基于门控循环单元的地震破坏力预测方法及装置与流程

1.本发明属于地震破坏力预测技术领域，涉及一种基于门控循环单元的地震破坏力预测方法及装置。


背景技术：

2.地震发生之后，快速准确获取灾区的震害情况对于及时、合理的调度救援力量、减轻受灾地区人员伤亡和损失十分重要。地震灾害发生的不确定性以及灾区环境的高度复杂性导致了难以准确及时的预测灾区震害情况。除了地震参数外，断层发展、结构环境、震中距等众多因素都可能影响最终预测结果。传统的机器学习方法，如支持向量机(support vector mechine)、决策树(decision tree)等并不适用于处理地震破坏力这种高维度时序数据。
3.基于数值模拟的地震破坏力现在主要有两种方法。一种是易损性分析方法(fragility analysis)，对地震动强度指标和区域结构模型进行了简化，难以全面反映地震动的复杂时域频域特性，预测速度快但是准确性不足。一种是非线性时程分析方法(nonlinear time
‑
history analysis，nltha)，对地震动参数和建筑结构有较好的保留性，预测准确率高，但是此类方法计算量较大，并且需要高性能计算机，预测的时效性有一定欠缺。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于门控循环单元的地震破坏力预测方法及装置。
5.为达到上述目的，本发明提供如下技术方案：
6.一种基于门控循环单元的地震破坏力预测方法，包括以下步骤：
7.步骤s1、从开源地震动数据库获取地震动时程数据，建立数据库，作为样本数据；
8.步骤s2、对样本数据进行破坏力分析以划分破坏力等级，并将破坏力等级作为样本标签；
9.步骤s3、通过经验模态分解算法将地震动时程数据分解为多个本征模态函数分量；
10.步骤s4、定义gru模型的损失函数，将分解得到的各本征模态函数分量作为gru模型的输入特征，并结合样本标签对其进行训练；
11.步骤s5、当gru模型的损失函数的值收敛为一个固定值保持不变时，结束训练，得到emd
‑
gru模型；
12.步骤s6、将传感器采集的地震动数据或者通过地震动监测网络获取的地震动数据输入emd
‑
gru模型，通过emd
‑
gru模型预测得到地震破坏力等级。
13.进一步的，经验模态分解算法通过以下步骤实现：
14.步骤s11、根据地震动时程数据中的其中一项数据得到原始信号x(t)，t表示时间；
15.步骤s12、对原始信号x(t)进行筛分；具体为：找出原始信号x(t)所有的极大值点，拟合成原始信号的上包络线；找出原始信号x(t)所有的极小值点，拟合成原始信号的下包络线；计算上包络线和下包络线的均值得到原始信号x(t)的平均包络线m1(t)；将原始信号x(t)减去m1(t)后即可得到一个新的信号d
1,1
(t)；
16.步骤s13、判断d
1,1
(t)是否满足本征模态函数分量的条件，如果不满足，则以d
1,1
(t)代替原始信号x(t)，继续按步骤s12对d
1,1
(t)进行筛分，经过k次筛分后的信号记为d
1,k
(t)，直到d
1,k
(t)满足本征模态函数分量的条件时，记为原始信号x(t)的第一个imf分量imf1(t)；
17.步骤s14、从原始信号x(t)中减去第一个imf分量imf1(t)，得到剩余分量r1(t)，对r1(t)继续按步骤s12和步骤s13进行分解；经过n次分解后，求得残余信号r
n
(t)；当r
n
(t)为单调函数时，将剩余分量函数r
n
(t)作为残余量res；
18.步骤s15、根据地震动时程数据中的另一项数据得到原始信号x(t)，返回步骤s12对该数据形成的原始信号x(t)进行分解，直到将地震动时程数据包括的各项数据均分解成imf分量和残余量res后停止分解。
19.进一步的，本征模态函数分量满足以下条件：
20.函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
