BriefGPT - AI 论文速递
·
生成对抗小波神经运算器：多变量时间序列数据的故障检测和隔离应用
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本文介绍了使用GANO的数据驱动模型，能够根据震级、破裂距离、顶部30米时间平均剪切波速度和构造环境或断层风格条件生成振动加速度时间历程。经验证和评估，结果显示该模型能够恢复震级、距离和VS30尺度，并生成一致的中位数尺度。该模型应用于风险定位地面运动的特定场地工程应用。
🎯
关键要点
- 提出了使用生成对抗神经运算器（GANO）结合机器学习技术的数据驱动模型。
- 模型能够根据震级、破裂距离、顶部30米时间平均剪切波速度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了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误差。
- 该框架能够很好地捕捉响应谱序列的混合变异性，尤其是俯冲事件。
- 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。
➡️
