CN116756515B - 基于深度卷积生成对抗网络的人工地震波生成方法 - Google Patents

Abstract

本发明提供了一种基于深度卷积生成对抗网络的人工地震波生成方法，用于地震波生成领域，包括：基于生成对抗网络建立DL生成模型；对所述DL生成模型基于地震样本进行训练，得到目标DL生成模型；将实际地震记录输入所述目标DL生成模型中，输出人工地震波结果；其中，所述实际地震记录数量有限。本发明提出了一种有效的方法，利用少量地面运动记录生成大量人工地震波，为此采用深度卷积GAN(DCGAN)，结构表明，DCGAN可以通过有限数量的地震记录作为训练网络的输入，轻松生成所需的人工地震波。

Description

基于深度卷积生成对抗网络的人工地震波生成方法

技术领域

本发明属于人工地震波生成领域，尤其涉及基于深度卷积生成对抗网络的人工地震波生成方法。

背景技术

对于结构***的抗震设计，反应谱作为评估这些***最大反应的方便工具。有用的反应谱是抗震规范提供的设计谱。时程动力分析经常用于设计关键/重要结构，如高层建筑，在进行非线性动力分析时，应提供几个地面加速度。因此，有必要生成与给定目标设计谱兼容的加速度图。

然而虽然神经网络已广泛应用于各个工程领域，其中包括一些用于生成人工频谱兼容地震加速度图。机器学习(ML)和深度学习(DL)方法也正在成为人工智能研究在许多科学技术领域快速发展和应用的里程碑。但是，由于地震工程领域可靠数据的数量有限，使用DL不方便获得准确的结果。为了应对这一挑战，生成对抗网络(GAN)方法被认为是一种可靠的方法。如今GAN已被引入作为训练生成模型的有效方法。GAN在图像制作领域展示了其能力。对于结构的非线性动力学分析，通常会用到人工地震波。然而尽管GAN在各种应用中显示出其鲁棒性和准确性，但在土木工程领域中很少有GAN的应用。

基于此，本领域技术人员亟需提出了一种利用GAN的突出特征生成大量高质量反应谱的新方法从而得到人工地震反应波。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度卷积生成对抗网络的人工地震波生成方法，以解决上述现有技术中存在的技术问题。

