Temporal convolution neural network model for simulation of site seismic effect
-
摘要:
场地地震效应模拟作为岩土地震工程学的热点与难点，多基于数学物理方法或观测记录开展研究，需面对动力方程求解、建模不确定性、数据稀疏、泛化能力等问题。针对以上问题，本文构建了物理嵌入的时序卷积神经网络（Phy-TCN）模型，并验证了其与纯数据驱动的时序卷积网络（TCN）的性能差异。针对KiK-net数据库中场地井上/井下强震记录，采用Phy-TCN模型开展了场地地震效应模拟。结果表明：Phy-TCN 模型可有效模拟时序型数据；在KiK-net观测记录等含噪信号模拟中，以选取站点的地震事件特定周期点反应谱值为基准，Phy-TCN模型和等效线性化方法所得数据与实测记录的平均相对误差分别为0.067和0.379。基于上述结果认为，Phy-TCN模型可应用于土层剖面信息模糊条件的场地地震效应模拟。
Abstract:The simulation of site seismic effects is a critical and challenging research area in earthquake engineering, providing a scientific basis for seismic safety evaluations of engineering sites, seismic fortification of buildings, and code revisions. Four primary research paradigms are typically employed: the empirical research paradigm, which relies on earthquake damage data; the theoretical research paradigm, which uses model experiments and mathematical tools to describe experimental phenomena; the computational research paradigm, which employs numerical methods to solve complex physical problems; and the data-driven paradigm, which utilizes machine learning tools to identify patterns in large datasets. Despite these approaches, challenges such as sparse data samples, weak generalization of results, and insufficient understanding of underlying laws persist. In this study, we introduce a fifth research paradigm, artificial intelligence for science, represented by physics-embedded deep learning. We investigate site seismic effects using strong motion records from the Japanese KiK-net array on-site/borehole stations.
In this study, we primarily employ temporal convolution neural network （TCN） as the deep learning framework. Compared with traditional recurrent neural networks （RNNs, LSTMs, GRUs）, TCN offers stronger parallelism and more flexible receptive fields. TCN uses a one-dimensional fully convolutional network architecture, with dilated causal convolutions to exponentially increase the receptive field, thus avoiding the loss of historical information when processing long sequences. Additionally, TCN uses residual blocks to prevent gradient vanishing issues. We detail how to impose physical constraints on the loss function of deep learning neural networks and develop a physics-embedded temporal convolution neural network （Phy-TCN） model. To validate the effectiveness of the Phy-TCN model, we generated a simple sparse sample dataset. Specifically, we used 30 sets of random white noise sequences with length
1000 as excitations for a single degree of freedom system to generate the sparse sample dataset, with 15 sets each for training and testing. Under sparse data conditions, we compared the performance of the Phy-TCN with a purely data-driven TCN and explored the limitations of the TCN. The results show that embedding physical information provides more information for the training process, constraining the simulation results within feasible spaces.Then, to further demonstrate the performance of the Phy-TCN in predicting soil layer seismic responses, we generated 30 sets of numerical simulation data, randomly dividing 20 sets for training and 10 sets for testing. These numerical simulation data were generated using a one-dimensional time-domain nonlinear site seismic response analysis method based on constructed site soil layer information. The seismic acceleration records input into the soil layer model were selected from the strong motion network database of the National Research Institute for Earth Science and Disaster Resilience in Japan, and the constitutive model used to describe the nonlinear behavior of the soil was a hybrid hyperbolic nonlinear soil model. The results show that the Phy-TCN can effectively simulate site seismic effects under seismic excitation. Comparing the predicted results with reference records, the coefficient of determination （R2） is generally greater than 0.97.
Finally, in order to verify the application of the Phy-TCN model in practical engineering, we selected 50 seismic events with surface peak accelerations greater than or equal to 0.3 m/s2 from the KiK-net database at the IBRH11 and IBRH12 stations, randomly dividing 40 events for training and 10 events for testing, and conducted site seismic effect simulations using the Phy-TCN model. To illustrate the superiority of the Phy-TCN model, we used the equivalent linearization method, commonly used in engineering, to calculate the test set and compared the results with the Phy-TCN simulations. The results show that in the simulation of noisy signals such as KiK-net observation records, based on the response spectrum values of specific periodic points of seismic events at selected sites, the average relative errors of the Phy-TCN and the equivalent linearization method compared with the measured records are 0.067 and 0.379, respectively. As the intensity of seismic motion continues to increase, the measured surface peak acceleration gradually exceeds the surface peak acceleration simulated by the equivalent linearization method, while the surface peak acceleration simulated by the Phy-TCN method remains stable within a deviation range of ±20%. The simulation capability of the Phy-TCN remains strong, with the coefficient of determination （R2） generally remaining above 0.8. Under conditions of high uncertainty in shear wave velocity and soil dynamic parameters, or in the absence of suitable soil profile information, the simulation accuracy of the Phy-TCN model is higher than that of the equivalent linearization method.
