[發(fā)明專利]一種基于符號學習的地震動衰減關(guān)系找型方法及裝置

在審

• 申請?zhí)枺?/td>: 202310256030.8
• 申請日: 2023-03-16
• 公開（公告）號: CN116299703A
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計）人: 劉獻偉;陳蘇;傅磊;李小軍;孫浩;范立峰
• 申請（專利權(quán)）人: 中國地震局地球物理研究所
• 主分類號: G01V1/30
• 分類號: G01V1/30;G06N20/00;G06F17/16;G06F17/11
• 代理公司: 北京卓愛普專利代理事務所(特殊普通合伙) 11920
• 代理人: 王玉松

本發(fā)明涉及一種基于符號學習的地震動衰減關(guān)系找型方法及裝置，本發(fā)明基于NGA?West2數(shù)據(jù)庫提出了一種新穎的符號物理學習方法，實現(xiàn)了將數(shù)學方程算子作為符號去自動發(fā)現(xiàn)，利用STRige方法蒸餾出簡潔且具有可詮釋的地震動復雜系統(tǒng)的顯式表征，大大簡化了表達方式，有效的提高了使用的適用性；并且可用于識別不同區(qū)域下地震動變量隱含物理關(guān)系和預測方程，提供了一種兼顧物理與數(shù)據(jù)驅(qū)動機器學習的回歸新范式，有效的提高了機器學習方法的計算效率。

技術(shù)領(lǐng)域

本發(fā)明涉及地震工程技術(shù)領(lǐng)域，具體涉及一種基于符號學習的地震動衰減關(guān)系找型方法及裝置。

背景技術(shù)

地震動預測方程(GMPEs)是地震危險性分析的重要組成部分，亦是地震區(qū)劃和震害防御等工作的重要依據(jù)。其核心思想是基于實際的地震動記錄數(shù)據(jù)或地震動模擬生成的數(shù)據(jù)，通過統(tǒng)計震級項、距離項、上下盤效應項、斷層類型項、線性和非線性場地項、盆地效應、區(qū)域差異性等來預測峰值加速度PGA和峰值速度PGV。

傳統(tǒng)GMPEs的建立需結(jié)合地震學、地球物理學等給出的物理參數(shù)，預定義模型方程形式，通過統(tǒng)計回歸方法得到GMPEs。但是，數(shù)據(jù)的選擇標準、選用的模型形式均會對GMPEs產(chǎn)生較大影響。這種回歸方程的準確率主要取決于回歸方法、數(shù)據(jù)規(guī)模和質(zhì)量，存在一定的不確定性。隨著機器學習和深度學習方法的蓬勃發(fā)展，一些學者利用機器學習和深度學習方法(例如：神經(jīng)網(wǎng)絡，遺傳算法，決策樹)建立GMPEs，上述方法具有自適應學習能力，可以在模式識別中提取數(shù)據(jù)的隱含特征，通過劃分測試集證明了GMPEs的預測能力。

但是，這些方法給出的方程形式較為復雜，尤其在將這些模型重新應用在一個新的區(qū)域時，需要重新訓練模型參數(shù)，這對機器學習方法來說，計算效率是低效的。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于符號學習的地震動衰減關(guān)系找型方法及裝置，旨在解決現(xiàn)有技術(shù)中表達形式復雜、機器學習方法的計算效率低效的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一方面提供了一種基于符號學習的地震動衰減關(guān)系找型方法，包括模型構(gòu)建步驟，

該模型的函數(shù)表達式如式(1)所示：

P＝Θξ?????????(1)

式(1)中，P表示地震動參數(shù)矩陣，定義如式(2)所示：

其中，p₁,p₂,p₃,…,p_n表示n組地震動參數(shù)，n表示地震動參數(shù)的組數(shù)；所述地震動參數(shù)包括峰值加速度PGA和峰值速度PGV；T表示矩陣轉(zhuǎn)置；表示實數(shù)集；

式(1)中，Θ表示候選函數(shù)庫，定義如式(3)所示：

其中，M_w表示震級；R_JB表示斷層投影從地面位置到接收臺站的最近距離(km)；V_S30表示場地30m等效剪切波速(m/s)；FM表示震源機制；Z_1.0表示從地面到達剪切波速度為1.0km/s所對應的地層深度；n表示候選函數(shù)庫參數(shù)的組數(shù)；m表示m個候選函數(shù)的個數(shù)，其中包括：常數(shù)項、一次項、ln項和平方項；

式(1)中，ξ表示稀疏系數(shù)矩陣，定義如式(4)所示：

其中，ξ₁,ξ₂,ξ₃,…,ξ_m表示m組稀疏系數(shù)；m表示稀疏系數(shù)的組數(shù)；T表示矩陣轉(zhuǎn)置；表示實數(shù)集。