21.在任意时刻点，上包络线和下包络线的均值均为0。
22.进一步的，gru模型的损失函数l(x，y)定义为：
[0023][0024]
其中，n表示样本的个数，x
i
表示第i个样本的实际地震破坏力等级，y
i
表示第i个样本模型所预测的地震破坏力等级。
[0025]
进一步的，所述gru模型在任一时刻的输入特征为地震动时程数据包括的每一项数据的所有本征模态函数分量在该时刻的值组成的一个向量。
[0026]
一种基于门控循环单元的地震破坏力预测装置，包括：
[0027]
地震动数据获取模块，用于实时采集地震动数据或者通过地震动监测网络获取地震动数据，并传输到分析模块；
[0028]
分析模块，用于对地震动数据获取模块送来的地震动数据进行分析，并对地震的破坏力进行预测，得到地震的破坏力等级；以及
[0029]
预测数据输出模块，用于输出地震的破坏力等级。
[0030]
进一步的，还包括预警模块，所述预警模块用于将所述分析模块预测的地震的破坏力等级与预设的地震破坏力等级阈值进行比较，当预测的地震破坏力等级大于或等于地震破坏力等级阈值时，发出预警信号。
[0031]
进一步的，还包括传播模块，所述传播模块用于在预警模块发出预警信号时，将预警信号和预测的地震破坏力等级传送到特定设备。
[0032]
进一步的，所述分析模块包括数据预处理单元、emd
‑
gru模型和输出单元；
[0033]
所述数据预处理单元用于读取地震动数据获取模块获取的地震动数据，并进行格式转换；
[0034]
所述emd
‑
gru模型包括经验模态分解模块和gru模型，所述经验模态分解模块用于
(city
‑
scalenonlinear time history analysis,city
‑
scale nltha)方法对样本数据进行破坏力分析。
[0047]
步骤s3、通过emd(empirical mode decomposition，经验模态分解)算法将地震动时程数据包括的各项数据分别分解为多个imf(intrinsic mode functions，本征模态函数)分量。所述地震动时程数据包括地震动加速度数据、地震动速度数据和地震动位移数据等多项数据。
[0048]
所述imf分量满足以下两个条件：
[0049]
(1)函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
[0050]
(2)在任意时刻点，上包络线和下包络线的均值均为0。
[0051]
emd算法是通过筛分的过程来实现的；通过emd算法能够将非线性数据分解为有限个频率由高到低的imf分量的线性组合，并且所分解出来的各imf分量包含了原信号的不同时间尺度的局部特征信号。emd算法具体包括：
[0052]
步骤s11、根据地震动时程数据中的其中一项数据得到原始信号x(t)，t表示时间；原始信号x(t)为时间t的函数。例如，可以先从地震动加速度数据进行分解，则先根据地震动加速度数据得到原始信号x(t)。
[0053]
步骤s32、对原始信号x(t)进行筛分。筛分的过程就是从信号中减去它的平均包络线函数，得到一个新的函数；具体为：找出原始信号x(t)所有的极大值点，用三次样条函数拟合成原始信号x(t)的上包络线；找出原始信号x(t)所有的极小值点，用三次样条函数拟合成原始信号x(t)的下包络线；计算上包络线和下包络线的均值得到第一个平均包络线函数m1(t)；将原始信号x(t)减去第一个平均包络线函数m1(t)，得到第一个中间分量函数d
1,1
(t)。
[0054]
步骤s33、判断中间分量函数d
1,1
(t)是否满足imf分量的两个条件，如果满足则将d
1,1
(t)记为原始信号的第一个imf分量imf1(t)；如果不满足则继续按步骤s12对d
1,1
(t)进行筛分，直至中间分量函数满足imf分量的条件。假设k次筛分后得到的中间分量函数d
1,k
(t)满足imf分量的条件，则将d
1,k
(t)记为原始信号的第一个imf分量imf1(t)。
