Deep Sequence Models for Predicting Average Shear Wave Velocity from Strong Motion Records
作者: Baris Yilmaz, Erdem Akagündüz, Salih Tileylioglu
发布时间: 2025-03-10
来源: arxiv
研究方向: 地震工程与深学习
主要内容
该研究旨在利用深度学习技术，特别是结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型，预测地震记录中的平均剪切波速度（Vs30）。Vs30是地震工程中用于场地特征化和地震风险评估的关键参数。
主要贡献
1. 提出了一种基于CNN-LSTM的混合模型，用于预测Vs30，有效捕捉了地震信号的时空依赖关系。
2. 通过实验证明了混合模型在预测Vs30方面的有效性，并提高了预测精度。
3. 对P波到达时间等信号段对模型性能的影响进行了分析，并优化了模型。
4. 构建了一个包含大量地震记录的AFAD Vs30数据集，为相关研究提供了数据基础。
5. 通过区域分析，揭示了不同地区Vs30预测的差异性，为地震工程提供了参考信息。
研究方法
1. 卷积神经网络（CNN）用于提取地震信号的空间特征。
2. 长短期记忆网络（LSTM）用于建模地震信号的时序依赖关系。
3. 混合模型结合了CNN和LSTM的优势，以同时捕捉时空特征。
4. 数据集包括来自土耳其各地地震记录站的强震记录。
5. 通过实验评估了不同信号段、训练策略和辅助信息对模型性能的影响。
实验结果
实验结果表明，混合模型在预测Vs30方面优于传统方法。在转移学习实验中，模型性能最佳，表明先前研究中的特征提取方法有效。P/S波到达时间信息的加入和特定信号段的选取对模型性能有积极影响。
未来工作
未来工作将探索无监督学习方法在地震信号分析中的应用，并进一步优化CNN-LSTM模型，以提高预测精度和泛化能力。