地震动能量相关强度指标预测模型——基于SVR建立区域GMM的方法探讨中国地震局工程力学研究所

资讯内容

研究亮点

地震动能量相关强度指标预测模型——基于SVR建立区域GMM的方法探讨

发布时间： 2023-04-11 点击数量：869

研究背景：

基于累积能量的地震动强度指标，例如Arias（IA）和累积绝对速度（CAV）可以更为综合的反映地震动的幅值、频谱以及持时特征。此类地震动强度指标的预测模型（GMM）开发对于更为全面的开展概率地震危险性分析有着重要意义。随着全球范围内的大量强震台站的投入使用，现有地震动记录的数量和质量都有大幅度地增长和提高，这也使得数据密集领域的地震学与机器学习二者跨学科间的结合越来越紧密。在开发GMM的相关研究中，应用机器学习中的回归算法来开发模型的最大优点是：在没有预设模型具体函数形式的前提下，依靠算法本身强大的数据挖掘能力就可以捕捉到地震动数据存在的潜在衰减趋势。而属于这类算法的支持向量回归（SVR）就特别适用于小样本学习并且泛化性能良好，这对于开发区域GMM而言优势明显。

研究方法及结果：

基于K-NET强震台网在日本关东地区记录到的地震动数据，应用机器学习中的支持向量回归算法（图2）开发了日本关东地区能量相关强度指标（IA,CAV, DS5-75和DS5-95）的地震动模型（SVR-GMMs），并与已有相关模型进行了比较，结论和启示如下：

1)采用数据驱动的支持向量回归算法开发的SVR-GMMs，不仅消除了传统随机效应回归方法中预设模型具体函数形式可能影响预测性能的问题，并且可以有效地捕捉到区域地震动的衰减特征。

2)关东地区的两个累积能量SVR-GMMs（IA和CAV）在近场的预测结果均高于已有模型（图3）。这些衰减特征的差异可能与关东地区自身的场地条件有关。“盆地效应”会使得盆地内地震动和盆地周边地震动的强度、持时存在较大差异，地震动在盆地中呈不均匀分布。

3)当断层距大于100 km时，持时的SVR-GMMs预测结果小于BMG20（图4）。当M<5.5时，显著持时随距离衰减存在明显的远场饱和现象，显著持时的饱和距离为100 km。本文开发的SVR-GMMs有效地捕捉到了显著持时存在的这一区域衰减特征。

该成果发表在国际期刊《Seismological Research Letters》（Jinjun Hu, Chaoyue Jin*, Hui Zhang, et al. Support Vector Regression for Developing Ground-Motion Models for Arias Intensity, Cumulative Absolute Velocity, and Significant Duration for the Kanto Region, Japan, Seismological Research Letters, 2022, 93 (3): 1619–1635. doi: https://doi.org/10.1785/0220210259）（IF：3.754，*通讯作者）。

图1 所选K-NET强震台站和地震震源分布

图2 支持向量回归算法示意图

图3 累积能量的SVR-GMMs与已有模型的对比

图4 持时的SVR-GMMs与已有模型的对比

一种简化的多点非平稳地震动合成方法

基于地质年代和成因的新疆和首都圈地区宏观场地分类方法