极震区烈度评估方法、系统、电子设备及可读存储介质技术方案

一种极震区烈度评估方法、系统、电子设备及可读存储介质，属于地震灾害评估技术领域，方法包括：通过添加人为扰动的方法，扩充数据样本，使得扩充后各类型的数据样本体量相当；将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练；将待预测数据归一化，输入训练好的宽度学习网络，得到烈度预测结果。本发明专利技术还公开了一种极震区烈度评估系统、电子设备及可读存储介质。在数据类型不平衡、样本不充分的情况下，本发明专利技术所提方法通过人为扰动的方式扩充数据样本，缓解数据类型不平衡和样本不充分的问题。仿真证明，相比于传统基于模型的方法，本发明专利技术的评估方法提高了烈度预测准确率。确率。确率。

【技术实现步骤摘要】
极震区烈度评估方法、系统、电子设备及可读存储介质


[0001]本专利技术属于地震灾害评估
，具体涉及一种极震区烈度评估方法、系统、电子设备及可读存储介质。

技术介绍

[0002]地震烈度表示地震对地表以及工程建筑物影响的强弱程度。在某次地震事件中，房屋破坏最严重、地震灾害损失最大的区域称为极震区，这个区域的烈度称为极震区烈度。极震区烈度的大小是快速判断灾害规模和严重程度，指导地震应急响应和决策的重要依据。研究表明，即使两次地震的震级相同，但由于震源深度、震中所在地区的地质构造、建筑物抗震性能等因素的差异，造成的极震区烈度也有所不同。
[0003]地震部门在地震发生后都首先开展地震灾害快速评估供政府应急决策使用，极震区烈度是评估结果最重要参数之一。地震烈度快速评估基于地震烈度衰减数学模型进行，基于该模型只需震级这一参数，即可在震后快速估计极震区烈度，许多学者利用历史等震线资料建立了我国不同区域的地震烈度衰减模型。然而，影响地震烈度的因素有很多，如震级、震源深度、场地条件、建筑物抗震能力、烈度评定标准等，这些因素与烈度之间有着十分复杂的映射关系，传统的数学模型中仅考虑震级大小，导致计算得到的烈度与实际情况存在较大偏差，对震后的应急救援工作部署造成很大影响。
[0004]随着人工智能、机器学习等技术的发展，目前已有一些利用神经网络模型进行地震灾害损失评估的研究，例如，天津市地震局的赵士达提出一种利用LM
‑
BP神经网络评估地震经济损失的方法，中国地震局地震预测研究所的朱林基于BP神经网络开展震后人员死亡评估研究，电子科技大学的胡旺利用神经网络模型将传统烈度衰减模型进行融合，以及武汉工程大学的周德红在遗传算法优化的基础上利用BP神经网络模型预测震后人员死亡数量。但是很多时候受制于训练样本数量及样本分布均衡性，深度神经网络模型也难以发挥良好作用，目前还没有现有技术针对训练样本不充足、多参数输入下的烈度评估技术进行研究。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术中的问题，提供一种极震区烈度评估方法、系统、电子设备及可读存储介质，在数据类型不平衡、样本不充分的情况下，提高烈度预测准确率。
[0006]为了实现上述目的，本专利技术有如下的技术方案：
[0007]第一方面，提供一种极震区烈度评估方法，包括：
[0008]通过添加人为扰动的方法，扩充数据样本，使得扩充后各类型的数据样本体量相当；
[0009]将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练；
[0010]将待预测数据归一化，输入训练好的宽度学习网络，得到烈度预测结果。
[0011]作为本专利技术极震区烈度评估方法的一种优选方案，所述扩充数据样本的步骤，收集某一区间年份的历史地震数据，选取与极震区烈度相关的以下因素：震级、震源深度、大陆分区、V
S30
、设计峰值加速度、人均GDP以及烈度表版本，作为输入数据的7维特征，使用x＝[x1ꢀ…ꢀ
x7]表示，式中，x1表示震级，x2表示震源深度，x3表示大陆分区，x4表示V
S30
，x5表示设计峰值加速度，x6表示人均GDP，x7表示烈度表版本；
[0012]所述震级，反映地震释放能量的大小；
[0013]所述震源深度，表征断层破裂点距地面的垂直距离；
[0014]所述大陆分区，以东经105
°
为界，将中国大陆分为东部和西部两个区域；
[0015]所述V
S30
，为地表以下30m深度范围内的等效剪切波速，表征震中场地条件的因子，其值越大表示场地越硬，值越小表示场地越软，不同的场地条件对地震波有不同的放大效应；
[0016]所述设计峰值加速度，为烈度区划给出的当地建筑物抗震设防指标；
[0017]所述人均GDP，为震中所在省份的人均GDP；
[0018]所述烈度表版本，包括中国1957版、1980版、1999版和2008版地震烈度表。
[0019]作为本专利技术极震区烈度评估方法的一种优选方案，所述V
S30
估算值表示为V
’
S30
＝V
S30
+n，其中n是均值为零的高斯分布，方差为式中δ表示估算误差的大小；用V
S30
估算值V
’
S30
替代V
S30
值，通过对V
’
S30
多次采样得到多个特征，实现数据样本扩充。震源深度的测量值表示为x
′2＝x2+u，其中u是均值为零的高斯分布，方差为式中ε表示测量误差的大小；用x