-
前言
微小地震活动观测和研究对于了解地壳的原位实时地应力状态、研究地球内部结构和地壳及断裂活动、理解地球动力学过程和地震预测等均具有极为重要的意义（Liu et al，1992；Ito，Zoback，2000）。利用宽频地震仪进行地震观测已取得了显著的成效，远距离传输地震观测也可以在非地震噪声干扰小的场所进行。然而，远距离传输地震观测难以观测到远离地震仪设置场所的研究区域的微小地震，且利用远距离传播的地震学方法解释地球构造特征的能力会随距离的增加而减弱。远距离传播的面波也会导致高频成分的丢失，而高频成分正是推测地壳和上地幔结构不可或缺的信息。
在研究区域安装地震仪进行微小地震活动监测，可在一定程度上弥补上述远距离地震观测的不足，然而许多研究区域却是观测地震的背景噪声高值区域。近年来的高频地震学研究也需要在人类活动频繁的都市背景噪声高值地区监测地震活动，因此地震学者一直在艰难地探索着如何在高噪声背景的地震活动区域观测地震才能获取高信噪比的地震波形。深井下安装地震仪进行地震观测可以减少地表的非地震噪声干扰影响，实现背景噪声高值地区微小地震活动的近距离观测，从而有效地提高观测波形信噪比（徐纪人，赵志新，2009；Zeng，Yang，2021），因而深井地震学与地球物理学相结合的观测研究逐渐发展成为多学科的前沿性科学研究（涂毅敏，陈运泰，2002；Baisch et al，2002；Ishii et al，2003；Okubo et al，2004）。深部地震观测方兴未艾（Tembe et al，2009；龚正等，2020；滕吉文，2021），其成果已被广泛地应用于地球科学诸多领域，极大地推进了现代地震学和地球物理学以及深井钻孔板块构造学等多学科的研究（李海兵等，2018）。近年来，断层井下地震观测研究在断层应力状态、震源过程及地震预报研究领域取得了前沿性成果（Chavarria et al，2003）。钻孔地震观测有利于建立三维地表地震波速度模型（Lay et al，2020），从而推进速度结构与地震关系等的研究（Jeppson，Tobin，2015）。
深井地震仪记录到大量M−0.5—0.5的微小地震事件，其中包括与中强地震相关的前震和余震，这些微小地震的记录促进了地震序列活动及其震源位置的研究（Lellouch et al，2019），其精确定位的地震活动对于构造研究具有重大意义 （Ma et al，2012；Shashidhar et al，2020；Hung et al，2022）。区域性深井长期地震观测广泛地应用于地震预测研究（Asai et al，2005；Fujimoto et al，2007），且在地震断层活动机制分析中发挥了重要作用（Ikari et al，2015）。此外，利用井下地震观测资料进行震源机制反演求得微小地震群震源的断层平面解，有助于建立地壳应力不均匀性模型（Langet et al，2020；Luttrell，Hardebeck，2021）。
利用井下地震波测量资料结合岩石物理模型可为地震断裂特性的探索提供理论基础（Xu et al，2020）。井孔内微震波研究显示，应力场的方向与岩石脆性破裂特征有关（Pierdominici et al，2020）。使用钻井地震资料可进行裂谷构造的地球动力学研究（Lei et al，2020）。深井地震观测数据结合岩芯信息的地震波数值模拟研究，可以提高复杂地下结构非均质性解释的准确度（Zhao et al，2012；Jeong et al，2020）。深井地震观测记录因受场地和衰减效应的影响比较小，能够为震源谱分析提供更直接的约束（Shearer，Abercrombie，2021）。根据井中入射波与反射波之间的传递函数与频率相关的衰减进行场地近地表剪切波衰减特性研究，有利于预测地震动特征（Riga et al，2019）。井下地震应变波的研究也将促进高频地震学的发展（Zhang et al，2019）。
综上，高精度微小地震观测是未来地球科学发展的必然趋势。本文将主要探索高地震背景噪声的江苏东海深井观测站处于不同深度的地震仪记录微小地震的观测能力，以及近距离监测区域微小地震活动的有效途径，藉此分析地下不同深度地震仪观测到的地震波形信噪比的差异，研究不同深度地震波形的保真度，以期通过深井地震观测资料研究结果来促进地球科学的发展。
1. 东海深井观测站的地震仪器安装及地球物理环境
东海深井地壳活动观测站邻近郯庐断裂带（图1）。在东海中国大陆科学钻探的5 158 m深井中的不同深度安装地震仪进行观测，以便于中国大陆构造运动的研究（徐纪人等，2016）。造山运动时期形成的左旋走滑的郯庐断裂带不仅古地震活跃，当代地震活动性也很强（徐纪人等，2008）。1668年山东郯城M8.5地震就发生在郯庐断裂带上。现代震源机制解结果显示郯庐断裂带的当代构造活动呈右旋走滑运动（周翠英等，2013；Xu et al，2021）。在复杂构造活动带进行地壳活动的监测研究，对于提高郯庐断裂带附近地震活动及我国东部地壳构造断裂带活动的监视能力具有重要意义。
![]()
图 1 江苏东海地壳活动国家野外科学观测研究站周缘地质构造图（引自徐纪人等，2016）Figure 1. Geological structure around the Jiangsu Donghai Crustal Activity in Continental Deep Hole National Observation and Research Station in China （after Xu et al，2016）江苏东海地壳活动观测研究站周围多有水晶采石活动及水晶岩石加工厂等，位于观测深井东南约3 km处的采石场时有爆破工程，附近的公路交通等也很繁忙。这些均会对地震观测造成背景噪声高值干扰，属于常规地面地震观测的不利因素。在该地区开展地面和井下地震活动观测，探索在背景噪声高值干扰地区地震观测的有效途径，有助于研究地壳活动和郯庐断裂带构造运动的特征。
