-
随着城市化进程的加速，城市的规模越来越大，并且逐渐向地震区延伸，庞大复杂的城市基础设施增加了潜在的地震危险性。地震危险性分析和评估一直是地震工程研究的关键问题[1-3]，合理、准确的地震动输入是进行震前的地震风险评估和震后的地震灾害损失评估的前提。然而由于地震受到诸多因素的影响，震源、路径以及场地的未知性和不确定性一直是模拟和合成地震动中难以解决的问题。
确定工程场地地震动的方法有多种，基于概率的地震危险性分析(PSHA)方法是中常用的一种，其从概率的角度定量描述了地震作用[4-5]。基于地震动预测模型(GMM)[6-7]，利用PSHA方法可以建立一套具有不同超越概率的危险谱，作为确定设防水准的基础。但是仅反应谱还不能满足结构的抗震设计和性能评估所需，峰值加速度(PGA)以及谱加速度(Sa)也常被用来表征地震动的强度指标[8-9]，一些其他的地震动参数如峰值速度(PGV)、峰值位移(PGD)、有效峰值加速度(EPV)、累积绝对速度(CAV)也在逐渐引起人们的重视。但是地震动信号是一种非平稳的随机过程，难以仅通过幅值或者能量参数就能够完全包含其复杂过程对结构的影响。因此地震动时程是结构非线性动力时程分析的必须，这个所需的时程可以通过人造或者对天然的地震动调幅得到[10]。除了基于PSHA确定输入地震动的方法以外，基于物理过程的地震动模拟也是常用的方法，其可以考虑地震断层的破裂和传播过程，具有物理机制[11]，但是这种确定性的模拟方法依赖于震源模型、速度结构模型以及采用的模拟方法，需要准确的震源、路径和场地的模型，而目前工程上很难快速准确确定这些参数，因此，模拟的结果存在很大的不确定性。
近年来全球强震台站逐渐增多，区域强震数据日益丰富，我国的强震数据记录的数目已经超过了3万条，而全球的强震数据已超过数十万条[12-13]。这为研究基于区域强震数据和数值模拟方法结合构建符合本区域地震构造、路径和场地特征的地震动提供了可能。但是面对数万计的地震动数据，如果采用人工的方法处理和挖掘将非常复杂和繁琐，在以往基于地震动数据的统计研究中，研究者一般先要筛选一部分数据，再针对选取的地震动数据进行分析，以减少计算量。随着计算机技术的发展以及机器学习理论的逐渐成熟，应用机器学习方法对海量地震动数据进行处理和挖掘成为可能。
为了探讨应用机器学习中的智能算法基于实际地震动合成目标地震动，本文采用机器学习方法中的主成分分析(PCA)算法，从目标区域地震动数据库中提取包含区域特征信息的地震动母波，同时基于目标地区的GMM得到给定场地的加速度反应谱，基于特征母波和设计谱构建包含本地地震动特征的地震动时程。计算过程中，为了改进地震动时程的合成算法并提高计算效率，本文利用粒子群算法(PSO)快速找到母波地震动的权重系数，使得合成的地震动加速度反应谱与GMM得到的目标谱误差最小，最终通过母波线性组合得到目标地震动时程。为了阐述本文方法的可行性和合理性，本文结合我国西部地区的中强强震数据开展研究。
-
我国西部地区7级以下的中强震数据相对丰富，但是7级~8级的大震事件仍然比较缺乏，在预测模型回归时缺少大震强震数据的约束，为了减少模型的不确定性。本文采用了2007年−2019年间四川以及周边省份的震级5.0级~7.0级的中强震地震动数据，以及基于此数据建立的中强震地震动预测模型。详细的地震信息如表1所示，震中和台站位置见图1。数据库中包含了21次地震中174个台站的4551条水平向地震动记录。对原始地震动记录进行了滤波和基线调整[14-15]。
表 1 选取的西部地区的中强震
Table 1. Selected earthquake events in west region of China
地震名称 发震时间 震源位置 震源深度/km 震级Ms 北纬 东经 云南普洱地震 2007-06-03 23.08 101.13 6 6.4 云南盈江地震 2008-08-21 24.91 97.79 14 6.1 四川攀枝花地震 2008-08-30 26.29 102.06 19 6.1 四川攀枝花余震 2008-08-31 26.27 102.06 13 5.8 四川雅安地震 2009-07-09 25.60 101.03 6 6.3 四川芦山地震 2013-04-20 30.29 103.00 13 7.0 四川芦山余震 2013-04-20 30.32 102.91 10 5.4 甘肃岷县地震 2013-07-22 34.54 104.21 15 6.6 青海门源地震 2013-09-20 37.73 101.53 15 5.1 云南鲁甸地震 2014-08-03 27.11 103.33 10 6.5 四川岳西地震 2014-10-01 28.38 102.74 10 5.0 云南景谷地震 2014-10-07 23.39 100.55 10 6.6 四川康定地震 2014-11-22 30.29 101.68 20 6.3 四川门源地震 2016-01-21 37.68 101.62 10 6.4 四川九寨沟地震 2017-08-08 33.20 103.82 20 7.0 四川兴文地震 2018-12-16 28.23 104.95 12 5.7 四川西昌地震 2018-10-31 28.39 102.20 19 5.1 四川珙县地震 2019-01-03 28.20 104.86 15 5.3 四川汶川余震 2008-05-14 31.43 104.06 21 5.0 四川汶川余震 2008-05-25 32.55 105.48 14 5.8 四川汶川余震 2008-08-01 32.02 104.85 14 5.7 
图 1 台站和地震震中分布图
Figure 1. Map of stations and earthquake epicenters
-
研究表明：地震动由于受到地震构造、地壳结构和场地条件的影响，不同区域地震动可能具有不同的特征[15-17]。在模拟设定区域的地震动时需要考虑本区域的实际地震动的特征信息，因此，需要采用合理的方法从实际地震动中提取区域地震动的特征信息。
在数据挖掘和机器学习中，数据一般被表示为向量，与之类似，也可以把一条地震动记录视为1列向量，那么n条地震动记录就可视为n列向量进而组合得到如下矩阵：
$${{A}} = {[ {\begin{array}{*{20}{c}} {\overrightarrow {{\alpha _1}} }&{\overrightarrow {{\alpha _2}} }&{\overrightarrow {{\alpha _3}} }&{ \cdot \cdot \cdot }&{\overrightarrow {{\alpha _n}} } \end{array}} ]_{m \times n}}$$ (1) 这里的
