簡易檢索 / 詳目顯示

回結果列表
研究生： 黃昭文
Chao-Wen Huang
論文名稱： 卷積神經網路應用於初達波預估當站最大地表加速度之研究
An application of CNN to early prediction of PGA using on-site P-waves
指導教授： 許丁友
Ting-Yu Hsu
口試委員: 周瑞生
Jui-Sheng Chou
郭俊翔
Chun-Hsiang Kuo
張家銘
Chia-Ming Chang
學位類別： 碩士
Master
系所名稱： 工程學院 - 營建工程系
Department of Civil and Construction Engineering
論文出版年： 2020
畢業學年度： 108
語文別： 中文
論文頁數： 102
中文關鍵詞： P波 、深度學習 、卷積神經網路 、現地型地震預警
外文關鍵詞： P-wave, deep learning, convolution neural network, earthquake early warning
相關次數： 點閱：266  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 強震預警主要目的為在強震波來臨前，能準確地發佈警報，以避免人員的傷亡與財產的損失，同時避免因為過度預測的誤報，所造成社會成本的損失。因此，準確的預測該次地震的震度，為強震預警技術研發的首要目標之一。近年來，得益於電腦硬體設備的進步，深度學習的應用有了大幅度的成長，其中卷積神經網路(CNN)的出現，使得影像辨識領域能有更多的發展性。過去已有研究使用初達波的萃取出之特徵參數，透過支援向量機(SVM)等人工智慧進行訓練，以預測該次地震於當地即將發生之最大地表加速度(PGA)，亦即所謂的現地型強震預警技術。本研究省去萃取初達波參數的步驟，直接以P波抵達後三秒的加速度歷時資料與其頻譜作為輸入，透過CNN進行訓練，預測出該次地震之PGA。在相同的地震資料下，SVR模型對於預測PGA的均方根對數誤差為0.748，而CNN則為0.4911，顯見本研究所提出之方法可以明顯提升PGA預測準確程度。

    The Earthquake Early Warning (EEW) systems aim to alert before the arrival of strong seismic waves, thus to prevent or reduce casualties and economic loss. The main purpose of this study is to predict the intensity of an earthquake more accurately. Recently, benefit from the progress of computer hardware, deep learning techniques improve substantially. The advent of the Convolution Neural Network (CNN) makes image recognition more feasible. Previous studies had already used some characteristic parameters of the primary wave to predict the peak ground acceleration (PGA) of the same earthquake at the same site using a support vector machine or an artificial neural network. This study uses acceleration time history and its Fourier spectrum amplitude of the first three seconds after P-wave arrival as input data of a CNN to predict PGA. Based on the results of 10,000 earthquake data, the root mean square lognormal error (RMSLE) of the predicted PGA values base on the SVM model of the previous study was 0.748, while the one using the CNN model was only 0.4911.

