在韩国高速列车上用于地震检测的无监督异常检测,使用基于自动编码器的深度学习模型

科学领域:

• 地质物理学 地质物理学
• 人工智能的人工智能
• 运输工程 运输工程

背景情况:

• 高速列车容易受到地震事件的影响,需要可靠的检测系统.
• 传统的地震检测方法,如STA/LTA在操作环境中与错误阳性作斗争.

研究的目的:

• 开发一种先进的地震检测系统,用于高速列车,使用无监督深度学习.
• 与现有方法相比,提高检测准确度和减少虚假报警.

主要方法:

• 利用基于自动编码器的深度学习模型进行无监督异常检测.
• 在正常高速列车振动数据上训练模型,并通过地震数据验证.
• 与短期平均值与长期平均值 (STA/LTA) 模型相比,性能比较.

主要成果:

• 拟议的深度学习模型展示了高峰地面加速 (PGA) ≥0.07的优越地震检测能力.
• 在正常火车运行期间,大大减少了虚假地震检测.
• 准确识别正常运行状态,与STA/LTA方法不同.

结论:

• 基于自动编码器的深度学习方法为高速铁路提供了更可靠的地震检测解决方案.
• 这种方法即使在地震数据有限的情况下也有效,有利于地震性较低的地区.
• 在地震活跃地区提高高速列车的安全性和运营完整性.