$\overrightarrow {{\alpha _i}} $ 是真实的地震动加速度记录，把地震动数据库中的所有记录都按上述形式进行拼接可以得到一个m行n列的矩阵，为了确定其中任意一条地震动时程，我们给出一个n行1列的系数矩阵K。$${{K}} = {\left[ {\begin{array}{*{20}{c}} {{k_1}} \\ {{k_2}} \\ { \cdot \cdot \cdot } \\ {{k_n}} \end{array}} \right]_{n \times 1}}\qquad\quad\;\;\;\;$$ (2) 当合成已有的地震动数据库中的第i条地震动记录
$\overrightarrow {{\alpha _i}} $ 时，根据反应谱匹配，当两者误差最小时即两者误差为0时，系数矩阵K为：$${{K}} = {\left[ {\begin{array}{*{20}{c}} 0 \\ {\begin{array}{*{20}{c}} 0 \\ { \cdot \cdot \cdot } \end{array}} \\ {\begin{array}{*{20}{c}} 1 \\ { \cdot \cdot \cdot } \end{array}} \\ 0 \end{array}} \right]_{n \times 1}}\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {} \\ {} \end{array}} \\ {} \end{array}} \\ { \leftarrow i} \\ {} \\ {} \end{array}$$ (3) 这样得到的合成地震动具备了原地震动所有的形状特征以及随机性特性。由于地震动数据库的记录数目较大，为了提交计算效率可以对原始的地震动矩阵A进行降维简化。在线性代数中，一个内积空间的正交基是元素两两正交的基。在二维平面中，任意的二维向量都可以通过一组二维的正交基表示出来：
$${\overrightarrow {{e_1}} }=(1,\;0)\;\;\;\;$$ (4) $${\overrightarrow {{e_2}} }=(0,\;1)\;\;\;\;$$ (5) 在三维平面中，任意的三维向量都可以通过一组三维的正交基表示：
$${\overrightarrow {{e_1}} }=(1,\;0,\;0)$$ (6) $${\overrightarrow {{e_2}} }=(0,\;1,\;0)$$ (7) $${\overrightarrow {{e_3}} }=(0,\;0,\;1)$$ (8) 当把一条条地震动向量视为一个个列向量时，那么肯定也存在一组正交基能够表示任意一条地震动所构成列向量。主成分分析[18](Principal component analysis，PCA)方法正好可以满足这方面的要求。它可以把数据降维，找出一组符合条件的正交基用于计算任意一条地震动记录。PCA算法是一种对高维数据降维的方法，并将高维数据中重要的特征保留，去除噪声和不重要的特征。
若有一组如下形式的数据，应用主成分分析的具体步骤为：
$${{X}} = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}&{ \cdot \cdot \cdot }&{{x_{1p}}} \\ {{x_{12}}}&{{x_{22}}}&{ \cdot \cdot \cdot }&{{x_{2p}}} \\ { \cdot \cdot \cdot }&{ \cdot \cdot \cdot }&{ \cdot \cdot \cdot }&{ \cdot \cdot \cdot } \\ {{x_{n1}}}&{{x_{n2}}}&{ \cdot \cdot \cdot }&{{x_{np}}} \end{array}} \right]$$ (9) 首先，对数据进行标准化处理：
$$ \begin{split} & {x_{ij}^* }= \frac{{{x_{ij}} - \overline {{x_j}} }}{{\sqrt {{\rm{var}} ({x_j})} }},\;{i = 1,2 \cdot \cdot \cdot n,j = 1,2 \cdot \cdot \cdot p} , \\& \overline {{x_j}} = \frac{1}{n}\sum\limits_{i = 1}^n {{x_{ij}}} , \\& {\rm{var}} ({x_j}) = \frac{1}{{n - 1}}{\sum\limits_{i = 1}^n {({x_{ij}} - \overline {{x_j}} )} ^2} \end{split} $$ (10) 其次，计算相关系数矩阵：
$$ \begin{split} & {{R}} = \left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}&{ \cdot \cdot \cdot }&{{r_{1p}}} \\ {{r_{12}}}&{{r_{22}}}&{ \cdot \cdot \cdot }&{{r_{2p}}} \\ { \cdot \cdot \cdot }&{ \cdot \cdot \cdot }&{ \cdot \cdot \cdot }&{ \cdot \cdot \cdot } \\ {{r_{p1}}}&{{r_{p2}}}&{ \cdot \cdot \cdot }&{{r_{pp}}} \end{array}} \right] , \\& {{r_{ij}} = \frac{1}{n}\sum\limits_{t = 1}^n {{x_{ti}}{x_{tj}}} } \end{split} $$ (11) 接着，用雅克比方法求解出相关系数矩阵R的特征值λ和特征向量，这里的特征向量就是正交基。
最后，选择重要的主成分，根据方差解释率即：
$${\text{方差解释率}} = \frac{{{\lambda _i}}}{{\displaystyle \sum\limits_{i = 1}^p {{\lambda _i}} }}$$ (12) 这里的方差解释率也称主成分贡献率，用于判断单个主成分所包含的原始数据信息的多少，方差解释率越大，所包含的原始信息越多因此本文基于此方法，从目标区域原始地震动数据库中提取含有本地地震动特征信息的母波。
