文摘

不可能收集足够的强地面运动记录在短时间内;因此微震调查通常是揭示的地层结构和地震特征在指定的建筑工地。因此本文旨在发展一个神经网络模型,根据可用的微震测量和现场土壤无聊的测试数据,预测峰值地面加速度在一个站点,在台湾的科技园区。四个关键参数作为模型的输入土壤的价值观是标准贯入度试验,中等粒度,对液化安全因素,土壤深度和测量站之间的距离。结果表明,神经网络模型有四个隐层神经元可以实现更好的性能比其他模型目前可用。同时,体重依赖型剂量神经网络模型提供可靠的地面加速度峰值预测在一个无边无际的站点根据数据在附近的三个测量站。本文使用的方法提供了一种新的方法来治疗这种类型的seismic-related问题,它可能适用于其他世界各地的感兴趣的领域。

1。介绍

地震问题在全球范围内被认为是一个重要的研究课题,因为许多国家都受到自然灾害。为实例,最近大里氏9.0级,发生在2011年3月11日日本并引发了巨大的海啸,造成了大约350亿美元的损失。2010年1月12日,一场毁灭性的地震,里氏7.0级地震袭击海地在加勒比地区,并声称有超过20万人的生命失去了在首都和周边地区。其他智利经历了大地震,中国、印尼、新西兰、台湾列出归档的美国地质调查局(1]。无一例外,这些地震造成了巨大的人员伤亡和财产损失,需要紧急关注这灾难性的问题。

许多seismic-related研究问题进行了调查和发表之前,一些专注于找到一个早期预警系统,而另一些则根据历史地震资料的记录(例如,2- - - - - -8])。很明显的强地面运动数据不能在很短的时间内收集,并记录市区或人口密度高的地方并不容易获得。然而,微震调查可以用来推断地层结构和地震特征在指定施工现场不破坏它的地面。因此,快速、低成本的测量技术通常是选择不仅为区域提供有用的信息,缺乏地震记录,而且还有效地分析潜在液化指数工地被调查。

此外,值得一提的是,微震测量用适当的变换,傅里叶变换或中村等技术,可以估算出地震的关键参数,即峰值地面加速度(PGA),展览一个趋势类似于强地面运动的特点(9,10]。注意,上述文献都集中在神经网络模型的开发基于实际地震记录,和微震测量被用于比较。关于神经网络模型的发展按照微震测量和土壤剖面中没有检查这些研究。一些重要因素,如主频率,横波速度和放大可以通过微震研究调查(11- - - - - -18),这些可以帮助确定土壤的分布层,液化危害映射,网站和地震响应。虽然微震测量可以很容易地进行大量的网站,增加的主要限制是成本的增加数量的测量站。因此,开发一个模型的预测微震信息为其他经济原因的重要但是无边无际的网站是非常有用的。

从上面提到的引用和其他报告先前发表在地震工程和土壤动力学领域,似乎微震测量土壤条件的函数在指定的网站。然而,预测微震信息通过使用土壤无聊测试结果很少报道。因此,本研究的目的是开发一个模型土无聊的测试数据映射到微震测量用神经网络的方法。尤其是,三个关键土壤参数;标准贯入度试验值(STP-N),中等粒度(D50)和安全因素对液化(FL),和一个空间的因素,也就是说,土层之间的距离和测量站(DS),用于评估PGA造成微震测量。要获得神经网络模型还预测PGA在无边无际的网站开发的利用价值在附近的三个测量站。该方法在本研究开发应该为解决问题提供一种新方法在相关工程领域。

2。研究背景和基本原理

科技园区主要是被许多高科技公司包括一些世界级工厂如宏基、宏达电、台积电,发挥重要的经济作用在台湾。在这项研究中,选择高雄(Luchu)科技园的一个主要公园位于台湾南部。这个公园总面积571公顷,2001年开始建设,2010年竣工。各种高科技产业,如集成电路、精密机械、光电组件、计算机外围设备、通讯和生物技术产品,在这个公园规划和开发。这些类型的行业可以显著影响强烈的地面运动和环境振动也敏感。因此,有必要考虑antiearthquake设计和研究微震在公园里不时地防止不同程度的损失。