江苏东海地壳活动观测研究站位于5 000 m深井中，井下最高温度达142.4 ℃ （何丽娟等，2006），井孔中的压力高达50 MPa。第一期观测分别在井下544.5 m，1 559.5 m，2 545.5 m三处不同深度安装了美国Sondi公司制造的主频为 4.5 Hz的高精度数字三分量地震仪，分别记为L1，L2和L3。该仪器无供电要求，可以在深井高温高压环境下连续工作。同时，在地表浅处设置了一台英国Guralp公司制造的3ESP型宽频三分量地震仪L0，该仪器的频宽为50 Hz—60 s，连同深处的三台地震仪组成了深井地震观测网（Xu et al，2016）。基于此观测网进行地面与井下不同深度地震仪记录到的地震波形特征及其各自的地震波形信噪比特征的研究。表1列出了各深度处地震仪参数及其围岩岩性等物理参数，其中地震波速为实验室岩心测量结果。
表 1 深井中的地震仪参数及工作环境岩性和地球物理参数Table 1. Seismograph parameters and lithologic and geophysical parameters around the seismographs in the borehole地震仪编号 深度/m 地震仪主频/Hz 岩性 围岩vP/（km·s−1） 围岩vS/（km·s−1） 温度/℃ L0 0 宽频3ESP L1 544.5 4.5 斜长角闪岩和退变榴辉岩 6.65 3.70 29.1 L2 1559.5 4.5 花岗质片麻岩（正片麻岩） 5.50 2.94 51.0 L3 2545.5 4.5 斜长片麻岩 5.98 75.0 2. 地震波形的信噪比分析方法
本文分析研究地震波形信噪比，采用了如下公式：
$$ {{r}}＝10\lg {\frac{S}{N}}，$$ (1) 式中，r为地震波形信噪比，S为信号能量，N为噪声能量。噪声能量计算是截取初至波到时之前100 s的数据计算平均值，信号能量是截取横波到时之后记录中的最大振幅能量，噪声N或信号S各自的能量计算公式为
$$ E = A_{{\text{EW}}}^{\text{2}} + A_{{\text{NS}}}^{\text{2}} + A_{\text{U}}^{\text{2}} ，$$ (2) 式中：E表示式（1）中计算的噪声N或信号S的能量；AEW，ANS和AU分别为噪声N或者信号S的东西、南北和垂直分量的振幅。
3. 高背景噪声下井下与地面地震仪记录波形分析
3.1 地面高噪声背景下的微小地震观测
图2为东海观测站的地面和深井地震仪记录到的2013年2月3日江苏灌云ML0.8地震的波形图。该震震中位于（34.4°N，119.7°E），震中距为 97.2 km，震源深度为5 km。由图2a的原始地震图记录可见东海观测站周围地面干扰有时相当严重，以至于从地面宽频地震仪L0记录中难以识别地震波形。干扰造成了微小地震的漏记现象，显示了地面设置的地震仪在高噪声背景条件下记录微小地震的局限性。为了与井下地震仪记录波形进行比较，图2b给出了图2a中原始地震图记录经过中通滤波的波形，可见滤波后的波形中滤掉了低频干扰，在时间轴大约07 ∶ 27处隐约可辨认出地震事件，但是P波和S波震相皆不清晰，整个波形序列中非地震信号干扰仍十分严重。而图2c中深井下2 554 m处的L3地震仪在同样噪声背景下能够记录到低噪声地震波形图，P波初动和S波波形清晰，显示出井下地震仪在高噪声地区近距离记录微小地震的优越性。
![]()
图 2 东海观测站地面与井下地震仪记录的2013年2月3日江苏灌云ML0.8地震（震中距97.2 km，方位角80°）的三分量波形图（a） 地面宽频地震仪L0记录波形；（b） 图（a）波形经中通滤波后的波形；（c） 井下地震仪L3记录波形Figure 2. Three-component waveforms of the ML0.8 earthquake （epicentral distance is 97 km，azimuth is 80°） in Guanyun，Jiangsu on February 3，2013 recorded by the seismographs on the ground and in the borehole of the Donghai station（a） Waveforms recorded by the broadband seismograph L0 on the ground；（b） Waveforms after medium-pass filtering to the waveforms in Fig.（a）；（c） Waveforms recorded by the seismograph L3 in the borehole underground3.2 地面与井下地震仪记录波形保真度分析
图3 显示了2013年5月24日安徽利辛附近ML2.7地震地面和井下不同深处地震仪记录波形。该地震位于（33.0°N，116.3°E），震中距为271.5 km。图3中井下地震仪L1 和L3记录中基本无噪声干扰，地震波形三分量的P波初动及P波和S波波形震相都清晰可辨，各分量P波波形和S波波形分别相似。图3a中地面宽频地震仪L0的记录在震前和震后都有明显的长周期噪声干扰，这反映了东海观测站不时处于地面高噪声状态。本文观测资料显示，东海观测站非地震干扰强弱程度是无规则的。地面地震仪记录的垂直分量和近南北分量的P波初动及S波虽可辨，但波形与井下两地震仪的相应波形差别较大，尤其是其近南北分量振幅很小，近于畸变。该地震震中位于东海观测站西南方向，方位角为56°。畸变原因除与观测方位有关外，可能是受到了场地效应或者路径衰减的影响，也可能是受到地面噪声干扰的影响。这就意味着井下地震观测记录受场地或者浅层噪声的影响较地表地震仪小。为了进一步与井下主频为4.5 Hz的地震仪记录波形比较，图3b给出了图3a地面宽频地震仪波形经中通滤波后的波形，可见图3a中的低频干扰虽被滤掉，但与井下地震仪记录波形（图3c和3d）相较，其近南北分量的振幅仍然很小，近于畸变。结合上述井下不同深度地震仪波形的相似性分析可知，井下地震仪观测的微小地震波形具有良好的保真度，其观测质量明显优于地面台站，这可能给地震观测学带来启示。综合分析井下和地面地震观测也有益于推进地壳浅层结构特征和地面震动动力学方面的研究。