-
以数据为驱动提取母波的方法的具体流程如图2所示。首先从区域原始数据库中应用PCA提取一组标准的正交基向量，并要求这些提取出的正交基向量能够表征地震动时程序列的主要成分。
图 2 主成分分析算法提取地震动母波的流程图
Figure 2. The flow chart of ground motion mother wave extraction by PCA
应用PCA算法提取的地震动主要成分的正交基在本文称为地震动母波，提取的地震动母波和原始地震动具有相同的时间采样频率。因此，合成的地震动可以由提取的地震动母波线性组合而成。
$$a(t) = \sum\limits_{i = 1}^n {{k_i}} {u_i}$$ (13) 式中：
${k_i}$ 为系数；${u_i}$ 为提取的地震动母波；$n$ 为提取的地震动母波的个数。地震动母波是数据矩阵组成的特征向量，然后根据特征值大小进行排序。采用上述方法，可以从原始地震动数据库中提取n条地震动母波，图3给出了提取的4条母波，从图3中给出的地震动时程和傅里叶频谱特性可以看出，提取的母波与实际地震动记录特征非常接近。
图 3 从原始地震动数据库中提取的4条地震动母波及其傅里叶频谱
Figure 3. Four ground motion mother waves and their Fourier spectra extracted from the original ground motion database
-
为了验证基于PCA算法提取的地震动母波合成地震动的合理性，本文以原始地震动数据库中的50条近场(震中距R<30 km)数据为例提取母波，并进行合成和验证。选取近场数据进行母波提取和验证的原因是由于近场地震动的特征更显著、更加复杂，更具有代表性意义。
为了使得提取的母波能够表征原始地震动数据库的特征，首先需要引入主成分累积贡献率的概念，主成分累积贡献率是选择有效主成分的重要依据，它是主成分的方差在所考察的随机变量的总方差中所占的比例；再引入累积方差解释率概念，即多个主成分方差所占的比例之和，它是通过主成分贡献率之和求得。当累积方差解释率比较高时，能够较好的代表数据库的特征。
为了确保能够充分的提取地震动数据库的特征，本文累积方差解释率取值为95%，即当累积方差解释率达到95%时，提取的含有本地地震动特征信息的母波能够很好表征原始地震动数据库的特征。图4给出了累积方差解释率和母波地震动数量的关系，图中的拐点就是累积方差解释率取值为95%的点。根据图4分析结果，当满足累积方差解释率为95%时，提取的国内近场地震动数据的母波数目为19条。
图 4 累积方差解释率和母波地震动数量的关系
Figure 4. The relationship between the interpretation rate of cumulative variance and the number of ground motions of the mother wave
为了验证提取的母波的合理性，以提取的19条地震动母波来合成近场数据库中的地震动。首先任意选取近场地震动数据库中的一条记录，计算该条地震动记录的反应谱，对提取的19条地震动母波进行线性组合，可使得组合的新的地震动反应谱与之前选取的地震动反应谱误差最小，即可得到一条新的合成的地震动。图5给出了实际地震动与合成地震动的反应谱和地震动时程的比较。从图5的反应谱和地震动时程的比较中可以发现，PCA算法提取的地震动母波能够很好的合成原始地震动数据库中的任意一条地震动记录，因此，PCA提取的地震母波能够很好的表征原始地震动数据库的特征。
图 5 实际近场地震动和应用PCA算法提取的母波合成的地震动比较
Figure 5. Comparison between the actual near-field ground motion and the synthetic ground motion by the mother waves extracted by PCA
-
第2节中提到利用提取的地震动母波合成目标地震动时，需确定母波的组合权重系数，为了得到一组系数
${k_i}$ ，使得加权组合的地震动母波得到的反应谱${S_{\rm a}}(T)$ 与通过地震动预测模型得到的反应谱${S_{\rm a}^*}(T)$ 相匹配，即：$$S = \min \left(\sum {\left| {{S_{\rm a}}\left(\sum\limits_{i = 1}^n {{k_i}} {u_i},{T_i}\right) - {S_{\rm a}^*}({T_i})} \right|} \right)$$ (14) 需要求解出方程的最优解，因此，引入粒子群算法。
-
粒子群算法(Particle Swarm Optimization, PSO)是由Kennedy等[19]和Stefan等[20]可以用于求解最优化问题，能够有效地实现计算机智能搜索和优化。该方法所求出的解是全局最优解而不是局部最优，它能够找出满足条件的一组
${k_i}$ 使得$S$ 最小，具体的要点如下，流程见图6所示。
图 6 粒子群算法求解权值ki流程图
Figure 6. Flow chart of PSO algorithm to solve weight ki
1)参数的初始化。设置初始化参数，如：自变量
${k_i}$ 初始值，最大迭代次数，粒子的最大速度，粒子群的规模以及整个搜索空间。2)个体极值以及全局最优解。个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解。与历史全局最优比较，进行更新。
3)更新速度和位置公式，即式(15)。
$$ \begin{split} & {V_{id}} = \omega {V_{id}} + {C_1}random(0,1)({P_{id}} - {X_{id}}) + \\&\qquad\quad {C_2}random(0,1)({P_{gd}} - {X_{id}}),\\& {X_{id}} = {X_{id}} + {V_{id}},\\& \omega = \frac{{\left( {{\omega _s} - {\omega _e}} \right)({\rm{Maxgen}} - {\rm{g}})}}{{{\rm{Maxgen}}}} + {\omega _e} \end{split} $$ (15) 式中：