′2替代x2的值，通过对x2′
多次采样得到多个特征，实现数据样本扩充。
[0020]作为本专利技术极震区烈度评估方法的一种优选方案，在扩充数据样本的过程中，对类型数据量偏少的进行更多采样和扩充，对类型数据量较多的进行少量采样和扩充，以此使得扩充后各类型的数据样本体量相当。
[0021]作为本专利技术极震区烈度评估方法的一种优选方案，所述将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练的步骤，所述归一化的处理过程包括：
[0022]在收集到的某一区间年份的历史地震数据中，对于特征x
i
的最大值为x
i,max
，最小值为x
i,min
，按照下式对特征x
i
的数值进行归一化：
[0023][0024]对7维特征的数据归一化操作之后，每维特征的取值被映射到[0,1]之间；
[0025]归一化之后的7维特征的数据集表示为X，作为宽度学习网络的输入数据。
[0026]作为本专利技术极震区烈度评估方法的一种优选方案，所述将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练的步骤，所述宽度学习网络的训练过程如下：
[0027]对数据集X生成相应的特征节点：
[0028]Z
i
＝φ(XW
ei
+β
ei
)
[0029]式中，W
ei
,β
ei
为随机产生的固定的权重和偏置，φ为激活函数，Z
i
为第i个特征节点，所有特征节点记为Z
n
＝[Z1,...,Z
n
]；
[0030]由所有特征节点生成相应的增强节点：
[0031]H
m
＝ξ(Z
n
W
hm
+β
hm
)
[0032]式中，H
m
为第m个增强节点，所有增强节点记为H
m
＝[H1,...,H
m
]；
[0033]求出网络参数W
m
，记所有特征节点和增强节点为A
m
＝[Z
n
|H
m本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极震区烈度评估方法，其特征在于，包括：通过添加人为扰动的方法，扩充数据样本，使得扩充后各类型的数据样本体量相当；将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练；将待预测数据归一化，输入训练好的宽度学习网络，得到烈度预测结果。2.根据权利要求1所述的极震区烈度评估方法，其特征在于，所述扩充数据样本的步骤，收集某一区间年份的历史地震数据，选取与极震区烈度相关的以下因素：震级、震源深度、大陆分区、V
S30
、设计峰值加速度、人均GDP以及烈度表版本，作为输入数据的7维特征，使用x＝[x1…
x7]表示，式中，x1表示震级，x2表示震源深度，x3表示大陆分区，x4表示V
S30
，x5表示设计峰值加速度，x6表示人均GDP，x7表示烈度表版本；所述震级，反映地震释放能量的大小；所述震源深度，表征断层破裂点距地面的垂直距离；所述大陆分区，以东经105
°
为界，将中国大陆分为东部和西部两个区域；所述V
S30
，为地表以下30m深度范围内的等效剪切波速，表征震中场地条件的因子，其值越大表示场地越硬，值越小表示场地越软，不同的场地条件对地震波有不同的放大效应；所述设计峰值加速度，为烈度区划给出的当地建筑物抗震设防指标；所述人均GDP，为震中所在省份的人均GDP；所述烈度表版本，包括中国1957版、1980版、1999版和2008版地震烈度表。3.根据权利要求2所述的极震区烈度评估方法，其特征在于：所述V
S30
估算值表示为V
’
S30
＝V
S30
+n，其中n是均值为零的高斯分布，方差为式中δ表示估算误差的大小；用V
S30
估算值V
’
S30
替代V
S30
值，通过对V
’
S30
多次采样得到多个特征，实现数据样本扩充；震源深度的测量值表示为x
′2＝x2+u，其中u是均值为零的高斯分布，方差为式中ε表示测量误差的大小；用x
′2替代x2的值，通过对x
′2多次采样得到多个特征，实现数据样本扩充。4.根据权利要求2所述的极震区烈度评估方法，其特征在于：在扩充数据样本的过程中，对类型数据量偏少的进行更多采样和扩充，对类型数据量较多的进行少量采样和扩充，以此使得扩充后各类型的数据样本体量相当。5.根据权利要求2所述的极震区烈度评估方法，其特征在于，所述将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练的步骤，所述归一化的处理过程包括：在收集到的某一区间年份的历史地震数据中，对于特征x
i
的最大值为x
i,max
，最小值为x
i,min
，按照下式对特征x
i
的数值进行归一化：对7维特征的数据归一化操作之后，每维特征的取值被映射到[0,1]之间；归一化之后的7维特征的数据集表示为X，作为宽度学习网络的输入数据。6.根据权利要求5所述的极震区烈度评估方法，其特征在于，所述将数据样本内的数据进行归一化之后输入宽度学习网络中进行训练的步骤，所述宽度学习网络的训练过程如下：对数据集X生成相应的特征节点：Z
i<...

【专利技术属性】
技术研发人员：韶丹，田勤虎，张炜超，任浩，阮仕琦，
申请(专利权)人：陕西省地震局，
类型：发明
国别省市：