两个关键因素对地面运动的影响在科技园断层分布和在高雄地区地质条件,基于信息从中央地质调查所示图1(19,20.]。可以看出存在七个错误在这个地区,这是(1)赤的错,(2)Liukuei错,(3)Tsaujou错,(4)Hsiaokangshan错,(5)Yuchang错,(6)Jenwu断层,(7)凤山的错。这些错误可能会产生强烈的地面运动和危及高科技建筑和乐器。也从这个图,可以看出,高雄地区的冲积土占据了很大一部分,特别是在科技园区,可以对微震测量产生影响。

强地面运动的发生是不可预测的,它可以导致严重的结构性破坏在很短的时间内。因此,一个合适的antiearthquake设计通常被认为是高科技工厂建设。相比之下,微震的存在很容易被忽视,因为它非常小,但由于微震经常发生在地球表面,其操作过程中一些精密仪器可以损坏由于恒定的连续振动频率或峰值地面加速度。因此,微震会造成高科技生产,一个意想不到的和重大的经济损失,因此环境环境振动调查科学公园是一个非常重要的考虑因素。

图2显示了高雄科技园区,有四个微震测量站MS1、一份,MS3,可以。还有27土壤钻孔试验地点在附近的公园。如前所述,本研究重点是开发一个模型的基于微震预测峰值地面加速度测量和土壤无聊的测试数据。因此,记录了从这些测量站和无聊的测试网站可以提供有用的信息来开发模型通过使用神经网络方法。在下一节中,讨论了测量和测试数据的处理,然后从开发模型获得的结果。

3所示。环境振动测量和土壤无聊的测试数据

非常低的环境振动振幅(约10⁻⁶米)和加速度(0.8 - -2.5加或厘米²/ s),一般不能感受到人类[21,22),经常被发现在地上的地球表面。然而,这种振动可以通过使用一个精确的测量仪记录最近发达。在目前的研究中,环境振动测量和计算的结果由一组超灵敏地震accelerometer-Model 731做Wilcoxon与其他监测仪器和计算机软件(23- - - - - -25]。原始微震信息存储在时间和频率域,但只有在时间域被认为是分析数据集地面运动的特点是主要的问题在这项研究。

从微震四个测量站,收集的数据可以发现,加速度测量站MS1基本上都是在0.43加到51.71加东西(EW)和南北方向(NS),结果在垂直方向(V)都小于0.58加仑。测量站一份,结果是0.33 - 24.1元加加,加0.27 - 47.49加,加0.78 - 80.19加,在电子战,NS,分别和V的方向。测量站MS3,结果是0.33 - 5.03元加加,加0.27 - 4.29加,加0.31 - 6.13加,在电子战,NS,分别和V的方向。测量站可以,结果是0.58 - 45.85元加加,加0.34 - 15.46加和1.05加49.52加,在电子战,NS和V方向,分别。

上面的数值结果表明,垂直方向的加速度都是相对高于其他的方向,除了在MS1测量站。环境振动可能导致行驶车辆和建筑工作,一些测量数据可能出现更高的价值尤其是上午8点至5.00点,而这些会影响真正的微震响应。因此,在这项研究中,只有环境振动8点到7点之间是被收集的数据进行分析,以尽量消除外界环境因素和增加自然微震响应测量的准确性。

土壤测试数据的水井,采样的土壤地面水位和螺旋钻孔方法的方法洗无聊土壤地下水位以下。实验室实验是普通物理,三轴压缩、抗剪强度、无侧限抗压强度、整合、压实,加州承载比、弹性模量、地下水质量。横向荷载的现场测试和渗透率。所有这些测试结果可以提供详细的土壤特性的钻探地点。

对于一个典型的土壤研究地区勘探和测试报告,可以看出有很多的项目,如土壤深度、土壤剖面,南加州大学(统一的土壤分类系统)分类、标准贯入值,粒度分析、水分含量、比重、密度、孔隙比、液限、塑性指数和安全系数对液化从抗剪强度参数计算26]。注意,这些土壤测试项目可能有自己的物理意义,也有相互关系。先前的研究已经发现三个重要参数与实际地震反应的问题STP-N, D50, FL [27- - - - - -29日]。因此,这三个参数,振动环境调查和测量站之间的距离和测试层内钻孔(DS),被认为是开发PGA预测模型的神经网络方法。典型值STP-N D50, FL, DS, PGA在四个方向如表所示1。

