一种基于RF和MLP的仪器地震强度评估方法在中国西部
Shujuan Yang1, Yihang Qin1, Weixiao Xu2
1Qingdao University of Technology Civil Engineering College, Qingdao, 266520, Shandong, China.
Scientific reports
|October 23, 2025
概括
这项研究开发了一种机器学习模型,使用地面运动参数准确评估仪器地震强度. 随机森林模型在预测地震强度方面表现出卓越的性能,比传统方法更准确.
科学领域:
- 地质物理学 地质物理学
- 地震工程的工程是地震工程.
- 机器学习 机器学习
背景情况:
- 仪器地震强度量化了监测仪器检测到的地震冲击.
- 准确的地震强度评估对于减轻灾害和城市规划至关重要.
- 传统的方法往往缺乏复杂的地震事件分析所需的精度.
研究的目的:
- 开发一个有效和准确的机器学习模型来评估仪器地震强度.
- 为了确定与宏观强度强烈相关的关键地面运动参数.
- 将机器学习模型的性能与传统的地震强度评估技术进行比较.
主要方法:
- 灰色相关性分析被用来识别显著的地面运动参数 (例如,克劳斯SI,PGA,PVS).
- 机器学习算法,多层感知器 (MLP) 和随机森林 (RF),使用TensorFlow.
- 用准确度,平均平方误差 (MSE) 和平均绝对百分比误差 (MAPE) 来评估模型性能.
主要成果:
- 射频模型的准确率达到79.17%,MLP模型的准确率达到72.92%.
- 在Clough SI和峰值地面加速 (PGA) 与宏观调查强度之间观察到强烈的相关性.
- 与MLP和传统方法相比,射频模型显示出更高的稳定性和精度.
结论:
- 机器学习算法,特别是射频,显著提高了地震强度评估的准确性.
- 开发的模型为评估地震影响提供了一个强大而精确的工具.
- 这种方法提高了我们理解和应对地震事件的能力.
