TimesNet-Gen：基于深度学习的场地特定强震动生成
机器学习
2026-05-04 v3 人工智能
摘要
有效的地震风险降低依赖于精确的场地特定评估，这需要能够表示局部场地条件对震动特征影响的模型。我们从时域加速度计记录出发研究强震动生成，并提出了 TimesNet-Gen，一个深度生成框架。在该框架中，场地特定生成通过一种台站受限的、基于狄利克雷的潜空间重采样策略直接实现，无需依赖显式条件输入或降维。该模型在 AFAD 数据集上通过自监督学习预训练，冻结模型展示了鲁棒的跨区域泛化能力，无需任何微调即可成功生成台站特定的 NGA-West2 记录。模型性能通过在 log-HVSR 空间中对比生成记录与真实记录的分布，以及峰值地面加速度与场地基频的联合分析来评估。作为基线，我们构建了一个显式用于台站特定潜空间建模的基于频谱图的条件变分自编码器（CVAE）。结果表明了强烈的台站级对齐、一致的跨区域震动合成，以及与基于频谱图的条件变分自编码器基线的有利对比，证明该模型经验性地保持了频率内容与峰值振幅之间的本质物理耦合。我们的代码可通过 https://github.com/brsylmz23/TimesNet-Gen 获取。
引用
@article{arxiv.2512.04694,
title = {TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation},
author = {Baris Yilmaz and Bevan Deniz Cilgin and Erdem Akagündüz and Salih Tileylioglu},
journal= {arXiv preprint arXiv:2512.04694},
year = {2026}
}
备注
Cross regional analysis added