为了实现上述目的，本发明提供了如下技术方案：

基于深度卷积生成对抗网络的人工地震波生成方法，其特征在于，包括以下步骤：

基于生成对抗网络建立DL生成模型；

对所述DL生成模型基于地震样本进行训练，得到目标DL生成模型；

将实际地震记录输入所述目标DL生成模型中，输出人工地震波结果；

其中，所述实际地震记录数量有限。

优选的，所述目标DL生成模型包括：参数化鉴别器和生成器；

所述生成器，通过学习试错，产生高质量的样本，并将生成数据发送至所述参数化鉴别器；

所述参数化鉴别器，使用实际样本进行训练，并学习对所述生成数据进行评分。

优选的，所述参数化鉴别器，使用实际样本进行训练，并学习对所述生成数据进行评分，包括以下步骤：

所述参数化鉴别器对所述生成数据中的合成数据进行识别，得到识别结果；

其中，所述识别结果包括：a.所述参数化鉴别器识别出所述生成数据中的合成数据、b.所述参数化鉴别器未识别出所述生成数据中的合成数据；

对于所述识别结果为a时，所述生成器更新自身，以生成误导数据使所述参数化鉴别器的所述识别结果为b；

对于所述识别结果为b时，所述参数化鉴别器更新自身，对所述所述生成数据中的合成数据进行再次识别，直至所述识别结果为a。

优选的，所述目标DL生成模型的模型架构为双分支结构包括：

实际图像分支、生成图像分支、鉴别总支；所述鉴别总支接收分支输出结果

所述实际图像分支由实际地震数据库中提取实际图像；

所述生成图像分支由所述生成器和随机噪声生成，生成图像；

最后由所述鉴别总支中所述参数化鉴别器对所述实际图像和所述生成图像进行识别。

优选的，对所述DL生成模型基于地震样本进行训练，是通过预设训练程序进行训练，其中所述训练程序步骤包括：

初始步骤：初始化所述参数化鉴别器和所述生成器。

第一步：考虑分布Pdata(x)，N数据点{x₁,x₂,...,x_N}是从实际数据中采样的；其中，Pdata(x)为真实数据；

第二步：假设选择的分布PZ(z)，N噪声{z₁,z₂,...,z_N}被采样；其中，PZ(z)为随机变量；

第三步：使用梯度下降，更新所述参数化鉴别器以最小化损失L_D，如下所示：

其中，η为学习速率；D(·)为参数化鉴别器函数；G(·)为生成器函数；

第四步：使用梯度下降，所述生成器更新以最小化损失L_G，如下所示：

只要获得收敛，就重复第一至第四步骤；生成的加速度图的响应谱(agen(Tj))将每次迭代的频谱与目标频谱进行比较(agen(Tj)).

当

其中，M表示频谱的采样周期数，ε＝5％。

优选的，还包括将所述DL生成模型的输入和输出加速度图适用与结构设计目的，具体为：将1D阵列转换为2D阵列的过程：

初始步骤：根据结构分析和设计目的，选择预期生成加速度图的持续时间T_d和时间间隔/时间步长Δt；

第一步：根据在初始步骤中选择的持续时间修改所考虑数据库的每个记录的持续时间；对于比所选持续时间短的真实记录，假设记录的结束部分为零；通过保留记录的主要部分，对比选定持续时间更长的真实记录进行修整；

第二步：考虑规定的T_d和Δt，确定等效1D阵列的尺寸为m＝T_d/Δt；然后选择最小整数n，使得m≤n²；

第三步：对于所述实际地震数据库的每个记录，m和n²之间的差异通过在记录的开头和结尾添加零来解决；

第四步：所有记录构成m＝n²维的1D阵列，并且通过分配2D阵列的相关行中的1D数组的每个n分量，直接转换为n²维的等效2D阵列。

与现有技术相比，本发明具有如下有益效果：

本发明提出了一种有效的方法，利用少量地面运动记录生成大量人工地震波，为此采用深度卷积GAN(DCGAN)，结构表明，DCGAN可以通过有限数量的地震记录作为训练网络的输入，轻松生成所需的人工地震波。

附图说明

图1为DL模型的总体架构。

图2(a)为实施例中典型的转换加速度示意图。

图2(b)为实施例中典型加速度图的1D阵列转换为2D阵列由32*32阵列表示图。

图3为生成器结构图。

图4为参数化鉴别器结构图。

具体实施方式

下面结合实施例对本发明提供的技术方案进行详细的说明，但是不能把它们理解为对本发明保护范围的限定。

在GAN的初步研究中，多层感知器作为G(·)和D(·)。由于GAN表现出一些局限性，例如无法生成高分辨率图像和训练的不稳定性，因此引入了许多更新的GAN来解决这些问题。Radford等人提出了用于GAN的深度卷积网络，称为DCGAN。DCGAN的架构是通过为鉴别器和生成器使用给定类别的CNN来引入的。此外，体系结构受限于以下指南中的一些约束：