$\omega $ 为惯性因子，当取值较大时寻优能力强；${C_1}$ 和${C_2}$ 为加速度常数；${P_{id}}$ 为个体极值；${P_{gd}}$ 为群体极值；${X_{id}}$ 为粒子当前的位置；${V_{id}}$ 粒子的速度；Maxgen是迭代的次数。4)设置迭代次数或者最小误差。
-
为了使得地震动母波线性组合得到的新的地震动的反应谱与目标反应谱误差最小，图7给出了基于PSO算法[21-22]求解权重系数，以及基于地震动预测模型合成目标地震动的流程图。首先，选取本地震动数据库区域合适的地震动预测模型，应用PCA算法提取地震动母波，通过地震动预测模型[23]得到的反应谱与组合地震动母波得到的新的地震动的反应谱匹配，再用PSO算法快速求解权重系数。PSO算法的具体参数参考了文献[24]，如表2所示。
表 2 PSO算法参数
Table 2. Parameter of PSO
C1 C2 Vmax Vmin Popmax Popmin Ws We Maxgen Sizepop 2.05 2.05 3 −3 10 −10 0.9 0.4 50 30 注：Sizepop为粒子群数目；Vmax和Vmin分别为最大速度和最小速度。 
图 7 应用PCA和PSO算法合成地震动时程的流程
Figure 7. Flow chart of simulation ground motion time history by PCA and PSO
-
为了验证本文提出的方法的可行性，分别对中国西部地区的四个设定地震场景下的不同场点进行地震动合成。设定震级、断层距以及场地条件如表3所示。将设定震级、距离以及场地参数输入到本区域的地震动预测模型中，本文采用了文献[25]基于四川地区的中强震数据建立的地震动预测模型，与本文的研究区域一致。然后基于此模型对设定场点的地震动反应谱进行估计，通过组合母波得到的新的地震动时程并计算其反应谱，当计算的反应谱与地震动预测模型反应谱一致时，则得到最终的地震动时程，这是一个迭代过程。
表 3 设定地震信息和计算信息
Table 3. Scenario earthquake and calculation information
场景序号 累积方差保证率/(%) 地震动母波的数目 震级M 场地条件Vs30 /(m/s) 断层距R/km 计算时间/min 1 95 19 5.5 360 10 25 2 95 19 6.0 360 10 31 3 95 19 5.5 760 30 29 4 95 19 6.0 760 30 24 通过粒子群算法寻优计算出的权重系数值如表4所示。
表 4 地震动母波的权重系数
Table 4. Weight coefficient of the mother wave of the ground motion
权重系数 1 2 3 4 权重系数 1 2 3 4 k1 −0.3016 1.3872 −0.8749 20.1296 k11 −0.7101 −0.0374 1.6420 10.8905 k2 1.2743 2.4191 −28.2109 −31.7861 k12 −5.6417 −0.7129 −4.4584 −1.6099 k3 −1.4775 0.0247 −15.6487 −5.2161 k13 1.0005 2.9145 −6.1125 −0.7129 k4 −0.2622 4.8349 −1.0184 1.8632 k14 −1.1363 −0.6620 41.2502 −0.7129 k5 −0.2491 −1.5499 17.3890 36.3264 k15 0.4585 −1.9078 −22.5971 1.6440 k6 0.6941 1.6586 −4.5644 47.9794 k16 0.1420 −0.7129 18.9941 4.6254 k7 −0.9719 −0.1102 −6.0116 17.8741 k17 −0.1470 7.1849 1.6740 −0.7101 k8 −0.9770 −1.6099 41.4186 34.3698 k18 0.6149 4.6254 −1.0284 −0.9719 k9 −0.0905 −0.1854 −22.5198 −42.7007 k19 4.1372 1.6440 17.3878 0.0247 k10 −0.5010 −0.6289 18.5287 20.5095 图8中给出了迭代次数和误差S之间的关系，从图8中可以看出在迭代到50次时误差都已收敛，因此，针对本次地震动的计算模拟，可以取迭代次数为50。
图 8 迭代次数与误差之间的关系
Figure 8. The relation between the number of iterations and the error
图9给出了合成的地震动时程的反应谱与预测模型得到的目标反应谱的比较，图中给出的分别是不同场点(R=10，30 km)和不同震级(M=5.5，6)的比较。从图9中能够看出，通过PSO智能算法求解出的地震动的反应谱能够较好的匹配地震动预测方程得到的目标反应谱。图10给出了最终合成的地震动时程，从图中可以看出合成的地震动与实际地震动非常接近，具有随机性和非平稳性，包含了区域地震动的特征。因此，地震动母波的线性组合能够得到地震动数据库中的任意地震动数据，合成的目标地震动既匹配了目标谱，有能够很好地代表本区域实际地震动的特征。
图 9 合成的地震动的反应谱与目标谱的比较
Figure 9. Comparison between the response spectra of the synthesized ground motion and the object spectra
图 10 机器学习方法合成的地震动时程
Figure 10. Time history of ground motion synthesized by machine learning method
-
为了研究考虑区域地震动特征信息的地震动合成方法，本文引入了机器学习中PCA算法，从地震动数据库中提取有效的地震动母波信息，结合目标区域的地震动预测模型给出的特定场点的地震动反应谱，通过PSO算法求解组合地震动母波的权重系数，使得合成反应谱与目标谱误差的最小，最终由地震动母波线性叠加得到目标地震动时程。通过上述研究可以得到如下结论：
(1)应用PCA算法能够从地震动数据库中能够提取出代表性地震动母波，地震动母波能够合理表征地震动数据库的特性。
