《International Journal of Disaster Risk Reduction》:Long short-term memory neural network-based real-time damage prediction for earthquake early warning system
编辑推荐:
为了实现地震早期预警(earthquake early warning,EEW),通常使用地震波到达(P波)开始时可以获得的地面运动(ground motion,GM)实时参数来估计后续GM的强度度量(intensity measure,IM),以支持警报决策
为了实现地震早期预警(earthquake early warning,EEW),通常使用地震波到达(P波)开始时可以获得的地面运动(ground motion,GM)实时参数来估计后续GM的强度度量(intensity measure,IM),以支持警报决策。然而,EEW的主要目的是减少结构损伤、经济损失和人员伤亡。而在当前的EEW系统中,触发阈值与这些相关指标并不一致。此外,基于有限数量特征参数预测IM可能无法全面捕获P波中包含的信息,导致预测不确定性。此外,计算特征参数需要持续地面运动的时间窗口长度,这使得连续预测不可行。为了解决这些问题,研究人员提出了一种基于长短期记忆(long short-term memory,LSTM)神经网络的EEW系统实时地震损伤预测模型。训练后的LSTM模型的核心创新在于其数据驱动方法,该方法在连续P波与结构损伤之间建立了映射关系。因此,研究人员选择了2010年1月至2021年8月期间K-Net数据库中的GM记录来开发和测试训练后的LSTM损伤预测模型。为了验证所提出方法的有效性,本研究开发的训练后的LSTM模型的结果(例如精度)还与机器学习算法(即支持向量机)和传统易损性方法进行了比较。此外,训练后的LSTM损伤预测模型通过非线性时程分析(nonlinear time-history analysis,NTHA)的地震损伤案例和一次真实地震事件进行了全面评估,平均准确率超过96.7%。此外,研究人员进行了残差分析,以提供对预测过程的物理洞察,揭示了震源效应、传播路径和场地条件以及可用P波时间窗口长度如何导致预测不确定性。残差的演变表明了早期基于P波的损伤预测的固有局限性,以及随着更多地震信息的可用,预测能力的逐步提高。结果均表明,本研究提出的训练后的LSTM模型可以提高损伤预测的准确性和连续性,这可以为EEW和应急响应提供科学依据。
**论文解读:基于长短期记忆神經网络的地震早期预警系统实时损伤预测**
**研究背景与意义**
地震早期预警(EEW)系统旨在强震到达目标区域前发出警报,以减少结构损伤、经济损失和人员伤亡。然而,当前多数EEW系统采用地面运动强度度量(如峰值加速度PGA,或基于P波的特征参数Pd、τ
c)作为触发阈值,而非直接的结构损伤指标。这种做法隐含假设:某一IM水平对应特定损伤程度。但已有研究证实,IM与结构损伤关系高度不确定,不同类型建筑对相同IM的损伤概率差异显著。此外,传统基于有限特征参数(如Pd)的预测方法难以全面捕获P波中包含的震源、路径和场地影响信息,且需要预设固定的时间窗口计算参数,导致预测不连续,易延误预警时间。为解决上述问题,研究人员提出了基于长短期记忆(LSTM)神经网络的实时地震损伤预测模型。
该论文发表在《International Journal of Disaster Risk Reduction》。
**主要关键技术与方法**
研究人员从日本K-Net数据库中选取2010年1月至2021年8月间震级大于M
JMA4.0、震中距200 km内的地震事件,共获得52560组三分量记录(2010–2018年)作为训练/验证集,9166组(2019–2021年)作为测试集。首先通过短时平均/长时平均(STA/LTA)自动检测P波到时,对地面运动记录进行零均值归一化处理。其次,基于中国规范建立32种典型建筑(钢框架S1、混凝土框架C1、配筋砌体RM2、无筋砌体URM、木框架W1/W2)的多自由度剪切模型(MDOF),通过非线性时程分析(NTHA)计算最大层间位移角(MIDR)作为输出标签。输入为P波后20秒内的加速度时程及结构设计参数(高度、基本周期、设计地震影响系数、层数)。采用LSTM神经网络,通过10折交叉验证和dropout避免过拟合,以均方根误差RMSE为损失函数,Adam优化器训练五种结构类型的预测模型。
**研究结果**
**5.1 准确性与效率评估**
在测试集上,P波后1秒时平均准确率约82%;随时间窗增至3秒,准确率提升至约90%以上。其中木框架结构(W1, W2)表现最优(3秒准确率94.2%),无筋砌体(URM)最低(87.3%)。模型的RMSE随时间窗增加持续下降,决定系数R
o2接近0.9,标准差σ
lnθ小于0.22。每个样本的预测时间小于10
?4秒,满足EEW实时性要求。
**5.2 可解释性**
通过SHAP(Shapley Additive Explanations)值分析输入参数重要性,发现竖直方向加速度(Acc
UP)的重要性最高,其次为楼层数(Floor)和设计地震影响系数(a
max)。不同结构类型的参数重要性排序一致,验证了模型学习到合理的物理规律。
**5.3 基于残差分析的物理解释**
总残差、事件间残差(反映震源效应)和事件内残差(反映路径与场地效应)显示:在P波后1秒早期窗口,残差均值偏离零,离散度大;随信息累积,残差趋于零,标准差降低。这表明模型能够捕捉震源、路径、场地对损伤的影响,并体现P波信息局限性及预测能力逐步提升的特性。
**5.4 与传统易损性方法比较**
在3秒时间窗下,传统Pd方法准确率为0.591–0.714,τ
c方法为0.512–0.653,SVM方法为0.869–0.911;而LSTM模型准确率达0.873–0.942,决策系数R
o2和标准差σ
lnθ也显著优于对比方法。
**6. 将模型集成到EEW系统**
提出基于风险一致阈值(θ
thre)的决策框架,通过概率地震危险性分析和NTHA确定不同风险水平下的阈值,允许阈值因结构类型和区域而异。
**7. 案例研究**
7.1 与NTHA方法比较:以中国大连75364栋建筑为例,采用2011年日本M
JMA9.0地震记录(TKY023站,PGA=171 gal),LSTM模型预测结构与NTHA结果相比,准确率达94%。
7.2 应用于EEW系统:选取2022年3月16日M
JMA7.3地震(震中距200 km),对钢框架、混凝土框架、木框架三种结构类型设置五种风险水平阈值。结果显示,低风险水平下漏报率和误报率极低(<1.5%),高风险水平下漏报率有所上升,但整体稳定。
**讨论与结论**
研究人员指出:传统方法将IM作为阈值忽略结构差异性,而基于参数的方法难以全面利用P波信息且无法连续预测。本研究的LSTM模型通过数据驱动方式直接建立P波时程与结构损伤的映射,克服了上述局限。残差分析进一步解释了预测不确定性的物理来源,增强了模型可信度。案例验证表明,模型在真实地震中平均准确率超过96.7%,且预测耗时极短,可有效支持EEW决策。
**研究结论**(翻译自原文):
(1) 提出基于地面运动记录的实时损伤预测模型,无需传统参数计算,直接以地震动时程为输入,更全面表征记录信息。
(2) 模型可按采样频率连续预测,解决了传统方法因固定时间窗导致预警时间不足的问题。
(3) 相比传统易损性方法和机器学习方法(SVM),模型在3秒时间窗内对测试集的准确率达91%以上,且随信息增加性能持续改善。
(4) 残差分析表明,早期P波窗口预测误差较大,随信息累积误差减小并稳定,反映了震源、路径、场地和结构损伤演化的综合影响。模型不仅精度高,还能捕捉P波传播的物理特征。