BriefGPT - AI 论文速递
·
通过预训练速度模型生成变换网络实现浅层到深层先验传播
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
我们提出了一个使用GANO的数据驱动模型，能够根据震级、破裂距离、VS30和构造环境生成振动加速度时间历程。验证结果显示该框架能够恢复震级、距离和VS30尺度，并生成一致的中位数尺度。该框架应用于风险定位地面运动。
🎯
关键要点
- 提出了一个使用生成对抗神经运算器（GANO）和机器学习技术的数据驱动模型。
- 该模型能够根据震级、破裂距离、VS30和构造环境生成振动加速度时间历程。
- 介绍了条件地面运动合成算法（cGM-GANO）及其优势。
- 使用南加州地震中心生成的模拟地面运动验证cGM-GANO框架。
- 在日本KiK-net数据集上训练cGM-GANO，能够恢复傅里叶幅度和伪谱加速度的震级、距离和VS30尺度。
- 通过残差分析和与传统地面运动模型的比较评估cGM-GANO。
- 结果显示cGM-GANO为相应构造环境产生一致的中位数尺度。
- 在训练数据稀缺的情况下，短距离上观察到最大的误差。
- 该框架的应用包括生成面向特定场地工程应用的风险定位地面运动。
➡️
