-
公开(公告)号：CN119577317A
公开(公告)日：2025-03-07
申请号：CN202411627645.8
申请日：2024-11-14
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种考虑高程影响的地震动空间相关模型拟合方法，步骤包括：得到地震动空间相关性拟合所需的数据，包括地震事件内残差、路径效应项和场地效应项，组成数据集；路径效应项包括场地间距和方向角；场地效应项包括剪切波速和高程；选择合适的函数形式考虑各因变量与事件间残差之间的相关性；利用地震动空间相关模型计算事件内残差场的相关性矩阵，并利用最大似然参数估计的方法，计算得到使事件内残差场负对数似然值最小的模型参数值，得到地震动空间相关性。本发明方法拟合的考虑高程影响的地震动空间相关模型准确度更高且稳定性较好，以应用于区域性基础设施地震风险评估等领域。
-
公开(公告)号：CN117272731B
公开(公告)日：2025-01-24
申请号：CN202311215116.2
申请日：2023-09-20
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G01V1/28 , G06F30/27 , G06N3/0464 , G06F17/15 , G06F119/14 , G06F119/12 , G06T17/20
Abstract: 基于卷积核分解‑Winograd快速卷积算法的地震波场模拟方法，本发明为了解决大规模地震波场模拟中卷积运算效率低的问题。地震波场高效模拟方法：一、建立空间差分和卷积的本征联系；二、建立F(3,2)卷积的Winograd加速形式；三、构建地震波场，对于任意长度的速度场或应力场p与卷积核q，先将p分解成若干子块，使得每一子块的长度能与卷积核q组成大小为F(3,j)的卷积过程；四、卷积核分块并应用F(3,2)卷积加速形式；五、对速度或应力场p的所有子块结果进行合并，得到速度或应力场的差分场。本发明推导出F(3,2)卷积过程的加速形式，能够将大尺寸的卷积核分解至F(3,2)基本单元进行加速。
-
公开(公告)号：CN117077483B
公开(公告)日：2025-01-03
申请号：CN202311044590.3
申请日：2023-08-18
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F111/10 , G06F119/14
Abstract: 基于物理一致机器学习的差分系数求解方法，本发明的目的是为了解决传统基于泰勒展开的差分系数在应用时易发生频散的问题。本发明的差分系数求解方法：一、建立求解一阶空间微分的差分算子；二、将差分算子变换至波数域，建立频散方程；三、建立方程边界条件及最终目标函数；四、基于目标函数形式建立神经网络，并对网络的输入、输出、层数、神经元数量、激活函数、权重进行设计，使网络内部结构与建立的目标函数具有一致性；五、对神经网络进行训练。本发明基于由差分频散方程推导的目标函数，建立了目标函数和神经网络结构之间的本征联系，赋予了神经网络可解释性。当采用相同的网格点时，使用本发明求得的差分系数结果误差更小。
-
公开(公告)号：CN119623059A
公开(公告)日：2025-03-14
申请号：CN202411705028.5
申请日：2024-11-26
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F17/11 , G06F17/18 , G06F111/08
Abstract: 本发明涉及地震学技术领域，尤其是一种基于空间相关性的地震动场随机模拟方法，由单场点地震动模型和空间相关性模型两部分构成，具体包括以下步骤：步骤一：搭建单场点地震动时频功率谱模型；步骤二：搭建时频功率谱参数的预测方程；步骤三：时频功率谱到时程的变换；步骤四：搭建时频功率谱参数的空间相关性模型；本发明大大提高了地震动场模拟的速度，同时引入了模型参数的空间相关性，很好地表征了空间上场点与场点之间的时频特征的相关性，使得本发明模拟的地震动场能够与物理认知相符。
-
公开(公告)号：CN119620182A
公开(公告)日：2025-03-14
申请号：CN202411801323.0
申请日：2024-12-09
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及基于时频分析和深度学习的地震相位拾取方法，属于地震学领域，建立包含经验模态分解模块、残差收缩模块、LSTM层、transformer层、上采样层和卷积层的深度神经网络，采用线性整流函数为激活函数，采用Adam自适应优化函数进行反向传播，将二元交叉熵损失函数作为损失函数，以平均绝对误差函数、误差标准差、精确率、召回率和F1分数为评价指标，得到深度神经网络模型。在噪声、P波和S波的频率存在差异时，经验模态分解能有有效地将三者分离开，从而帮助网络更好地识别P波和S波。即使是对于宽频带噪声，噪声也会被分解到不同的本征模态函数中，从而降低了P波和S波所在的本征模态函数中的噪声含量。这种时频分析方法能够有效地提高网络的抗噪能力。