![]()
图 3 东海观测站地面与井下不同深度地震仪记录的2013年5月24日安徽利辛ML2.7地震（震中距271.5 km，方位角56°）的三分量波形图（a） 地面L0地震仪记录波形；（b） 图（a）中波形经中通滤波后所得波形；（c） 井下544.5 m深处地震仪L1记录波形；（d） 井下2 545.5 m深处地震仪L3记录波形Figure 3. Three-component seismic waveforms of the ML2.7 event in Lixin，Anhui on May 24，2013 recorded by seismometers on the ground and at different depths in the borehole underground of the Donghai station（a） Waveforms recorded by seismograph L0 on the ground；（b） Waveforms after medium-pass filtering to the waveforms in Fig.（a）；（c） Waveforms recorded by seismograph L1 at 544.5 m depth in the borehole；（d） Waveforms recorded by seismograph L3 at 2 545.5 m depth in the borehole3.3 井下地震仪微小地震观测能力探索
微小地震是深井地震学的重要观测研究对象。图4给出了东海站深井地震仪L3观测到的三个微小地震事件的波形，其中：图4a 为 2013年2月4日江苏徐圩台附近（34.2°N，119.3°E）ML−1.3地震（震中距为64 km）的波形，其信噪比为55.08 dB；图4b为2013年1月21日江苏灌云（34.2°N，119.4°E）ML−0.5地震（震中距为71 km）的波形，其信噪比为52.84 dB；图4c为2013年6月12日江苏涟水ML0.3地震（震中距为112 km）的波形，其信噪比为67.13 dB。从图中均可见清晰的P波和S波波形，无明显的噪声扰动；这两个负震级地震波形图中的波形虽然存在不同程度的噪声，但都观测到了可供分析的清楚的P波初动和S波波形；在背景噪声水平比较大的东海深井地震观测站能够高质量地观测到周围0震级或者负震级的微小地震。因此，东海深井地震观测站延展了高噪声地区观测微小地震的能力，可促进深井地震学的发展。目前进行中的深井长期观测可以进一步探索东海观测站观测微小地震下限的能力。
![]()
图 4 东海观测站深井地震仪L3观测的微小地震三分量波形Figure 4. Three-component waveforms of the earthquakes recorded by seismograph L3 in the borehole underground of the Donghai station4. 观测波形的信噪比统计分析
统计分析地面和井下不同深度地震仪记录的地震波形信噪比，是探索避免地面噪声干扰、获取零噪声波形的深井地震学观测研究的新途径。本文分析了2012年上半年期间L0，L1，L2和L3四套地震仪记录到的116个地震事件的地震波形信噪比，如图5所示。可见，深井下不同深度地震仪观测到的地震波形信噪比大多在40 dB以上变化，深井地震仪L1，L2和L3的地震波形信噪比的平均值分别为65.33，69.20和74.15 dB，相较地面地震仪L0，其观测的近震地震波形的平均信噪比有明显的提高。图5中不同深度的地震仪观测到的波形信噪比变化范围虽然不同，但是井下三处不同深度地震仪的波形信噪比曲线的变化趋势基本一致，仅变化幅度大小有别。深井中三组地震仪信噪比平均值以及观测到优良地震波形的数量也均随仪器安装深度的增加而增加，这意味着地震噪声源主要来自地面，表明井下地震观测具有较好的抗地面噪声干扰的能力，是在地面高噪声环境中实现高精度观测微小地震活动的可行途径。因此深井中地震观测对避免地面噪声具有显著的积极效应。如图5中的观测结果所示，在东海观测站安装的深度大于1 500 m的地震仪L2和L3观测到的地震波形平均信噪比都接近或大于70 dB，观测结果比较理想。
![]()
图 5 东海站地面L0与深井下L1，L2和L3地震仪观测地震信噪比计算结果Figure 5. Signal-to-noise ratio curves of seismic waveforms observed by seismometers L0 on the surface and L1，L2 and L3 in the borehole underground in Donghai station本文分析的地震均为中小地震事件，震中距均在1 000 km以内，其优良地震波形几乎全部是由500 m以下的深井地震仪所记录，其中深度为2 545.5 m的地震仪L3记录到的优良地震波形最多。 图5中地面安装的地震仪L0所记录到的1 000 km之内的中小事件的地震波形信噪比大多不足40 dB，平均值也较低，对于2012年3月16日江苏新沂ML1.1地震（震中距为34 km），地震仪L0观测到的地震波形的信噪比仅为11.27 dB。此外，图5中地面地震仪L0记录的地震波形信噪比变化与深井地震仪L1，L2和L3三者的信噪比曲线变化形态差别也很大。虽然地面宽频地震仪可以记录到远处大震的波形，但是在避免地面噪声干扰能力方面远不如深井地震仪。