1.在鉴别器中使用具有用于下采样的步长的卷积层，在生成器中使用用于上采样的具有步长的分数卷积层。

2.利用批次标准化生成器和鉴别器。

3.在所有层的鉴别器中应用整流线性单元或泄漏ReLU激活函数，除了使用S形函数的输出层。

4.使用泄漏的ReLU激活函数并在生成器的输出层中使用双曲正切激活函数。

5.在最后一个卷积层之后消除完全连接层。

因此，本发明提出了一种特定的DCGAN配置。考虑到上述约束，生成器和参数化鉴别器的详细架构将在以下实施例中讨论。

实施例1

本实施例公开了一种基于深度卷积生成对抗网络的人工地震波生成方法，包括以下步骤：

基于生成对抗网络建立DL生成模型；

对DL生成模型基于地震样本进行训练，得到目标DL生成模型；

将实际地震记录输入目标DL生成模型中，输出人工地震波结果；

其中，实际地震记录数量有限。

更进一步，目标DL生成模型包括：参数化鉴别器和生成器；

生成器，通过学习试错，产生高质量的样本，并将生成数据发送至参数化鉴别器；

参数化鉴别器，使用实际样本进行训练，并学习对生成数据进行评分。更进一步，参数化鉴别器，使用实际样本进行训练，并学习对生成数据进行评分，包括以下步骤：

参数化鉴别器对生成数据中的合成数据进行识别，得到识别结果；

其中，识别结果包括：a.参数化鉴别器识别出生成数据中的合成数据、b.参数化鉴别器未识别出生成数据中的合成数据；

对于识别结果为a时，生成器更新自身，以生成误导数据使参数化鉴别器的识别结果为b；

对于识别结果为b时，参数化鉴别器更新自身，对生成数据中的合成数据进行再次识别，直至识别结果为a。

需要说明的是，GAN是一种DL生成模型，主要用于生成高质量样本。参数化鉴别器和生成器，是任何神经网络或规定的函数。为了训练GAN，生成器和鉴别器在某种对抗意义上进行游戏。在这个游戏中，生成器和鉴别器尝试迭代地最大化结果并最小化竞争对手的收益。生成器无法直接访问所考虑的数据库，因此学习通过试错产生高质量的样本，以猜测鉴别器的意见。另一方面，鉴别器使用实际样本进行训练，并学习对生成器发送给它的数据进行评分。更详细地说，假设生成器打算生成合成数据来误导鉴别器。然而，鉴别器难以识别生成器生成的合成数据和实际数据。当生成器成功地误导鉴别器时，鉴别器更新自身，以便能够适当地区分合成数据。类似地，当升级的鉴别器识别出合成数据时，生成器再次更新自身以再次误导鉴别器。该过程继续进行，直到鉴别器无法自行升级以区分合成数据。此时，对于鉴别器，真实数据与合成数据的分类概率几乎为50％。因此，合成数据充分接近真实数据。从数学角度来看，GAN的训练是生成器和鉴别器之间的一种MinMax游戏。在这个游戏中，生成器学习制作更好的样本来误导鉴别器。另一方面，鉴别器学会更好地理解合成数据和真实数据之间的差异。这一竞争导致在实施GAN的各个领域生产高质量样品。这种博弈优化具有固有困难的最优解，例如非凸损失函数以及高维参数空间。因此，最好实现基于梯度的算法，以同时最小化生成器和鉴别器的损失。

同时，在本实施例中生成器的结构根据地震持续时间确定。换句话说，长期地震的网络训练过程需要比短期地震更大的层维度。层的数量也根据问题的复杂性来选择。本实施例中使用的典型生成器模型如图3所示。

在该典型模型中，最初生成100个随机数(或噪声)并将其应用于Conv2D层。通过检查各个层的数量，发现Conv2D的四个层在产生期望的加速度图时，可以为学习、创造力和准确性带来适当的加速。如前，在本实施例对所有层使用泄漏的ReLU激活函数。而鉴别器负责对传入的地震波进行评分，然后确定传入的地震波与数据库中的地震波匹配程度。因此，该网络的端层维度应为1，这表明真实地震波的层。另一方面，鉴别器的输入应该完全等于从数据库中的地震波获得的图像，这反过来又与生成器的输出相同。本实施例中使用的典型鉴别器模型如图4所示。

例如，在图4所示的典型架构中，鉴别器的输入是一个维数为32×32的矩阵。

更进一步，目标DL生成模型的模型架构为双分支结构包括：

实际图像分支、生成图像分支、鉴别总支；鉴别总支接收分支输出结果实际图像分支由实际地震数据库中提取实际图像；

生成图像分支由生成器和随机噪声生成，生成图像；

最后由鉴别总支中参数化鉴别器对实际图像和生成图像进行识别。

其中，在本实施例中，DL模型的总体架构如图1所示，在该图中，x表示实际数据点，z表示高维随机变量，通常称为代码。

真实数据Pdata(x)、生成模型PG(g)和随机变量PZ(z)的概率分布。鉴别器函数D(·)和生成器函数如图1所示。为了计算鉴别器识别真实数据的概率，D(x)选择了S形函数。此外，(z)根据P_G生成合成数据。如前，生成器被训练为生成统计上与真实样本非常相似的合成样本而另一方面，鉴别器被训练为将较高的s赋予x，将较低的s赋予/>以对抗生成器的尝试(见图1)。价值函数如下：

其中θD和θG分别表示鉴别器和生成器函数的参数。此外，Eα～Pβ[·]为从分布Pβ采样的数据或随机变量α的期望函数。如前，鉴别器试图识别输入的数据是合成的还是真实的。因此，交叉熵简单地用损失来表示，如下所示：