(2)应用PSO算法能够快速高效求解地震动母波的组合权重，PSO智能算法避免了应用穷举法求解权值，提升了计算速度。
(3)通过PCA和PSO智能算法，结合本区域实际地震动和预测模型来合成新的地震动时程，能够合理的包含区域实际地震动的特性，能够匹配目标地震动的频谱特征。
本文提出的方法考虑了区域实际地震动的特征，使得合成的地震动时程既包含了时程上的区域特征，又匹配了目标谱，满足了谱型上的一致性。采用PCA和PSO智能算法，提高了计算效率，满足了地震动合成时效性的需求，因此，可为未来面向工程的抗震性能评估提供合理的地震动时空分布场。
A METHOD TO SIMULATE GROUND MOTION BASED ON PCA AND PSO INTELLIGENT ALGORITHMS—A CASE STUDY OF MODERATE MAGNITUDE EARTHQUAKES IN WESTERN CHINA
-
摘要: 地震动数值模拟方法可为地震危险性评估和结构抗震设计和评估提供地震输入，但是由于地震动模拟参数的不确定性以及模拟技术的局限性，模拟的地震动与目标地区的实际地震动特征可能存在较大差异。随着区域强震观测数据的增多，应考虑将目标区域的实测地震动特征融合到模拟的地震动中，以体现该区域地震动的特征。但是目前尚无成熟、合理的基于目标地区实际地震动合成设计地震动的方法。为了解决此问题，该文采用机器学习中的智能算法结合区域实际观测记录合成地震动时程。基于主成分分析算法从庞大的目标区域地震动数据库中提取表征本区域地震动特征的母波，采用合理的地震动模型构建区域地震动目标谱，再应用粒子群算法快速求解地震动的母波组合系数，使加权得到的反应谱与目标谱匹配，最终使得合成的地震动既满足目标谱的频谱特征、又符合本地实际地震动的时频特征。基于该文提出的方法，以中国西部地区的强震数据为基础，验证了方法的可行性和有效性，为考虑区域差异特征的地震动合成提供了新的思路和方法。Abstract: The numerical simulation method of ground motion can provide ground motion input for seismic hazard analysis and seismic design of structures. Due to the uncertainties associated with ground motion simulation parameters and the limitations of simulation technology, the simulated ground motions may be quite different from the actual ground motions of the target area. With the increased number of observed regional strong ground motions, it is meaningful to integrate the measured ground motion characteristics into the simulated ground motions to reflect the local characteristics of ground motion. But at present, there is no synthetic ground motion method considering the characteristics of ground motion in the target area. To solve this problem, the ground motion time history is synthesized by machine learning method combined with the actual observed ground motion in the target region. The principal component analysis algorithm is applied to extract the mother waves which represent the characteristics of the ground motion from the huge target ground motion database; the reasonable prediction equation is selected to predict the response spectrum; then the improved particle swarm optimization algorithm is applied to quickly solve the combination coefficient of the mother waves of the ground motion. Thus, the weighted new response spectrum matches that from the prediction equation, and the synthetic time history of ground motion not only meets the results of seismic hazard analysis, but also conforms to the characteristics of the local ground motion. Based on the method proposed in this paper, the feasibility and effectiveness of the method are verified by using the strong motions in Sichuan of China, which provides a new idea and method for the synthesis of ground motions considering the characteristics of regional ground motions.
-
Key words:
- ground motion simulation /
- machine learning /
- PCA /
- PSO /
- characteristics of regional ground motion
