基于神经网络预测得克萨斯州、俄克拉荷马州和堪萨斯州PGA与PGV的方程
机器学习
2018-06-11 v1 机器学习
地球物理
摘要
近年来，得克萨斯州、俄克拉荷马州和堪萨斯州部分地区地震活动率上升，为北美中部与东部（CENA）这一特定区域提供了开发地震动预测模型的新地震记录数据集。本文概述了使用人工神经网络（ANNs）从该区域地震动记录中建立衰减模型的框架。尽管CENA已有衰减模型，但对该区域地震活动率上升的担忧，使得有必要研究针对这些州的地震动预测模型。为此，提出了一种基于ANN的框架，在给定震级、震源到台站距离和剪切波速度的情况下预测峰值地面加速度（PGA）和峰值地面速度（PGV）。在该框架中，考虑了自2005年以来这三个州（得克萨斯、俄克拉荷马和堪萨斯）记录的约4,500条震级大于3.0的地震动。本研究结果表明，为CENA开发的现有地震动预测模型不能准确预测该区域地震的地震动强度度量，特别是对于源站距较小或极软土条件下的地震。所提出的ANN模型在所有距离和震级下都提供了更精确的地震动强度度量预测。所提出的ANN模型还被转换为相对简单的数学方程，以便工程师可轻松使用它们预测未来事件的地震动强度度量。最后，通过敏感性分析，研究了预测参数对所考虑强度度量预测的贡献。
引用
@article{arxiv.1806.01052,
title = {Neural Network-Based Equations for Predicting PGA and PGV in Texas, Oklahoma, and Kansas},
author = {Farid Khosravikia and Yasaman Zeinali and Zoltan Nagy and Patricia Clayton and Ellen M. Rathje},
journal= {arXiv preprint arXiv:1806.01052},
year = {2018}
}
备注
5th Geotechnical Earthquake Engineering and Soil Dynamics Conference, Austin, TX, USA, June 10-13. (2018)