国产欧美激情,国产欧美视频在线,亚洲国内欧美,精品五月天堂

研究背景：P波初期信息直接預測臺站端的峰值，隨著地震監測預警臺網建設的越來越密集，所有現地臺站峰值預測即可以近似為地震動場，同時，地震的潛在破壞預測也依賴于準確的現地Kanamori（

傳統的現地P波初期中提取的單個參數（如：峰值位移IV2）建立CNN、循環神經網絡SVM）建立地震動峰值預測模型。然而，使用單個機器學習模型提取的特征在一定程度上存在單一性和有限性。PGV快速預測，同時也探索了基于現地

研究方法及結果： 1）我們提出了一個由RNN特征提取塊組成的混合深度學習網絡（PGV。模型采用單個臺站的多個物理特征時間序列、地震原始波形和場地特征PGV相關的信息。本研究利用日本2007-2019年記錄到的地震動記錄建立訓練集和測試集對1展示了HybridNet模型預測的現地PGV與地震潛在破壞（儀器烈度）之間的關系，通過對預測的

P波到達后1給出了Pd方法、SVM模型、RNN模型）的MAE）、標準差（R2）。表MAE、R2與MAE、R2之間的差值；括號里的第二個數字是MAE和HybridNet模型的1中可以發現：和基線模型相比，2展示了場地特征HybridNet模型結果影響，這表明場地特征HybridNet模型輸入可以提高模型的性能。 3）對于獨立于訓練集和測試集的M≥6.5），該工作分析了PGV對潛在破壞區域估計的可行性。圖P波到達后2中可以看到，基于PGV獲得的潛在破壞區域與ShakeMap有很好的一致性，且成功報警的準確性達到了

5次地震事件，在潛在破壞場地中，圖P波到達后時間窗的關系。從圖a）中可以看到：隨著P波到達后60%。此外，在10秒時，成功報警率超過2%。從圖b）中可以看到：當在4秒內，平均觀測預警時間超過P波到達之后時間的增加而逐漸減小。在10秒時，平均觀測預警時間仍超過

K-NET強震動臺網記錄的地震動記錄，本文構建了用于HybridNet）模型，這不同單個深度學習模型（如RNN模型），也不同于使用單個基于物理的特征（如IV2）建立HybridNet模型優于IV2方法、CNN模型和P波到達后幾秒內，基于PGV可以獲魯棒的潛在破壞區域估計；該方法在現地地震預警中有一定的應用潛力。

該成果發表在地球物理領域頂刊《Zhu Jingbao, Li Shanyou, Song Jindong. Hybrid Deep-Learning Network for Rapid On-Site Peak Ground Velocity Prediction. IF：JCR：ResearchGate:https://www.researchgate.net/publication/366422949_Hybrid_Deep-Learning_Network_for _Rapid
_On-Site_Peak_Ground_Velocity_Prediction

圖1 HybridNet模型網絡架構

圖2 P波到達后3秒時的潛在破壞區域估計和警報性能

圖3 報警性能和平均觀測預警時間與P波到達后時間窗的關系