-
图 2 主成分分析算法提取地震动母波的流程图
Figure 2. The flow chart of ground motion mother wave extraction by PCA
图 3 从原始地震动数据库中提取的4条地震动母波及其傅里叶频谱
Figure 3. Four ground motion mother waves and their Fourier spectra extracted from the original ground motion database
图 4 累积方差解释率和母波地震动数量的关系
Figure 4. The relationship between the interpretation rate of cumulative variance and the number of ground motions of the mother wave
图 5 实际近场地震动和应用PCA算法提取的母波合成的地震动比较
Figure 5. Comparison between the actual near-field ground motion and the synthetic ground motion by the mother waves extracted by PCA
图 7 应用PCA和PSO算法合成地震动时程的流程
Figure 7. Flow chart of simulation ground motion time history by PCA and PSO
图 8 迭代次数与误差之间的关系
Figure 8. The relation between the number of iterations and the error
图 9 合成的地震动的反应谱与目标谱的比较
Figure 9. Comparison between the response spectra of the synthesized ground motion and the object spectra
图 10 机器学习方法合成的地震动时程
Figure 10. Time history of ground motion synthesized by machine learning method
表 1 选取的西部地区的中强震
Table 1. Selected earthquake events in west region of China
地震名称 发震时间 震源位置 震源深度/km 震级Ms 北纬 东经 云南普洱地震 2007-06-03 23.08 101.13 6 6.4 云南盈江地震 2008-08-21 24.91 97.79 14 6.1 四川攀枝花地震 2008-08-30 26.29 102.06 19 6.1 四川攀枝花余震 2008-08-31 26.27 102.06 13 5.8 四川雅安地震 2009-07-09 25.60 101.03 6 6.3 四川芦山地震 2013-04-20 30.29 103.00 13 7.0 四川芦山余震 2013-04-20 30.32 102.91 10 5.4 甘肃岷县地震 2013-07-22 34.54 104.21 15 6.6 青海门源地震 2013-09-20 37.73 101.53 15 5.1 云南鲁甸地震 2014-08-03 27.11 103.33 10 6.5 四川岳西地震 2014-10-01 28.38 102.74 10 5.0 云南景谷地震 2014-10-07 23.39 100.55 10 6.6 四川康定地震 2014-11-22 30.29 101.68 20 6.3 四川门源地震 2016-01-21 37.68 101.62 10 6.4 四川九寨沟地震 2017-08-08 33.20 103.82 20 7.0 四川兴文地震 2018-12-16 28.23 104.95 12 5.7 四川西昌地震 2018-10-31 28.39 102.20 19 5.1 四川珙县地震 2019-01-03 28.20 104.86 15 5.3 四川汶川余震 2008-05-14 31.43 104.06 21 5.0 四川汶川余震 2008-05-25 32.55 105.48 14 5.8 四川汶川余震 2008-08-01 32.02 104.85 14 5.7 
下载: 导出CSV
表 2 PSO算法参数
Table 2. Parameter of PSO
C1 C2 Vmax Vmin Popmax Popmin Ws We Maxgen Sizepop 2.05 2.05 3 −3 10 −10 0.9 0.4 50 30 注：Sizepop为粒子群数目；Vmax和Vmin分别为最大速度和最小速度。
下载: 导出CSV
表 3 设定地震信息和计算信息
Table 3. Scenario earthquake and calculation information
场景序号 累积方差保证率/(%) 地震动母波的数目 震级M 场地条件Vs30 /(m/s) 断层距R/km 计算时间/min 1 95 19 5.5 360 10 25 2 95 19 6.0 360 10 31 3 95 19 5.5 760 30 29 4 95 19 6.0 760 30 24
下载: 导出CSV
表 4 地震动母波的权重系数
Table 4. Weight coefficient of the mother wave of the ground motion
权重系数 1 2 3 4 权重系数 1 2 3 4 k1 −0.3016 1.3872 −0.8749 20.1296 k11 −0.7101 −0.0374 1.6420 10.8905 k2 1.2743 2.4191 −28.2109 −31.7861 k12 −5.6417 −0.7129 −4.4584 −1.6099 k3 −1.4775 0.0247 −15.6487 −5.2161 k13 1.0005 2.9145 −6.1125 −0.7129 k4 −0.2622 4.8349 −1.0184 1.8632 k14 −1.1363 −0.6620 41.2502 −0.7129 k5 −0.2491 −1.5499 17.3890 36.3264 k15 0.4585 −1.9078 −22.5971 1.6440 k6 0.6941 1.6586 −4.5644 47.9794 k16 0.1420 −0.7129 18.9941 4.6254 k7 −0.9719 −0.1102 −6.0116 17.8741 k17 −0.1470 7.1849 1.6740 −0.7101 k8 −0.9770 −1.6099 41.4186 34.3698 k18 0.6149 4.6254 −1.0284 −0.9719 k9 −0.0905 −0.1854 −22.5198 −42.7007 k19 4.1372 1.6440 17.3878 0.0247 k10 −0.5010 −0.6289 18.5287 20.5095
