基于长短期记忆神经网络的实时地震烈度预测模型
实时烈度预测可在破坏性地震波到达前,根据P波估计地震可能造成的最大影响.预警对象可以采取措施,降低可能造成的损失.P波位移幅值是一种有效估计地震动峰值的参数,然而单个或多个参数难以全面表征地震动中的信息.同时,参数的计算需要确定时间窗大小,无法实现连续预测.为了解决上述问题,提出了一种基于长短期记忆网络的实时地震烈度预测模型.基于 2010-2021 年K-NET数据构建模型,并选取 2022年 3月MJMA7.3地震事件作为案例验证模型.结果表明,P波到达后可以在记录的每个时间步预测烈度,P波到达 3 s时在测试集中准确率为 96.47%.提出的LSTM模型改善了烈度预测的准确性和连续性,可为地震预警、应急响应等提供科学依据.
地震烈度、实时、神经网络、深度学习、地震预警、工程地质
48
P315(大地(岩石界)物理学(固体地球物理学))
国家自然科学基金;中国地震局工程力学研究所基本科研业务费专项
2023-06-09(万方平台首次上网日期,不代表论文的发表时间)
共12页
1853-1864