[0055]
步骤s34、从原始信号x(t)中减去第一个imf分量imf1(t)，得到第一个剩余分量函数r1(t)；将第一个剩余分量函数r1(t)继续按步骤s12和步骤s13进行分解(分解就是通过反复筛分的方式从信号中分解出imf分量)，得到第二个imf分量imf2(t)；使用第一个剩余分量函数r1(t)减去第二个imf分量imf2(t)，得到第二个剩余分量函数r2(t)。继续按步骤s12和步骤s13对第二个剩余分量函数r2(t)进行分解；假设经过n次分解后，得到的第n个剩余分量函数r
n
(t)为单调函数，则不再继续分解，将剩余分量函数r
n
(t)作为残余量res；从而完成对地震动加速度数据的分解。原始信号可表示为：
[0056][0057]
步骤s35、再依次根据地震动速度数据、地震动位移数据和其他各项地震动时程数据得到原始信号x(t)，返回步骤s12对该数据形成的原始信号x(t)进行分解，直到将地震动时程数据包括的各项数据均分解成imf分量和残余量res后停止分解。需要说明的是，分解时地震动时程数据时可从其包括的任一项数据开始分解，并不需要特定的顺序。
[0058]
如图2所示，为地震动时程数据包括的各项数据emd分解的示意图。从emd的分解过
程中可以看出，与傅里叶变换和小波分解相比较，emd不需要设定基函数，具有自适应性，且可以有效消除原始数据存在的波动，使数据更加平稳。
[0059]
步骤s4、定义gru模型的损失函数，并将分解得到的各imf分量作为gru(gated recurrent units；门控循环单元)模型的输入特征对其进行训练。如图3所示，为emd
‑
gru模型的采用三层gru时的结构示意图，y
pred
表示预测结果；当然，gru也可以少于或多于三层。
[0060]
其中，gru模型的损失函数l(x，y)可定义为：
[0061][0062]
其中，n表示样本的个数，x
i
表示第i个样本的实际地震破坏力等级，y
i
表示第i个样本模型所预测的地震破坏力等级。
[0063]
所述gru模型在任一时刻的输入特征为各imf分量在该时刻的值组成一个向量。gru相比于传统的rnn网络而言，不会随时间清除以前的信息，能够有效捕捉长序列之间的语义关联,缓解梯度消失或爆炸现象。考虑到地震波发展会与上一时刻地震波数据有一定关联，所以在预测过程中，将当前地震波数据与过去地震波数据联系起来将更有助于模型的预测。
[0064]
如图4所示，gru的单个神经单元的体系结构包括重置门和更新门，gru的隐藏层单元h
t
可以由以下公式计算得：
[0065]
r
t
＝σ(w
r
x
t
u
r
h
t
‑1)
[0066]
z
t
＝σ(w
z
x
t
u
z
h
t
‑1)
[0067][0068][0069]
其中，σ为sigmoid函数；tanh为双曲正切函数；r
t
为重置门；z
t
为更新门；为t时刻(即当前时刻)的候选激活状态；h
t
‑1为(t
‑
1)时刻(即上一时刻)的隐藏层单元(即输出特征)；h
t
为t时刻的隐藏层单元；w
r
、u
r
、w
z
、w
z
、w、u为训练参数矩阵；表示对应元素相乘；x
t
表示时间t时刻的输入特征，即地震动时程数据包括的每一项数据的所有本征模态函数分量在t时刻的值形成的向量。
[0070]
假设按照地震动加速度数据共分解为imf1(t)、imf2(t)、imf3(t)和imf4(t)四个imf分量时，地震动速度数据分解为imf1'(t)、imf2'(t)、imf3'(t)和imf4'(t)四个imf分量，地震动位移数据分解为imf1”(t)、imf2”(t)、imf3”(t)和imf4”(t)四个imf分量，
……
；则在t0时刻，第一层gru的输入特征表示为向量[imf1(t0)，imf2(t0)，imf3(t0)，imf4(t0)，imf1'(t0)，imf2'(t0)，imf3'(t0)，imf4'(t0)，imf1”(t0)，imf2”(t0)，imf3”(t0)，imf4”(t0)，