下载: 导出CSV
-
[1] Wang M, Takada T. A Bayesian framework for prediction of seismic ground motion [J]. Bull. Seismol. Soc. Am., 2009, 99(4): 2348 − 2364. doi: 10.1785/0120080017 [2] Bazzurro P, Cornell C A. Disaggregation of seismic hazard [J]. Bulletin Seismological Society America, 1999, 89(2): 501 − 520. [3] Delavaud E, Scherbaum F, Kuehn N, et al. Information-theoretic selection of ground-motion prediction equations for seismic hazard analysis: An applicability study using Californian data [J]. Bulletin Seismological Society America, 2009, 99(6): 3248 − 3263. doi: 10.1785/0120090055 [4] Baker J W, Cornell C A. Spectral shape, epsilon and record selection [J]. Earthquake Engineering Structural Dynamics, 2009, 35(9): 1077 − 1095. [5] Beck J L. Bayesian system identification based on probability logic [J]. Structural Control Health Moniting, 2010, 17(7): 825 − 847. doi: 10.1002/stc.424 [6] Abrahamson N, G Atkinson, Boore D M, et al. Comparisons of the NGA ground-motion relations [J]. Earthquake Spectra, 2008, 24(1): 45 − 66. doi: 10.1193/1.2924363 [7] Xu Y, Wang J P, Wu Y M, et al. Prediction models and seismic hazard assessment: A case study from Taiwan [J]. Soil Dynamics and Earthquake Engineering, 2019, 122(7): 94 − 96. doi: 10.1016/j.soildyn.2019.03.038 [8] 邱意坤, 周长东, 张光伟. 三维地震动作用下适用于高耸结构的地震动强度指标[J]. 工程力学, 2020, 37(3): 98 − 107. Qiu Yikong, Zhou Changdong, Zhang Guangwei. An earthquake intensity measure for high-rise structures under three-dimensional earthquake ground motions [J]. Engineer Mechanics, 2020, 37(3): 98 − 107. (in Chinese) [9] 杨参天, 解琳琳, 李爱群, 等. 适用于高层隔震结构的地震动强度指标研究[J]. 工程力学, 2018, 35(8): 21 − 29. doi: 10.6052/j.issn.1000-4750.2017.07.0531 Yang Cantian, Xie Linlin, Li Aiqun, et al. Intensity measures for seismically isolated tall buildings [J]. Engineering Mechanics, 2018, 35(8): 21 − 29. (in Chinese) doi: 10.6052/j.issn.1000-4750.2017.07.0531 [10] Baker J W, Cornell C A. A vector-valued ground motion intensity measure consisting of spectral acceleration and epsilon [J]. Earthquake Engineering Structural Dynamics, 2005, 34(10): 1193 − 1217. doi: 10.1002/eqe.474 [11] Naeim F, Alimoradi A, Pezeshk S. Selection and scaling of ground motion time histories for structural design using genetic algorithms [J]. Earthquake Spectra, 2004, 20(2): 413 − 426. doi: 10.1193/1.1719028 [12] Grigoriu M. To scale or not to scale seismic ground-acceleration records [J]. Journal of Engineering Mechanics, 2011, 10: 184 − 293. [13] Bozorgnia Y, Abrahamson N A, Al Atik L, et al. NGA-West2 research project [J]. Earthquake Spectra, 2014, 30: 973 − 987. doi: 10.1193/072113EQS209M [14] Rezaeian S D, Kiureghian A. A stochastic ground motion model with separable temporal and spectral non-stationarities [J]. Earthquake Engineering Structural Dynamics, 2008, 37(13): 1565 − 1584. doi: 10.1002/eqe.831 [15] 张齐. 