一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于LSTM
‑
GAN的脉冲型地震动合成方法


[0001]本专利技术属于地震工程
，尤其涉及一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法
。

技术介绍

[0002]脉冲地震法是依据岩石中弹性波速及波的衰减与应力的内在关系来实测地应力状态，以记录弹性参数和在高压下出现微破裂时产生脉冲次数为基础，属于两种地震声学法之一
。
地震声学法弥补了其它地震方法的不足，据此可以估算接近于极限的应力状态
。
同地形变测量法比较其优点更为突出：所耗劳力不多；同一测点可多次测量，对实测脉冲型地震动数据量的不足，一直制约着脉冲型地震动作用下结构地震响应的研究，同时难以满足各类工程结构的抗震分析需求
。
[0003]鉴于地震学中收集的地震动数据的逐渐增长，以及现代人工智能技术的飞速发展，采用深度学习方法按需求生成合理的脉冲型地震动是一条十分具有前瞻性的途径；长短时记忆网络（
Long Short
‑
Term Memory network
，
LSTM
）是深度学习中循环神经网络（
RNN
）的一种变体，由
Hochreiter
等在
1997
年首次提出，最初用于处理
RNN
训练中的梯度消失以及数据的长期依赖问题
。LSTM
能很好地捕捉数据前后之间的联系，对于带有时间序列的数据具有很好的学习能力，常应用于地震响应预测，并具有较高的预测精度和稳定性
。LSTM
的工作方式与
RNN
基本相同，区别在于
LSTM
通过一个更加细化的内部处理单元，实现上下文信息的有效存储和更新
。
相比基本的
RNN
，
LSTM
单元包含了3个门（
Gate
）结构：输入门
、
输出门和遗忘门，用以调节单元内部信息；
[0004]现有技术的缺点是所训练的
GAN
模型是针对非脉冲型地震动，在断层破裂机制的影响下，脉冲型地震动通常会表现出如下不同于普通地震动（非脉冲型地震动）的特点：（
1) 长周期脉冲和大幅值；（
2) 较大的峰值速度和峰值加速度比（
PGV/PGA
）以及峰值位移和峰值加速度比（
PGD/PGA
）；（
3) 不同于普通记录的谱形状；（
4) 脉冲分量分担了相当多的一部分地震动能量
。
因此，以往针对非脉冲地震动的
GAN
合成方法无法准确的模拟脉冲型地震动，存在改进的空间
。

