用于建模傅里叶振幅谱的非平稳路径效应的条件生成模型
机器学习
2025-12-24 v1 人工智能
摘要
近期发展的非平稳地震动模型(GBMM)显式建模源、场和路径效应的系统空间变动，使标准偏差降至占据模型的30-40%，从而实现更精确的地点专门的地震风险分析。当前的非平稳GBMM依赖于具有给定相关函数的高斯过程(GP)方法，因而在大规模预测中存在计算限制。本研究提出一种深度学习方法，称为条件生成模型用于傅里叶振幅谱(CGM-FAS)，作为GP方法中非平稳路径效应在傅里叶振幅谱(FAS)建模的替代方案。CGM-FAS使用条件变分自编码器架构，通过使用地震和站点的地理坐标作为条件变量，从数据中直接学习空间模式和界面频率相关性。利用旧金山湾区地震数据，我们将CGM-FAS与该地区最新方法的GP-based GBMM进行比较，证明了非平稳路径效应的一致预测。此外，CGM-FAS相对于GP方法的优势在于：无需给定相关函数即可学习空间模式、捕获界面频率相关性、并实现快速预测，在10秒内即可为10,000个场所的1,000个频率生成图。CGM-FAS的超参数可调，以确保生成的路径效应具有与GP-based经验GBMM相匹配的变异性。本工作表明了在多个频率和大空间域上实现高效非平稳地面运动预测的有前景的方向。
引用
@article{arxiv.2512.19909,
title = {Modeling Non-Ergodic Path Effects Using Conditional Generative Model for Fourier Amplitude Spectra},
author = {Maxime Lacour and Pu Ren and Rie Nakata and Nori Nakata and Michael Mahoney},
journal= {arXiv preprint arXiv:2512.19909},
year = {2025}
}