    目錄 第1章 緒論 1 1.1 研究動機與目的 1 1.2 文獻回顧 2 1.2.1. 地震預警技術 2 1.2.2. 區域型與現地型地震預警 2 1.2.3. 深度學習應用於土木工程領域 3 1.3 研究內容與架構 4 第2章 研究方法 5 2.1 深度學習簡介 5 2.2 類神經網路演算法與參數介紹 6 2.2.1. 梯度下降法 8 2.2.2. 激勵函數 9 2.2.3. 損失函數 14 2.2.4. 學習曲線與訓練週期 17 2.3 卷積神經網路 19 2.4 循環神經網路 22 2.4.1. 循環神經網路與長短期記憶模型 22 2.4.2. 卷積循環神經網路 25 第3章 地震資料與資料處理 27 3.1 地震歷時資料 27 3.1.1. 二維座標地震歷時影像 27 3.1.2. 地震歷時一維座標 28 3.2 資料來源與處理 30 第4章 模型訓練與分析驗證 33 4.1 卷積神經網路 第一型 34 4.1.1. 輸入資訊分析 36 4.1.2. 資料處理驗證 54 4.2 卷積神經網路 第二型 59 4.3 卷積循環神經網路 61 4.4 成效評估 66 4.4.1. 機器學習模型比較 67 4.4.2. 歷史地震事件探討 69 4.4.3. 警報正確性探討 71 第5章 結論與未來展望 84 5.1 結論 84 5.2 未來展望 85 參考文獻 86 附錄 87 圖目錄 圖 2 1 類神經網路架構 7 圖 2 2 神經元運算流程 8 圖 2 3 Sigmoid函數圖形 10 圖 2 4 Sigmoid函數一階導數圖形 11 圖 2 5 Tanh 函數圖形 11 圖 2 6 Tanh函數一階導數圖形 12 圖 2 7 ReLU函數圖形 13 圖 2 8 ReLU函數一階導數圖形 13 圖 2 9 MAE函數圖形 14 圖 2 10 RMSE函數圖形 15 圖 2 11 RMSLE函數圖形 16 圖 2 12 Cross Entropy函數圖形 17 圖 2 13 欠擬合 19 圖 2 14 過擬合 19 圖 2 15 擬合 19 圖 2 16 卷積神經網路結構 20 圖 2 17 卷積運算流程 21 圖 2 18 最大池化運算流程 21 圖 2 19 特徵圖平坦化後輸入全層連接層 22 圖 2 20 循環神經網路結構 23 圖 2 21 循環神經網路的輸出輸入形式 24 圖 2 22 長短期記憶模型 25 圖 2 23 卷積循環神經網路結構 26 圖 3 1 二維座標地震歷時圖 28 圖 3 2 影像傳換為陣列 29 圖 3 3 中央氣象局震度分級表(資料來源:中央氣象局) 31 圖 4 1 第一型卷積神經網路結構 35 圖 4 2 不同卷積步伐之差異 35 圖 4 3 ±1000 cm/s2尺度下高強度地震之影像 36 圖 4 4 ±1000 cm/s2尺度下低強度地震之影像 37 圖 4 5 ±80 cm/s2尺度下高強度地震之影像 37 圖 4 6 同一筆地震資料以不同尺度表示之影像: (上)同圖4-2 (下)同圖4-3 37 圖 4 7 P波抵達後前三秒之PGA分布 38 圖 4 8 TH1回歸資料分布圖 40 圖 4 9 TH2回歸資料分布圖 40 圖 4 10 TH3回歸資料分布圖 41 圖 4 11 TH4回歸資料分布圖 41 圖 4 12 TH5回歸資料分布圖 42 圖 4 13 TH6回歸資料分布圖 42 圖 4 14 TH7回歸資料分布圖 43 圖 4 15 TH8回歸資料分布圖 43 圖 4 16 TH9回歸資料分布圖 44 圖 4 17 TH10回歸資料分布圖 44 圖 4 18 TH8回歸資料分布圖 45 圖 4 19 TH1~TH11預測結果之箱型圖 47 圖 4 20 過零點與未過零點 48 圖 4 21 P波抵達後前三秒頻譜最大振幅分布 48 圖 4 22 主要頻域資訊之頻率範圍 49 圖 4 23 TH6+F3回歸資料分布圖 50 圖 4 24 TH6+F12回歸資料分布圖 51 圖 4 25 TH6+F13回歸資料分布圖 51 圖 4 26 TH6+F23回歸資料分布圖 52 圖 4 27 TH6+F123回歸資料分布圖 52 圖 4 28 TH6+F1~TH6+F123與測結果之箱型圖 54 圖 4 29 TH6+F12二維座標影像 55 圖 4 30 (a)TH6+F12地震歷時一維座標回歸資料分布圖 (b)TH6+F12二維座標影像回歸資料分布圖 56 圖 4 31 TH6+F12地震歷時一維座標與二維座標影像預測結果之箱型圖 56 圖 4 32 (a)TH6+F12回歸資料分布圖 (b)TH6+F12_Raw回歸資料分布圖 58 圖 4 33 TH6+F12與TH6+F12_Raw與測結果之箱型圖 59 圖 4 34 第二型卷積神經網路結構 60 圖 4 35 (a) CNN_Type1回歸資料分布圖 (b) CNN_Type2回歸資料分布圖 60 圖 4 36 CNN_Type1與CNN_Type2預測結果之箱型圖 61 圖 4 37 第一型卷積循環神經網路結構 62 圖 4 38 (a) CRNN_Type1回歸資料分布圖 (b) CNN_Type1回歸資料分布圖 63 圖 4 39 CRNN_Type1與CNN_Type1預測結果之箱型圖 63 圖 4 40 第二型卷積循環神經網路結構 64 圖 4 41 (a) CRNN_Type2回歸資料分布圖 (b) CNN_Type2回歸資料分布圖 65 圖 4 42 CRNN_Type2與CNN_Type2預測結果箱型圖 65 圖 4 43 CNN_Type1、CNN_Type2、CRNN_Type1、CRNN_Type2預測結果之箱型圖 66 圖 4 44 多層感知器網路結構 67 圖 4 45 (a) SVR回歸資料分布圖 (b) MLP回歸資料分布圖 (c) CNN回歸資料分布圖 69 圖 4 46 (a) SVR對集集地震之回歸資料分布圖 (b) CNN對集集地震之回歸資料分布圖 70 圖 4 47 (a)美濃地震回歸資料分布圖 (b)花蓮地震回歸資料分布圖 71 圖 4 48 二元混淆矩陣 72 圖 4 49 CNN測試資料之二元混淆矩陣 74 圖 4 50 集集地震預測結果之二元混淆矩陣 75 圖 4 51 美濃地震預測結果之二元混淆矩陣 77 圖 4 52 花蓮地震預測結果之二元混淆矩陣 78 圖 4 53 日本震度分級制度(來源:日本氣象廳) 81 圖 4 54 計測震度與震度對照表 81 表目錄 表 3 1 TSMIP各加速度區間資料分布 30 表 3 2 美濃地震資料各震度資料分布 31 表 3 3 花蓮地震資料各震度資料分布 32 表 4 1 硬體設備列表 33 表 4 2 模型使用參數 35 表 4 3 各尺度加速度範圍與其代號 38 表 4 4 各尺度組合與其代號 39 表 4 5 各尺度組合之誤差結果 46 表 4 6 各尺度振幅範圍與其代號 49 表 4 7 各尺度組合與其代號 49 表 4 8 未結合頻譜之尺度組合誤差結果 53 表 4 9 結合頻譜之各尺度組合誤差結果 53 表 4 10 TH6+F12與TH6+F2_Image之誤差結果 55 表 4 11 無絕對值之各尺度組合誤差結果 57 表 4 12 TH6+F12與TH6+F2_Raw之誤差結果 58 表 4 13 CNN_Type1與CNN_Type2之誤差結果 60 表 4 14 CRNN_Type1與CNN_Type1之誤差結果 62 表 4 15 CRNN_Type2與CNN_Type2之誤差結果 64 表 4 16 四種網路模型之誤差結果 66 表 4 17 SVR、ANN與CNN模型之誤差結果 67 表 4 18 SVM與CNN模型預測集集地震資料之誤差結果 69 表 4 19 CNN模型預測美濃與花蓮地震之誤差結果 71 表 4 20 測試資料之二元混淆矩陣分類結果 74 表 4 21 測試資料之各項指標結果 74 表 4 22 測試資料之二元混淆矩陣分類結果(無容許誤差) 74 表 4 23 測試資料之各項指標結果(無容許誤差) 75 表 4 24 集集地震資料之二元混淆矩陣分類結果 75 表 4 25 集集地震資料之各項指標結果 76 表 4 26 集集地震資料之二元混淆矩陣分類結果(無容許誤差) 76 表 4 27 集集地震資料之各項指標結果(無容許誤差) 76 表 4 28 美濃地震資料之二元混淆矩陣分類結果 77 表 4 29 美濃地震資料之各項指標結果 77 表 4 30 美濃地震資料之二元混淆矩陣分類結果(無容許誤差) 77 表 4 31 美濃地震資料之各項指標結果(無容許誤差) 78 表 4 32 花蓮地震資料之混淆矩陣分類結果 78 表 4 33 花蓮地震資料之各項指標結果 79 表 4 34 花蓮地震資料之混淆矩陣分類結果(無容許誤差) 79 表 4 35 花蓮地震資料之各項指標結果(無容許誤差) 79 表 4 36 日本規範震度對應之參考加速度 82 表 4 37 根據回歸結果進行分級之各震度實際數量、預測數量與準確率 83