5. 讨论与结论
本文分析了东海地壳活动观测研究站在地面和井下不同深度安装的四套地震仪所记录波形的特征及其信噪比随深度的变化，以探索深井地震仪观测微小地震的能力。由于东海深井观测站周围常出现强烈的非地震干扰，地面地震仪记录中无法识别微小地震的波形，而井下地震仪却可以记录到良好的地震波形，深井地震观测是创新深井地震学发展的必然趋势（Oye et al，2004）。东海观测站井下地震仪可以记录到零震级或负震级微小地震的波形，记录中也可检测到明显的P波和S波震相。相对于地表观测，井下地震观测延拓了高噪声背景区域观测微小地震的下限，不仅提高了高噪声背景区域地震活动性的研究水平，而且为地壳和上地幔结构研究提供了重要资料（沈伟森等，2010；王芳等，2017）。深井地震台网观测可以有效地避开地面噪声，接收更多高精度的地球内部信息，因此可以促进郯庐断裂及其周围地区的地壳活动监测研究。
东海深井地震观测获得了高保真波形。观测期间不同深度井下地震仪记录到的三分量P波和S波波形都清晰，背景噪声小，信噪比高，而且相对应的三分量波形彼此相似，这意味着深井地震观测受地面噪声干扰以及场地效应的影响小，波形保真度高。地面地震仪记录到的地震波形经常出现噪声扰动，甚至有的分量波形畸变，振幅异常，且与深井地震仪记录的相应三分量波形相似性差，这可能是受到地面噪声干扰或场地衰减的影响所致（罗诚等，2018）。因此，地面及深井下记录波形可用于场地效应等研究，与地面地震观测记录相比，基于井下地震仪记录的高保真波形所获得的介质运动学与动力学参数能更好地反映基岩的物理特征（王俊国等，1988）。深井观测地震波形为震源研究和震源谱分析提供了更直接的约束，这也是深井地震学的优势之一。
本文地震波形信噪比的统计结果表明，深井地震仪观测波形的信噪比明显高于地面地震仪的信噪比，且信噪比平均值随地震仪安装深度的增大而增加。观测结果进一步表明，深井地震仪观测可有效地获取高信噪比、高保真度的观测波形。深井中1559.5 m深处地震仪观测波形的平均信噪比为69.2dB，接近70 dB，2545.5 m深处观测波形的信噪比达到74.15 dB，二者都基本达到了良好地震波形的保真度和信噪比值。这表明，1500 m深处进行的深井地震观测基本可以避开地面噪声的干扰。深井地震学观测研究将有力地促进地球科学的基础理论研究和实际应用。
此外，观测资料显示，对于少数事件而言，井下较浅地震仪记录的地震波形信噪比高于深处的地震波形信噪比，这可能暗示了东海地区及周边地区岩石的非线性效应。 地面宽频地震仪L0有时能够记录到可识别的大的远震波形，显示了在环境高噪声背景地区观测远处大地震的优势；井下4.5 Hz主频地震仪记录到的远震的P波或S波初动清晰。因此可以考虑进行深井与地面地震仪联合观测研究，这将会取得更好的观测结果。
十分感谢三位审稿人对本文提出的宝贵意见和建议。
-
![]()
图 1 时序卷积神经网络（TCN）组构
（a） 膨胀因果卷积；（b） TCN残差块
Figure 1. Architectural elements in temporal convolutional neural network （TCN）
（a） Dilated causal convolution；（b） TCN residual block
![]()
图 3 Phy-TCN与TCN在单自由度测试集下的比较结果
图（a）和图（b）为工况一对应的位移和加速度比较；图（c）和图（d）为工况二对应的位移和加速度比较
Figure 3. Comparison of the Phy-TCN and TCN in single degree of freedom test set
Figs. （a） and （b） are the comparisons of displacement and acceleration in case 1；Figs. （c） and （d） are those in case 2
![]()
图 4 场地模拟结果与实测结果对比图
图（a）和图（b）分别为决定系数R2为0.983和0.992时所对应的加速度反应谱、加速度、速度及位移时程
Figure 4. Comparison of simulated results and measured results in simple site
Figs. （a） and （b） are the comparison results of acceleration response spectra，acceleration，velocity and displacement time histories when determination coefficient R2 are 0.983 and 0.992，respectively
![]()
图 6 IBRH11 （a）与IBRH12 （b）场地不同土层土的归一化剪切模量和阻尼比的非线性曲线
Figure 6. G/Gmax and damping ratio nonliner curves of soil for different layer at the sites IBRH11 （a） and IBRH12 （b）
![]()
图 7 Phy-TCN与等效线性方法在IBRH11与IBRH12场地计算得到的地表峰值加速度（a）及决定系数（b）对比
Figure 7. Comparison of the peak ground acceleration （a） and coefficient of determination （b） for the sites IBRH11 and IBRH12 calculated by Phy-TCN and equivalent linear method
![]()