技术实现思路

[0005]本专利技术的目的在于：为了解决现有技术合成脉冲型地震动不能很好的模拟脉冲型地震动的问题，而提出的一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，包括收集脉冲型地震动数据建立原始数据库，预处理脉冲型地震数据后，确定模型框架参数，训练得到训练模型后基于脉冲型地震合成模型进行脉冲型地震动合成
。
[0007]作为上述技术方案的进一步描述：脉冲型地震数据预处理方法具体包括：
统一地震动样本的采样频率与时间窗大小；数据标准化，采用如下公式将地震动的数据缩放至
[
‑
1,1]。
[0008]式中，
X
为输入变量，和为输入变量的最大值与最小值， 为标准化后的输入变量
。
[0009]作为上述技术方案的进一步描述：数据预处理方式还包括数据增强，对原始数据库中的地震动信号通过增加白噪声形成新的地震动数据
。
[0010]作为上述技术方案的进一步描述：所述确定模型输入参数与输出参数具体包括：生成器的输入参数分为两部分，一部分为条件变量的特征参数，控制
GAN
模型的生成，另一部分为随机噪声；生成器的输出是与预处理得到的地震动信号形式一致的时程；判别器的输入参数分为三部分，分别是生成器的输出
、
来源于数据库中与条件变量相匹配的真实地震动速度时程数据和条件变量；且判别器的输出是一维非零即一的变量
。
[0011]作为上述技术方案的进一步描述：所述条件变量的特征参数为震级
、
震中距
、PGA
（速度峰值）
、PGV
（位移峰值）
、VS30、
场地条件
、
断层类型
、
脉冲周期
、
脉冲幅值和脉冲持时
。
[0012]作为上述技术方案的进一步描述：所述初始化模型超参数，包括确定生成器和判别器中神经网络层的层数
、
神经元个数
、
激活函数和正则化项
。
[0013]作为上述技术方案的进一步描述：还包括在模型训练时进行超参数优化，具体步骤包括：确定模型框架以及输入输出后，将数据库中的地震动信号传递给模型进行训练，采用梯度下降方法，训练模型不断优化损失函数，模型的输入与输出维度决定生成器与判别器的结构，多次训练得到训练优化后的模型
。
[0014]作为上述技术方案的进一步描述：所述模型训练的迭代次数根据观察到模型输出已经能够捕捉到脉冲特性时停止
。
[0015]作为上述技术方案的进一步描述：还包括评估模型生成地震动的有效性以及应用在工程中的合理性的方法，具体包括：初步目视检测，观察模型生成的速度时程中是否具有脉冲，速度幅值是否合理，然后采用小波分析量化分析合成的地震动是否还有脉冲；提取合成地震动的特征参数与真实地震动的标签进行对比，针对部分脉冲型地震动，可以对速度脉冲时程积分得到位移时程，对比由于滑冲效应引起的永久位移；
LSTM
‑
GAN
模型合成为速度时程，通过求导可以得到加速度时程，将加速度时程通过傅里叶变换可以得到频域信息，对比合成地震动的傅里叶谱与真实地震动的傅里叶谱
。
[0016]作为上述技术方案的进一步描述：
一种计算机设备，包括处理器和存储器，存储器中存储有至少一条指令，由处理器加载并执行以实现基于
LSTM
‑
GAN
的脉冲型地震动合成方法所执行的操作
。
[0017]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术中，通过
LSTM
‑
GAN
模型考虑了多个脉冲型地震动的特征参数以及物理约束条件，能够合成高质量的脉冲型地震动，这将弥补现有技术无法合理生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，其特征在于，包括收集脉冲型地震动数据建立原始数据库，预处理脉冲型地震数据后，确定模型框架参数，训练得到训练模型后基于脉冲型地震合成模型进行脉冲型地震动合成
。2.
根据权利要求1所述的一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，其特征在于，脉冲型地震数据预处理方法具体包括：统一地震动样本的采样频率与时间窗大小；数据标准化，采用如下公式将地震动的数据缩放至
[
‑
1,1]
；式中，
X
为输入变量，和为输入变量的最大值与最小值， 为标准化后的输入变量
。3.
根据权利要求2所述的一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，其特征在于，数据预处理方式还包括数据增强，对原始数据库中的地震动信号通过增加白噪声形成新的地震动数据
。4.
根据权利要求1所述的一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，其特征在于，所述确定模型输入参数与输出参数具体包括：生成器的输入参数分为两部分，一部分为条件变量的特征参数，控制
GAN
模型的生成，另一部分为随机噪声；生成器的输出是与预处理得到的地震动信号形式一致的时程；判别器的输入参数分为三部分，分别是生成器的输出
、
来源于数据库中与条件变量相匹配的真实地震动速度时程数据和条件变量；且判别器的输出是一维非零即一的变量
。5.
根据权利要求4所述的一种基于
LSTM
‑
GAN
的脉冲型地震动合成方法，其特征在于，所述条件变量的特征参数为震级
、
震中距
、PGA
（速度峰值）
、PGV
（位移峰值）
、V
S30
、
场地条件
、
断层类型
、
脉冲周期

【专利技术属性】
技术研发人员：郭德平，雷川鹤，贾宏宇，康炜，戴胜勇，杨健，郑史雄，唐进才，张增，沈明亮，廖烟开，
申请(专利权)人：叙镇铁路有限责任公司，
类型：发明
国别省市：