重力驱动的地震灾害飞行距离的神经网络仿真

预测地震灾害飞行距离对于保护生命、基础设施和生态系统至关重要。快速质量流动，包括滑坡和雪崩，在广泛的环境中造成数千人死亡，往往从源头传播数公里。源头条件和物性参数的差异使得这些现象的飞行距离难以预测，尤其是对于可能 sudden 遭受严重冲击的下游社区。准确预测规模化的飞行距离需要模型既要真实又高效，而现有方法面临速度与真实性之间的根本权衡。本文训练机器学习模型，对代表性真实地形进行地震灾害飞行距离的预测。该模型在多个数据集上能够高精度预测流体范围和沉积厚度，计算速度比数值求解器快 100 至 10,000 倍。模型基于 10 万余次数值仿真训练，涵盖 1 万多个真实世界数字高程模型块，能够再现关键物理行为，包括支流和沉积模式，同时在不同流体类型、规模和地形间具有良好推广能力。我们的结果表明，神经仿真实现了跨 diverse 真实地形的快速、空间分辨的飞行距离预测，为灾害风险降低和基于影响的预警开辟了新机遇。这些结果凸显了神经仿真作为将物理上真实的地震灾害模型扩展至大规模预警系统所需时空尺度的有力路径。