-
Patent Agency Ranking
公开(公告)号：CN119375954A
公开(公告)日：2025-01-28
申请号：CN202411637222.4
申请日：2024-11-15
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种考虑混合模拟高、低频叠加交叉频率的地震动计算方法，包括模拟低频地震动；模拟高频地震动；在频域内使用权函数分别调整其傅里叶幅值谱；然后在时域内进行叠加，得到宽频地震动。本发明确定了宽频地震动混合模拟方法中不同地震事件的交叉频率取值，以解决常规方法模拟效果不准确的问题，以应用于地震学、地震工程等领域。
-
公开(公告)号：CN117077483A
公开(公告)日：2023-11-17
申请号：CN202311044590.3
申请日：2023-08-18
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F111/10 , G06F119/14
Abstract: 基于物理一致机器学习的差分系数求解方法，本发明的目的是为了解决传统基于泰勒展开的差分系数在应用时易发生频散的问题。本发明的差分系数求解方法：一、建立求解一阶空间微分的差分算子；二、将差分算子变换至波数域，建立频散方程；三、建立方程边界条件及最终目标函数；四、基于目标函数形式建立神经网络，并对网络的输入、输出、层数、神经元数量、激活函数、权重进行设计，使网络内部结构与建立的目标函数具有一致性；五、对神经网络进行训练。本发明基于由差分频散方程推导的目标函数，建立了目标函数和神经网络结构之间的本征联系，赋予了神经网络可解释性。当采用相同的网格点时，使用本发明求得的差分系数结果误差更小。
-
公开(公告)号：CN115099523B
公开(公告)日：2023-10-24
申请号：CN202210861947.6
申请日：2022-07-20
Applicant: 哈尔滨工业大学
IPC: G06F18/20 , G06N3/084 , G06N3/04 , G06F30/27 , G06F18/214
Abstract: 基于人工智能与地震动经验模型混合的地震动参数预测方法，本发明是为了解决现有方法无法同时保留预测精度与衰减关系的物理意义的问题。地震动参数预测方法：一、选择地震动衰减关系的传统经验公式，确定该传统经验公式中的运算形式、输入参数项、输出参数项和未知系数；二、建立地震动数据集；三、建立结合传统经验公式的神经网络；四、利用神经网络结合地震动数据集进行网络训练，通过神经网络的反向传播，计算未知系数的梯度，通过不断迭代训练，使得损失函数不断减小，得到最优系数的训练结果。五、地震动参数预测。本发明地震动参数预测方法包含经验模型，鲁棒性更好。为结构抗震设计、地震危险性分析，提供了有效的依据。
-
公开(公告)号：CN113468466A
公开(公告)日：2021-10-01
申请号：CN202110837611.1
申请日：2021-07-23
Applicant: 哈尔滨工业大学
Abstract: 基于神经网络的多工况一维波动方程求解方法，本发明属于地震工程领域，它为了解决神经网络求解不同工况下的一维波动方程耗时费力的问题。一维波动方程求解方法：一、选择一维波动方程作为待求解的方程；二、确定输入变量的求解域与残差点数量；三、建立包含6个隐藏层的全连接层神经网络；四、设计特定的损失函数；五、神经网络的预训练及精细化训练。本发明将波速作为输入，提出一种基于神经网络的一维波动方程求解方法，使得模型能学习到不同工况对于方程解的影响，在保持高求解精度的前提下，泛定方程与应力条件的加入也增加了求解方法的可解释性。
-
公开(公告)号：CN111257934A
公开(公告)日：2020-06-09
申请号：CN202010053228.2
申请日：2020-01-17
Applicant: 哈尔滨工业大学
Abstract: 基于二阶神经元深度神经网络的地震动峰值加速度预测方法，本发明属于地震工程领域，它为了解决地震动预测的精度低的技术问题。地震动峰值加速度预测方法：一、在数据集中挑选出震级、投影距、剪切波速、地区、覆盖层厚度、断层类型和周期作为输入参数，相对应的地震动峰值加速度为目标参数；二、建立包含三个隐藏层的深度神经网络，神经元均为二阶元，采用双曲正切函数为激活函数，采用均方误差函数和Adam自适应优化函数进行反向传播，以平均绝对误差函数为评价函数；三、深度神经网络模型训练；四、峰值加速度预测。本发明采用一个多输入结构、二阶神经元网络，既能提高预测地震动峰值加速度的精度，又能保证深度神经网络模型的适用性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.033 seconds)