图 8 Phy-TCN与等效线性法基于IBRH11场地（a）和IBRH12场地（b）的两个地震事件的加速度反应谱模拟结果与实测结果的对比
Figure 8. Comparison of simulated and measured results of acceleration response spectra for two earthquake events in different horizontal directions at the sites IBRH11 （a） and IBRH12 （b） calculated by Phy-TCN and equivalent linear method
表 1 时序卷积神经网络模型在各领域的应用
Table 1 Application of temporal convolutional neural network model in various fields
研究领域 应用场景 作者 能源燃料 可再生资源的超短期时空预测 Liang，Tang （2 022） 电力系统暂态稳定评估模型 刘聪等 （2 023） 电力系统短期负荷预测 Yin，Xie （2 021） 分布式能源概率多周期预测 Loschenbrand （2 021） 热负荷预测模型 Song等 （2 020） 西班牙国家电力需求与电动汽车充电站电力需求模型 Lara-Benítez等 （2 020） 声学 高质量头部相关传递函数（HRTF） Gebru等 （2 021） 一种高效的端到端的句子级唇读模型 Zhang等 （2 021b） 信息科技 通用日志序列异常检测框架 杨瑞朋等 （2 020） 社交物联网中情感识别 Xiao等 （2 021） 医学 一种用于识别胃旁路手术中手术阶段与手术步骤的模型 Ramesh等 （2 021） 一种用于自动诊断脓毒症的自动化工具 Kok等 （2 020） 机械工业 工业设备剩余寿命预测模型 刘丽等 （2 022） 金融 融合情感特征的股价预测模型 严冬梅等 （2 022） 地球科学 复杂地层波阻抗反演模型 王德涛，陈国雄 （2 022） 气象学 高分辨的中短期区域天气预报模型 Hewage等 （2 020） 
下载: 导出CSV
表 2 土层力学参数及混合双曲模型相关参数
Table 2 Mechanics parameters in soil layer and related parameters of hybrid hyperbolic model
层号 土层厚度/m vS/（m·s−1） 密度/（kg·m−3） μ 转变应变γt h 抗剪强度
τf/kPa参考剪应变
γref最大剪切模量
Gmax/MPa1 4 120 1600 0.308 0.048% 0.938 31.170 0.034% 23.760 2 4 360 1800 0.073 0.011% 0.721 143.183 0.046% 256.835 3 8 500 1800 0.061 0.010% 0.699 245.276 0.047% 503.375 4 12 620 1800 0.058 0.010% 0.688 358.898 0.056% 776.576 5 22 1200 2000 1.000 0.010% 0.941 547.318 0.073% 3173.761
下载: 导出CSV
表 3 IBRH11和IBRH12场地不同地震事件实测最大加速度反应谱下周期点地表加速度反应谱值比较
Table 3 Comparison of acceleration response spectra at periodic points under different measured maximum acceleration response spectra of earthquake events at the sites IBRH11and IBRH12
场地 地震事件 方向 周期/s $S_{{\rm{a}}}^{\rm{EQ}} $
/（m·s−2）$S_{{\rm{a}}}^{\rm{orig}} $
/（m·s−2）$S_{{\rm{a}}}^{\rm{Phy-TCN}} $
/（m·s−2）等效线性反应谱值相对误差
（|$ S_{ {\rm{a} } }^{\rm{EQ} } $–$S_{ {\rm{a} } }^{\rm{orig} } $|/$S_{ {\rm{a} } }^{\rm{orig} } $）Phy-TCN反应谱值相对误差
（|$ S_{ {\rm{a} } }^{\rm{Phy-TCN} } $–$S_{ {\rm{a} } }^{\rm{orig} } $|/$S_{ {\rm{a} } }^{\rm{orig} } $）IBRH11 1 104 021 656 EW 0.12 1.42 2.71 2.48 0.476 0.085 NS 0.38 1.58 3.19 2.99 0.505 0.063 1 303 180 653 EW 0.20 0.97 2.96 2.74 0.672 0.074 NS 0.14 3.04 2.96 2.76 0.027 0.068 IBRH12 1 104 111 758 EW 0.14 1.15 1.51 1.46 0.238 0.033 NS 0.14 0.92 1.44 1.53 0.361 0.063 1 206 281 452 EW 0.14 2.78 3.98 3.77 0.302 0.053 NS 0.15 1.86 3.39 3.71 0.451 0.094 注：$S_{ {\rm{a} } }^{\rm{EQ} } $为等效线性化方法求得的反应谱值，$S_{ {\rm{a} } }^{\rm{Phy-TCN} } $为Phy-TCN方法求得的反应谱值，$S_{ {\rm{a} } }^{\rm{orig} } $为实测反应谱值.