地震动衰减关系区域性差异研究[D]. 哈尔滨: 中国地震局工程力学研究所, 2016. Zhang Qi. Study on regional differentiation of ground motion attenuation relationship [D]. Harbin: Institute of Engineering Mechanics, 2016. (in Chinese) [16] 韩建平, 陈继强, 闫青, 等. 考虑谱形影响的地震动强度指标研究进展[J]. 工程力学, 2015, 32(10): 9 − 17. Han Jianping, Chen Jiqiang, Yan Qing, et al. State of the art of ground motion intensity measures accounting for the influence of spectral shape [J]. Engineering Mechanics, 2015, 32(10): 9 − 17. (in Chinese) [17] Boore D M, Lamprey J W, Abrahamson N A. Orientation-independent measures of ground motion [J]. Bulletin Seismological Society America, 2006, 96: 1502 − 1511. doi: 10.1785/0120050209 [18] Hervé Abdi, Williams L J. Principal component analysis [J]. Wiley Interdisciplinary Reviews Computational Statistics, 2010, 2(4): 433 − 459. doi: 10.1002/wics.101 [19] Kennedy R, Eberhart J.Particle swarm optimization [C]. Australia: Proceedings of IEEE International Conference On Neural Networks. IEEE, Perth, WA, Australia, 1995. [20] Stefan B, Li X D. Adaptively choosing niching parameters in a PSO [C]. Washington: Genetic and Evolutionary Computation Conference, GECCO 2006, Proceedings, Seattle, Washington, USA, 2006. [21] Kalivarapu V, Foo J L, Winer E. Improving solution characteristics of particle swarm optimization using digital pheromones [J]. Structural and Multidiplinary Optimization, 2009, 37(4): 415 − 427. doi: 10.1007/s00158-008-0240-9 [22] Stefan B, Li X D. Adaptively choosing niching parameters in a PSO [C]. Washington: Genetic and Evolutionary Computation Conference, GECCO 2006, Proceedings, Seattle, Washington, USA, 2006. [23] Boore D M, Stewart J P, Seyhan E, et al. NGA-West2 equations for predicting PGA, PGV, and 5% damped PSA for shallow crustal earthquakes [J]. Earrhquake and Spectra, 2014, 30(3): 1057 − 1085. [24] Parno M D, Hemker T, Fowler K R. Applicability of surrogates to improve efficiency of particle swarm optimization for simulation-based problems [J]. Engineering Optimization, 2012, 44(5): 521 − 535. doi: 10.1080/0305215X.2011.598521 [25] 胡进军, 张辉, 张齐. 基于四川西昌中强震数据的区域地震动预测模型[J]. 振动与冲击, 2021, 40(2). DOI: 10.13465/j.cnki.jvs.2021.02.038 Hu Jinjun, Zhang Hui, Zhang Qi. Prediction model of regional ground motion based on moderate strong earthquake data in Xichang, Sichuan Province[J]. Journal of Vibration and Shock, 2021, 40(2). DOI: 10.13465/j.cnki.jvs.2021.02.038. (in Chinese) -
点击查看大图
计量
- 文章访问数: 85
- HTML全文浏览量: 43
- PDF下载量: 33
- 被引次数: 0