其中N是样本数。现在，将实际数据xi标记为1，而将合成数据标记为0。为此，将标签yi分配给1和0。因此，方程式(2)简化如下：

L_D＝-E_X Pdata(x)[logD(x)]-E_x PG(g)[log(1-D(x))] (3)

当方程(2)中N→∞，L_D的经验值渐近接近其理论值。即，当通过评估鉴别器的参数来优化鉴别器时，其实际上最小化了价值函数的负值-V(D，G)，这意味着最大化了V(D、G)，如下所示：

因此，游戏试图通过完全识别PG(g)和Pdata(x)的差异来最大化鉴别器的增益。

如前，生成器在优化过程中生成合成数据，并试图生成高质量的合成数据以误导鉴别器。由于在本实施例GAN的训练是一种MinMax游戏，生成器努力最小化鉴别器的增益。因此，将鉴别器的增益视为生成器的损失函数，如下所示：

其参数最终估计为

上述MinMax游戏试图迭代优化鉴别器和生成器损失函数，只要这两个函数都接近一些局部最小值，对于这些局部最小值所评估的参数集由和/>表示。

更进一步，对DL生成模型基于地震样本进行训练，是通过预设训练程序进行训练，其中训练程序步骤包括：

初始步骤：初始化参数化鉴别器和生成器。

第一步：考虑分布Pdata(x)，N数据点{x₁,x₂,...,x_N}是从实际数据中采样的；其中，Pdata(x)为真实数据；

第二步：假设选择的分布PZ(z)，N噪声{z₁,z₂,...,z_N}被采样；其中，PZ(z)为随机变量；

第三步：使用梯度下降，更新参数化鉴别器以最小化损失L_D，如下所示：

其中，η为学习速率；D(·)为参数化鉴别器函数；G(·)为生成器函数；

第四步：使用梯度下降，生成器更新以最小化损失L_G，如下所示：

只要获得收敛，就重复第一至第四步骤；生成的加速度图的响应谱(agen(Tj))将每次迭代的频谱与目标频谱进行比较(agen(Tj)).

当

其中，M表示频谱的采样周期数，ε＝5％。

需要说明的是，如前，MinMax博弈试图迭代优化参数化鉴别器和生成器损失函数，只要这两个函数都接近的局部最小值，估计的参数集由和/>表示。然而，在实践中很难检测参数化鉴别器和生成器损失函数是否达到了局部最小值。因此，通常设置规定的迭代次数。

更进一步，还包括将DL生成模型的输入和输出加速度图适用与结构设计目的，具体为：将1D阵列转换为2D阵列的过程：

初始步骤：根据结构分析和设计目的，选择预期生成加速度图的持续时间T_d和时间间隔/时间步长Δt；

第一步：根据在初始步骤中选择的持续时间修改所考虑数据库的每个记录的持续时间；对于比所选持续时间短的真实记录，假设记录的结束部分为零；通过保留记录的主要部分，对比选定持续时间更长的真实记录进行修整；

第二步：考虑规定的T_d和Δt，确定等效1D阵列的尺寸为m＝T_d/Δt；然后选择最小整数n，使得m≤n²；

第三步：对于实际地震数据库的每个记录，m和n²之间的差异通过在记录的开头和结尾添加零来解决；

第四步：所有记录构成m＝n²维的1D阵列，并且通过分配2D阵列的相关行中的1D数组的每个n分量，直接转换为n²维的等效2D阵列。

需要说明的是GAN在2D图像或阵列中表现出出色的性能。Tang在输入之前将SHM原始时间序列数据转换为图像，而不是将原始时间序列直接输入到神经网络。Liao将一维时间序列振动的小波变换存储为特征系数矩阵，作为深度神经网络的输入。Zhang提出了一种将振动信号转换为图像的转换方案，用于旋转机械的轴承故障诊断。这种非凡的性能使本领域技术人员转向2D阵列，而不是使用具有生成1D阵列能力的GAN。同时为了检验DCGAN生成所需加速度图的可行性和准确性，分别选择了20秒和0.02秒的持续时间和时间间隔作为典型示例。因此，任何给定的加速度图都包含一组数字。最接近总共1000个元素的正方形2D阵列图像的尺寸为32²＝1024。即1000和1024之间的差异通过在数据库的地震记录的开头和结尾添加12个零数字来解决。典型的转换加速度图如图2所示。