4所示。预测的神经网络模型和分析结果

计算领域的情报,神经网络方法是广泛应用于各种工程应用程序,因为它有一些吸引人的特性,比如轻松实现,模式识别能力强,良好的预测性能30.- - - - - -32]。神经网络建模的基本知识,如选择合适的体系结构,学习算法,预处理的数据,模型的训练和测试已经全面覆盖在许多出版物33- - - - - -35]。因此,该方法的进一步讨论和使用相关的软件工具不包括在这里,但只有一些关键点的使用这种计算技术相关的研究问题如下。

开发一个神经网络模型中,至关重要的是确定输入层的神经元数、隐层和输出层。在这项研究中,5个土壤无聊的测试数据在附近的每一个微震测量站用于开发模型。上一节中提到的,土壤输入参数包括STP-N D50,和FL。因此,共有50个数据集可用于五钻洞,因为每个钻孔有20米的深度,和土壤剖面分为十层。如果前面定义的距离参数DS也包括在内,然后在输入层有四个神经元。的PGA在每一个不同的方向(电子战、NS、V、H)从微震测量作为目标,导致只有一个输出层的神经元。隐层神经元的数量需要选择提供一个相对性能更好的神经网络模型。

最好是提前检查输入土壤数据集找到一个合适的神经网络预测模型。最初,我们认为没有距离参数的神经网络模型,如图3(一个),将归一化数据集划分为三组,70%是为了训练、验证,为20%和10%,测试。这三个计算阶段执行Matlab工具箱的“火车”,“适应”和“模拟”功能(36,37]。计算实验,使用相关系数()作为评价指标,训练结果表明,可以实现高值(从0.656到0.900)与随机网络中数据选择的计算,但是它有一个表现不佳的验证情况(从0.004到0.235),测试用例(从0.001到0.361),见表2。这个模型的表现不佳是由于随机数据的选择与没有合理依据协会收集的PGA值随着时间的土壤属性定义了洞内的空间。因此,一个合理的依据关联数据的输入和输出变量值是必需的,和可用的领域知识作为本协会的基础。

因为STP-N价值是指土壤硬度,它可以发挥重要作用在影响地震时液化的程度。因此,通过STP-N作为主要因素并安排其增加从小型到大型数据集值,与其他相应调整输入参数,然后安排目标PGA数据集从大到小的值。再一次,没有考虑距离参数输入层,神经网络模型的性能与不同数量的隐层神经元被认为,和模型有四个隐层神经元有一个相对更好的性能比其他所有三个计算阶段模型。

注意,只有50个数据集用于发展神经网络模型在这项研究中,所以它不适合选择太多层或隐层神经元,因为它可能会导致无效的学习在训练阶段。神经网络模型有四个隐层神经元更可靠,也将使用参数输入层的距离。

表3显示我首选的神经网络模型的性能₄H₄O₁(图3 (b)三微震测量站。可以看出,平均水平值非常高,0.998在训练阶段。平均值的范围从0.767到0.872在验证阶段,从0.714到0.812在测试阶段,都表现出相当高的相关系数之间的测量和评估。即开发的神经网络模型具有足够水平的预测能力,可用于进一步研究。

上面的神经网络模型的结果表明,微震测量可能与土壤剖面的关系。检查是至关重要的能力和应用开发模型预测PGA在一个无边无际的网站。执行这个任务,它可以假定微震测量站可以是一个未知的网站,然后已知的PGA值在这个站可以用于验证神经网络模型的能力。估计PGA站可以从已知的三个车站MS1、一份,MS3,简单的方法是通过分配这三个已知的结果站权重因素基于站间的距离和表示在“模式1”。