下载: 导出CSV
-
廖振鹏. 1989. 地震小区划: 理论与实践[M]. 北京: 地震出版社: 141–153. Liao Z P. 1989. Seismic Microzonation: Theory and Practice[M]. Beijing: Seismological Press: 141–153 （in Chinese）.
刘聪, 刘颂凯, 刘礼煌, 张磊, 谭瑞, 张雅婷. 2023. 基于TCN-CCRELMS的电力系统暂态稳定评估[J]. 电力系统及其自动化学报, 35（7）: 36−44. Liu C, Liu S K, Liu L H, Zhang L, Tang R, Zhang Y T. 2023. Transient strability assessment of power system based on TCN-CCRELMS[J]. Proceedings of the CSU-EPSA, 35（7）: 36−44 （in Chinese）.
刘丽,裴行智,雷雪梅. 2022. 基于时间卷积注意力网络的剩余寿命预测方法[J]. 计算机集成制造系统,28(8):2375–2386. Liu L,Pei X Z,Lei X M. 2022. Temporal convolutional attention network for remaining useful life estimation[J]. Computer Integrated Manufacturing Systems,28(8):2375–2386 (in Chinese).
刘献伟,陈苏,李小军,傅磊,胡进军,孙浩. 2023. 基于HVSR谱比动态聚类的海域场地特性研究[J]. 岩土工程学报,45(1):213–220. Liu X W,Chen S,Li X J,Fu L,Hu J J,Sun H. 2023. Characteristics of marine site based on HVSR dynamic clustering method[J]. Chinese Journal of Geotechnical Engineering,45(1):213–220 (in Chinese).
任叶飞,刘也,张鹏,冀昆,王宏伟,温瑞智,谢俊举. 2023. 基于聚类分析的我国工程场地分类方案优化研究[J]. 建筑结构学报,44(11):226–235. doi: 10.14006/j.jzjgxb.2022.0273 Ren Y F,Liu Y,Zhang P,Ji K,Wang H W,Wen R Z,Xie J J. 2023. Research on optimization of site classification scheme in Chinese seismic code based on clustering analysis[J]. Journal of Building Structures,44(11):226–235 (in Chinese).
王德涛,陈国雄. 2022. 基于时间卷积网络的地震波阻抗反演[J]. 地球科学,47(4):1492–1506. doi: 10.3321/j.issn.1000-2383.2022.4.dqkx202204021 Wang D T,Chen G X. 2022. Seismic wave impedance inversion based on temporal convolutional network[J]. Earth Science,47(4):1492–1506 (in Chinese).
严冬梅,何雯馨,陈智. 2022. 融合情感特征的基于RoBERTa-TCN的股价预测研究[J]. 数据分析与知识发现,6(12):123–134. Yan D M,He W X,Chen Z. 2022. Research on stock price prediction based on RoBERTa-TCN with emotional characteristics[J]. Data Analysis &Knowledge Discovery,6(12):123–134 (in Chinese).
杨瑞朋,屈丹,朱少卫,钱叶魁,唐永旺. 2020. 基于改进时间卷积网络的日志序列异常检测[J]. 计算机工程,46(8):50–57. Yang R P,Qu D,Zhu S W,Qian Y K,Tang Y W. 2020. Anomaly detection for log sequence based on improved temporal convolutional network[J]. Computer Engineering,46(8):50–57 (in Chinese).
Asimaki D, Shi J. 2017. SeismoSoil User Manual, V1.3[M]. California: GeoQuake Research Group, California Institute of Technology: 6−12.
Bai S J, Kolter J Z, Koltun V. 2018. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling[DB/OL]. [2022-12-01]. https://arxiv.org/abs/1803.01271.
Darendeli M B. 2001. Development of a New Family of Normalized Modulus Reduction and Material Damping Curves[D]. Austin: The University of Texas: 220−272.
Derakhshani A,Foruzan A H. 2019. Predicting the principal strong ground motion parameters:A deep learning approach[J]. Appl Soft Comput,80:192–201. doi: 10.1016/j.asoc.2019.03.029
Gebru I D, Marković D, Richard A, Krenn S, Butler G A, De la Torre F, Sheikh Y. 2021. Implicit HRTF modeling using temporal convolutional networks[C]//ICASSP 2021−2021 IEEE International Conference on Acoustics, Speech and Signal Processing （ICASSP）. Toronto: IEEE: 3385–3389.
Hashash Y M A,Park D. 2001. Non-linear one-dimensional seismic ground motion propagation in the Mississippi embayment[J]. Eng Geol,62(1/2/3):185–206.
He K M, Zhang X Y, Ren S Q, Sun J. 2016. Deep residual learning for image recognition[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE: 770–778.
Hewage P,Behera A,Trovati M,Pereira E,Ghahremani M,Palmieri F,Liu Y H. 2020. Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station[J]. Soft Comput,24(21):16453–16482. doi: 10.1007/s00500-020-04954-0
Idriss I M,Seed H B. 1968. Seismic response of horizontal soil layers[J]. J Soil Mech Found Div,94(4):1003–1031. doi: 10.1061/JSFEAQ.0001163
Kingma D P, Ba J. 2015. Adam: A method for stochastic optimization[C]//Proceedings of the 3rd International Conference on Learning Representations. San Diego: Institute for Catastrophic Loss Reduction: abs/1412.6980.