……
]；在t
i
时刻，第一层gru的x
ti
表示为向量[imf1(t
i
)，imf2(t
i
)，imf3(t
i
)，imf4(t
i
)，imf1'(t
i
)，imf2'(t
i
)，imf3'(t
i
)，imf4'(t
i
)，imf1”(t
i
)，imf2”(t
i
)，imf3”(t
i
)，imf4”(t
i
)，
……
]。当然，地震动位移数据、地震动加速度数据和地震动速度数据分解的imf分量的数量也可以不相同。除第一层gru以外，其他层gru的输入特征x
t
为上一层gru的输出特征h
t
。
[0071]
步骤s5、在gru模型的训练过程中，当损失函数的值收敛为一个固定值保持不变时，认为此时gru模型的参数为最优的模型参数，停止模型训练。
[0072]
步骤s6、通过传感器实时采集地震动数据或者通过地震动监测网络获取准实时的地震动数据，并输入emd
‑
gru模型，通过emd
‑
gru模型预测得到地震破坏力等级。
[0073]
本实施例中，采用gru模型做为基础模型对地震破坏力等级进行预测，由于gru相比于传统的rnn网络而言，不会随时间清除以前的信息，能够有效捕捉长序列之间的语义关联,缓解梯度消失或爆炸现象。考虑到地震波发展会与上一时刻地震波数据有一定关联，所以在预测过程中，将当前地震波数据与过去地震波数据联系起来将更有助于模型的预测，且gru模型完成预测所需要的时间很短，时效性强。另外，由于通过emd分解出来的各imf分量包含了原信号的不同时间尺度的局部特征信号，因此，将emd与gru模型结合得到emd
‑
gru模型后，能够达到较高的预测精度。
[0074]
本发明还提供一种基于门控循环单元的地震破坏力预测装置，如图5所示，本发明基于门控循环单元的地震破坏力预测装置的一个优选实施例包括地震动数据获取模块、分析模块、预测数据输出模块、预警模块和传播模块。
[0075]
所述地震动数据获取模块可采用传感器模块，所述传感器模块集成有用于采集位移、加速度和速度等数据的传感器，从而实时采集地震动数据；所述地震动数据获取模块也可采用能够链接到地震动监测网络的模块，从而通过地震动监测网络获取准实时的地震动数据。
[0076]
所述分析模块用于对地震动数据获取模块送来的地震动数据进行分析，并对地震的破坏力进行预测，得到地震的破坏力等级。所述分析模块包括数据预处理单元、emd
‑
gru模型和输出单元。
[0077]
所述数据预处理单元用于读取地震动数据获取模块获取的地震动数据，并进行格式转换。
[0078]
所述emd
‑
gru模型包括经验模态分解模块和gru模型，所述经验模态分解模块用于通过经验模态分解算法将地震动时程数据分解为多个本征模态函数分量，并将各本征模态函数分量形成的向量作为gru模型的输入特征；所述gru模型用于根据输入特征预测出地震的破坏力等级。
[0079]
所述输出单元用于将预测的地震破坏力等级发送给预测数据输出模块和预警模块。
[0080]
所述预测数据输出模块用于输出预测的地震破坏力等级及相关数据。所述预测数据输出模块优选为采用可视化模块，例如显示器，以可视的方式输出地震破坏力等级及相关数据。
[0081]
所述预警模块用于将所述分析模块预测的地震的破坏力等级与预设的地震破坏力等级阈值进行比较，当预测的地震破坏力等级大于或等于地震破坏力等级阈值时，发出预警信号。所述传播模块用于在预警模块发出预警信号时，将预警信号和预测的地震破坏力等级及时传送到救援指挥中心或者其他特定设备，便于及时开展救援工作。
[0082]
本实施例中，分析模块采用emd算法与gru模型，对计算和存储能力要求不高，对硬件的要求不高，实现成本低。
[0083]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较
佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。