或者,更好的方法来估计PGA在一个无边无际的网站是通过一套新的土壤数据从五个钻孔附近,并插入数据集完全已知的神经网络模型为每个测量站。然后通过求和结果与加权因素按照已知的未知网站三个站之间的距离,最后估计是获得对未知的网站,这是“模式2”来标示方法。

比较两个模型的预测结果和微震测量在不同的方向如图所示4。可以看出神经网络估计不太不同的模型,但“模式2”的结果似乎稍微接近实际测量。因为总记录环境振动的调查可以是70的数据集,选择50数据集覆盖更大范围的时间间隔比其他三个站。因此,表现出更高的一些测量值(PGA > 0.005 g),特别是对于东西方和垂直方向,这些可能会导致一个错误的预测。一般来说,神经网络方法的性能合理的准确性和问题被认为是可以接受的。这种比较的结果为使用这种方法预测提供信心的PGA无边无际的但重要的网站。

安装环境振动测量仪器通常是在一个地方高科技建筑的密度不太高。因此,此法适用于无边无际的站点(口头语)如图2更接近于几个重要的工业建筑,可能是敏感的自然微震。目前发展神经网络模型的方法是非常有用的预测PGA在这个网站使用新的土壤数据集从附近的五钻洞。图5显示了无边无际的预测结果。可以看出,两种模型表现出类似的预测,但获得的曲线从“模式2”不如“光滑模型1。”的原因可能是土壤钻孔中使用一个已知的测量站,MS3,太远离无边无际的站点。实际上,这地方不稳定问题是还发现,在前面的比较如图4,但相信目前神经网络模型还应该足够可靠。数据集的顺序选择的神经网络模型的预测结果在网络的结果外推的测试数据集。这个占之间的差异模型预测和测量曲线在图的右边4。预测可以进一步提高了数据集的随机选择,培训,重新排序后的验证和测试,与前面描述的数据集。

如果测量结果在最近的车站一份作为参考,然后在垂直方向的预测结果表明,PGA大于其他两个方向,测量结果是一致的,这也适用于预测PGA在水平方向上。因为这科技园区主要是冲积土,预测结果是合理的,因为没有土壤条件的重大变化无边无际的网站。总的来说,神经网络“模式2”似乎更可取的距离参数和新的土壤数据集用于此模型的计算过程,因此,可能代表一个更真实反应的调查网站。此外,它可能会得出结论,该模型可用于预测PGA在高雄科技园任何感兴趣的网站。

5。结论

毫无疑问,seismic-related问题是非常重要的研究课题防灾领域的技术。本研究提出了一种新颖的方式使用神经网络方法建立模型学习的关系为连接两种不同类型的参数,即环境振动测量和现场土壤无聊的测试数据。此外,要获得神经网络模型也为预测开发峰值地面加速度在一个无边无际的站点,并且可扩展的自然微震预测在任何其他网站的科学公园调查,只要适当分布的土壤条件。

由于土壤无聊的限制为每一个微震测量站测试数据,本研究获得了只有五十集的峰值地面加速度的微震测量站,与土壤资料从五个钻孔附近开发的神经网络模型。更多的数据集可能需要开发一个更精确的模型进行预测。然而,这一研究获得的结果提供了一个洞察seismic-related特征研究领域。目前研究的重要方面之一是,尽管在MS1收集的数据,一份,和MS3不同时期,为这些网站开发的三种神经网络模型可以组合预测PGA分布在第四个站点(可以)不同的时期。

进一步,应该提到,预测结果证明开发模型的可靠性,但微震与常见测量频率的选择或峰值地面加速度应进一步调查。这可能发生多次,因此会影响精密仪器的准确性和损伤半导体或生物传感器等产品在制造过程中在一个高科技公司。然而,在这项研究中使用的方法提供一个新的方法来治疗这种类型的非线性问题,并可适用于其他领域的世界各地。

确认

国家科学委员会的支持下项目NSC 101 - 2221 - e - 020 - 030是极大的赞赏。作者也要感谢j·h·赖博士KaoYuan大学提供有价值的输入包括环境振动土壤调查和无聊的测试数据从塞西工程顾问。d . Gunaratnam博士最近退休教师的架构,设计和规划,澳大利亚悉尼大学。