Oct, 2023

地震中使用机器学习的碎石分析探针设计

PDF
TL;DR地震残骸分析仪利用机器学习通过环境声音检测人类存在，准确率达到 97.45%，同时提供实时环境数据，有助于评估被困个体的生存前景，对于地震后的救援工作至关重要。
earthquakerubble analyzermachine learninghuman presenceambient sounds
发现论文，激发创造
  • 机器学习算法对钢筋混凝土建筑地震损伤预测的比较评估

    利用机器学习算法对 R/C 建筑的地震响应进行预测的比较性研究，证明了 LightGBM 算法具有优异的性能和预测能力，对于技术系统和科学方法的采用，在促进地震评估和保护系统的决策方面具有宝贵意义。

    Mar, 2022

  • 利用众包数据和大型语言模型的接近实时地震致死人数估计

    通过多语言的、群体化的社交媒体，引入一个端到端的框架，显著提高全球地震引发的人员损失预测的及时性和准确性。该框架集成了（1）基于大型语言模型、提示设计和少样本学习的分级伤亡提取模型，用于从社交媒体中检索定量人员损失索赔，（2）一个考虑物理约束的、动态真实性发现模型，从大量嘈杂和潜在冲突的人员损失索赔中发现真实的人员损失，和（3）一个贝叶斯更新损失投影模型，使用发现的真实数据动态更新最终的损失估计。我们实时测试该框架在 2021 年和 2022 年的一系列全球地震事件上，并展示我们的框架简化了伤亡数据的获取，实现了与美国地质调查局手动方法相当的速度和准确性。

    Dec, 2023

  • 地震灾害中寻求帮助的信息的检测：推特下的废墟

    该研究提出了一种交互式工具，通过收集和分类社交媒体上的呼救信息、提取其实体标签并可视化在地图上，提高寻找被困人员、救援和捐赠等救灾工作的效率，其实验表明 tweet 分类的 F1 分数高达 98.3％，实体提取的 F1 分数为 84.32％。

    Feb, 2023

  • 卷积神经网络用于地震检测

    使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

    Apr, 2023

  • 地震工程中的深度学习：综述

    该研究综述了利用深度学习（DL）作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣，并通过讨论方法论的进步和探索不同研究主题中的各种 DL 应用，来揭示 DL 在地震工程研究和实践中的机遇和挑战。

    May, 2024

  • 基于文本挖掘和社交媒体分析的地震影响分析

    本文提出了一种基于文本挖掘的方法来收集和分析社交媒体数据，以进行早期地震影响分析，结果表明，公众舆论趋势分析和公众舆情趋势可以在早期阶段评估地震的社会影响，并有助于决策和救援管理。

    Dec, 2022

  • 面向实时地震预警的泛化神经网络

    利用深度学习直接挖掘地震波形来增强地震监测能力，本研究使用数据重组方法训练具有普适性的神经网络，以便应用于不同地区的地震监测，实现实时的地震早期预警。通过应用于日本和美国加利福尼亚的地震序列，我们的模型可在触发的第一个台站后的 4 秒内可靠地报告地震位置和震级，平均误差分别为 2.6-6.3 公里和 0.05-0.17。这些普适的神经网络有助于全球实时地震早期预警的应用，消除了传统方法中通常需要复杂经验配置的要求。

    Dec, 2023

  • QuakeBERT: 社交媒体文本的准确分类以实现地震迅速评估

    社交媒体在灾难响应方面起到了帮助作用，但受到噪声的干扰，限制了对韧性城市的准确影响评估和决策制定，本研究提出了首个专业领域的 LLM 模型和整合方法，用于进行快速地震影响评估。

    May, 2024

  • 利用地震信号的智能优化和机器学习算法进行结构异常检测

    通过智能优化技术和机器学习，对于现场挖掘中的异常检测缺失，可以避免金融损失和钻探时间的不足，并通过参数估计方法，通过与结构振动的实验测量值比较数值模拟进行简单结构的异常检测。

    Jan, 2024

  • 评估 GPS 数据在余震预测中的预测能力

    该论文提出了一种利用机器学习的方法，通过地球表面变形数据对 2015 年至 2019 年间的日本地震目录进行余震预测。该方法利用卷积神经网络处理 GPS 数据，捕获输入的空间相关性，并取得了良好的预测性能。但预测精度与 GPS 站点的密度密切相关，当主震在测量站之外的离岸地区发生时，预测力会降低。

    May, 2023