基于深度学习的平均剪切波速预测方法及其在加速度计记录中的应用
我们提出了一个使用生成对抗神经运算器（GANO）、结合最新的机器学习技术和开放接入强动态数据集的数据驱动模型，能够根据震级（M）、破裂距离（Rrup）、顶部30米时间平均剪切波速度（VS30）以及构造环境或断层风格条件下生成三分量振动加速度时间历程的算法。我们使用神经运算器，这是一种具有分辨率不变性的架构，保证了模型训练与数据采样频率无关。我们首先介绍了条件地面运动合成算法（以下简称cGM-GANO），并讨论了与以前工作相比的优势。接下来，我们使用南加州地震中心（SCEC）宽频平台（BBP）生成的模拟地面运动进行了cGM-GANO框架的验证。最后，我们在一个来自日本的KiK-net数据集上训练了cGM-GANO，结果显示该框架能够恢复傅里叶幅度和伪谱加速度的震级、距离和VS30尺度。我们通过与经验数据集的残差分析以及与选定地面运动场景的传统地面运动模型（GMMs）进行比较来评估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，在短距离上观察到最大的误差。除了短距离外，响应谱序列的混合变异性也能够很好地捕捉到，特别是对于俯冲事件由于训练数据的充分性。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。
Sep, 2023
该研究介绍了一种名为Seismogram Transformer（SeisT）的新型骨干神经网络模型，用于各种地震监测任务，包括地震检测、相位拾取、正负首动分类、震级估计和方位估计。通过对输入地震图的多层级特征表示的理解，该模型能够从低级到高级复杂特征有效地提取频率、相位和时频关系等特征，展示了SeisT在推进地震信号处理和地震研究方面的能力和潜力。
Oct, 2023
本研究提出了一种基于深度学习的地震速度反演方法，针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构，其中包含了一个增强型的多连接编码器-解码器结构，该设计经过专门调整以有效处理复杂信息，从而解决非线性地震速度反演的挑战。通过训练和测试，我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练，并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少，但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演（FWI）方法进行了比较分析，清楚地展示了提出模型的有效性。
Dec, 2023
通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。
Mar, 2024
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
我们提出了一种基于人工智能的框架WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型(ConvLEM)和序列到序列(seq2seq)预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高预警能力并快速预测破坏性地面运动的强度和时机。
May, 2024
本研究解决了传统地震早期预警方法将相位识别、定位估计和震级估计视为独立任务的局限，提出了一种新的统一地震神经网络FisH。该模型能够实时处理地震数据，实现相位识别、定位和震级估计的端到端输出，显著提高了性能，并在地震事件检测和表征中获得了优秀的结果。
Aug, 2024
本研究针对地震即时预报领域的不足，分析了多种深度学习架构，并提出了两种创新方法MultiFoundationQuake和GNNCoder。研究表明，所提出的MultiFoundationQuake模型在捕捉地震数据的时空关系方面表现优异，显著超过了其他定制架构，具有更高的预测准确性和实用价值。
Aug, 2024
本研究针对传统地震去混叠方法计算量大、参数设置复杂的问题，提出了一种基于深度学习的数据驱动方法，旨在提高去混叠的效率与准确性。通过构建卷积神经网络（CNN），该方法能够在近实时条件下实现与传统算法相比的优良去混叠效果，实验结果表明初始信噪比（SNR）显著影响最终去混叠的质量。
Sep, 2024