Kok C,Jahmunah V,Oh S L,Zhou X J,Gururajan R,Tao X H,Cheong K H,Gururajan R,Molinari F,Acharya U R. 2020. Automated prediction of sepsis using temporal convolutional network[J]. Comput Biol Med,127:103957. doi: 10.1016/j.compbiomed.2020.103957
Lara-Benítez P,Carranza-García M,Luna-Romera J M,Riquelme J C. 2020. Temporal convolutional networks applied to energy-related time series forecasting[J]. Appl Sci,10(7):2322. doi: 10.3390/app10072322
Li C X,Li H,Chen X. 2022. Fast seismic response estimation of tall pier bridges based on deep learning techniques[J]. Eng Struct,266:114566. doi: 10.1016/j.engstruct.2022.114566
Liang J K,Tang W Y. 2022. Ultra-short-term spatiotemporal forecasting of renewable resources:An attention temporal convolutional network-based approach[J]. IEEE Trans Smart Grid,13(5):3798–3812. doi: 10.1109/TSG.2022.3175451
Liu D C,Nocedal J. 1989. On the limited memory BFGS method for large scale optimization[J]. Math Program,45(1):503–528.
Liu T,Dai Z J. 2021. Real-time prediction of the trend of ground motion intensity based on deep learning[J]. Shock Vibrat,2021:5518204.
Long J,Shelhamer E,Darrell T. 2017. Fully convolutional networks for semantic segmentation[J]. IEEE Trans Pattern Anal Mach Intell,39(4):640–651. doi: 10.1109/TPAMI.2016.2572683
Loschenbrand M. 2021. A temporal neural network model for probabilistic multi-period forecasting of distributed energy resources[J]. IEEE Access,9:147029–147041. doi: 10.1109/ACCESS.2021.3121988
Peng H,Yan J W,Yu Y,Luo Y Z. 2021. Time series estimation based on deep learning for structural dynamic nonlinear prediction[J]. Structures,29:1016–1031. doi: 10.1016/j.istruc.2020.11.049
Ramesh S,Dall’Alba D,Gonzalez C,Yu T,Mascagni P,Mutter D,Marescaux J,Fiorini P,Padoy N. 2021. Multi-task temporal convolutional networks for joint recognition of surgical phases and steps in gastric bypass procedures[J]. Int J Comput Assist Radiol Surg,16(7):1111–1119. doi: 10.1007/s11548-021-02388-z
Roten D,Olsen K B. 2021. Estimation of site amplification from geotechnical array data using neural networks[J]. Bull Seismol Soc Am,111(4):1784–1794. doi: 10.1785/0120200346
Shi J,Asimaki D. 2017. From stiffness to strength:Formulation and validation of a hybrid hyperbolic nonlinear soil model for site-response analyses[J]. Bull Seismol Soc Am,107(3):1336–1355. doi: 10.1785/0120150287
Song J C,Xue G X,Pan X H,Ma Y P,Li H. 2020. Hourly heat load prediction model based on temporal convolutional neural network[J]. IEEE Access,8:16726–16741. doi: 10.1109/ACCESS.2020.2968536
Xiao G R,Tu G,Zheng L,Zhou T,Li X,Ahmed S H,Jiang D Z. 2021. Multimodality sentiment analysis in social internet of things based on hierarchical attentions and CSAT-TCN with MBM network[J]. IEEE Internet Things J,8(16):12748–12757. doi: 10.1109/JIOT.2020.3015381
Yin L F,Xie J X. 2021. Multi-temporal-spatial-scale temporal convolution network for short-term load forecasting of power systems[J]. Appl Energy,283:116328. doi: 10.1016/j.apenergy.2020.116328
Yu F, Koltun V. 2016. Multi-scale context aggregation by dilated convolutions[Z]. arXiv preprint arXiv: 1511.07122.
Zhang N,Shen S L,Zhou A N,Jin Y F. 2021a. Application of LSTM approach for modelling stress-strain behaviour of soil[J]. Appl Soft Comput,100:106959. doi: 10.1016/j.asoc.2020.106959
Zhang R Y,Chen Z,Chen S,Zheng J W,Büyüköztürk O,Sun H. 2019. Deep long short-term memory networks for nonlinear structural seismic response prediction[J]. Comput Struct,220:55–68. doi: 10.1016/j.compstruc.2019.05.006
Zhang T,He L,Li X D,Feng G Q. 2021b. Efficient end-to-end sentence-level lipreading with temporal convolutional networks[J]. Appl Sci,11(15):6975. doi: 10.3390/app11156975
-
期刊类型引用(1)
1. 徐纪人，李海兵，曾祥芝，许健生，赵志新. 中国井下地震观测研究回顾与展望——从井下到东海深井垂直地震台阵. 地震学报. 2024(06): 919-935 . 
本站查看
其他类型引用(0)
计量
- 文章访问数: 410
- HTML全文浏览量: 97
- PDF下载量: 115
- 被引次数: 1
