Super-Resolution Generative Adversarial Networks},
author = {Navid Gholizadeh and Javad Katebi},
journal= {arXiv preprint arXiv:2402.00153},
year = {2024}
}