    Hsu, T.-Y., et al., Rapid on-site peak ground acceleration estimation based on support vector regression and P-wave features in Taiwan. Soil Dynamics and Earthquake Engineering, 2013. 49: p. 210-217.
    2. Satriano, C., et al., Earthquake early warning: Concepts, methods and physical grounds. Soil Dynamics and Earthquake Engineering, 2011. 31(2): p. 106-118.
    3. Gao, Y. and K.M. Mosalam, Deep Transfer Learning for Image-Based Structural Damage Recognition. Computer-Aided Civil and Infrastructure Engineering, 2018. 33(9): p. 748-768.
    4. Cha, Y.-J., W. Choi, and O. Büyüköztürk, Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks. Computer-Aided Civil and Infrastructure Engineering, 2017. 32(5): p. 361-378.
    5. Li, D., et al., Acoustic emission wave classification for rail crack monitoring based on synchrosqueezed wavelet transform and multi-branch convolutional neural network. Structural Health Monitoring, 2020: p. 147592172092279.
    6. Shrestha, A. and J. Dang, Deep Learning-Based Real-Time Auto Classification of Smartphone Measured Bridge Vibration Data. Sensors, 2020. 20(9).
    7. Wu, R.-T. and M. Jahanshahi, Deep Convolutional Neural Network for Structural Dynamic Response Estimation and System Identification. Journal of Engineering Mechanics, 2019. 145: p. 04018125.
    8. Shi, B., et al., An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. 2016. 39(11): p. 2298-2304.
    9. Yu, Y., et al., A novel deep learning-based method for damage identification of smart building structures. Structural Health Monitoring, 2018. 18(1): p. 143-163.
    10. Meier, M.-A., How “good” are real-time ground motion predictions from Earthquake Early Warning systems? Journal of Geophysical Research: Solid Earth, 2017. 122(7): p. 5561-5577.
    11. Hoshiba, M., et al., How precisely can we anticipate seismic intensities? A study of uncertainty of anticipated seismic intensities for the Earthquake Early Warning method in Japan. Earth, Planets and Space, 2010. 62(8): p. 611-620.
    12. 河角廣, 震度と震度階. 地震 第１輯, 1943. 15(1): p. 6-12.

    無法下載圖示 全文公開日期 2025/08/27 (校內網路)
    全文公開日期 2025/08/27 (校外網路)
    全文公開日期 2025/08/27 (國家圖書館：臺灣博碩士論文系統)
    QR CODE