另外，对于本实施例中提及的数据库均为实际地震数据库；传统生成或准备数据库是大多数DL方法的步骤。在这方面，最严重的问题之一是为具有理想条件的地震生成或找到合适的数据库。这是困难的，因为满足结构非线性动力分析所需的理想条件的适当地震的数量非常有限。

而在本实施例中，提出的DCGAN能够使用有限数量的地面运动记录生成大量人工频谱兼容地震加速度图。为此，在本实施例中只需要一些与目标频谱兼容的加速度图。少数需要的加速度图通过传统文献中的成熟方法生成。在本实施例中中，Hancock提出的小波算法用于调整地震加速度图，以匹配特定的目标响应谱。

在本实施例中，假设根据目标结构规范的要求，用于结构分析和设计的合适加速度图数量有限。一般来说，这些加速度图根据设计者的需要适应任何频谱。此外，开发的DCGAN模型对土壤条件或使用的频谱类型没有特别限制。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.基于深度卷积生成对抗网络的人工地震波生成方法，其特征在于，包括以下步骤：

基于生成对抗网络建立DL生成模型；

对所述DL生成模型基于地震样本进行训练，得到目标DL生成模型；

将实际地震记录输入所述目标DL生成模型中，输出人工地震波结果；

其中，所述实际地震记录数量有限；

对所述DL生成模型基于地震样本进行训练，是通过预设训练程序进行训练，其中所述训练程序步骤包括：

初始步骤：初始化参数化鉴别器和生成器；

第一步：考虑分布，N个数据点/>是从实际数据中采样的；其中，为真实数据；

第二步：假设选择的分布，N个噪声/>被采样；其中，/>为随机变量；

第三步：使用梯度下降，更新所述参数化鉴别器以最小化损失，如下所示：

（7）；

其中，η为学习速率；为参数化鉴别器函数；/>为生成器函数；

第四步：使用梯度下降，所述生成器更新以最小化损失，如下所示：

(8)；

只要获得收敛，就重复第一至第四步骤；生成的加速度图的响应谱将每次迭代的频谱与目标频谱/>进行比较.

当（9）；

其中，M表示频谱的采样周期数，=5%；

还包括将所述DL生成模型的输入和输出加速度图适用于结构设计目的，具体为：将1D阵列转换为2D阵列的过程：

初始步骤：根据结构分析和设计目的，选择预期生成加速度图的持续时间和时间间隔Δt；

第一步：根据在初始步骤中选择的持续时间修改所考虑数据库的每个记录的持续时间；对于比所选持续时间短的真实记录，在记录的结束部分添加零；对于比所选定持续时间长的真实记录，保留记录的主要部分；第二步：考虑规定的和Δt，确定等效1D阵列的尺寸为m=/>∕Δt；然后选择最小整数n，使得/>；

第三步：对于实际地震数据库的每个记录，m和之间的差异通过在记录的开头和结尾添加/>个零来解决；

第四步：所有记录构成m=n²维的1D阵列，将1D阵列的n维分量分布到2D阵列的相关行中，进而转换为维的等效2D阵列。

2.根据权利要求1所述的基于深度卷积生成对抗网络的人工地震波生成方法，其特征在于，所述目标DL生成模型包括：参数化鉴别器和生成器；

所述生成器，通过学习试错，产生高质量的样本，并将生成数据发送至所述参数化鉴别器；

所述参数化鉴别器，使用实际样本进行训练，并学习对所述生成数据进行评分。

3.根据权利要求2所述的基于深度卷积生成对抗网络的人工地震波生成方法，其特征在于，参数化鉴别器，使用实际样本进行训练，并学习对所述生成数据进行评分，包括以下步骤：

所述参数化鉴别器对所述生成数据中的合成数据进行识别，得到识别结果；

其中，所述识别结果包括：a.所述参数化鉴别器识别出所述生成数据中的合成数据、b.所述参数化鉴别器未识别出所述生成数据中的合成数据；

对于所述识别结果为a时，所述生成器更新自身，以生成误导数据使所述参数化鉴别器的所述识别结果为b；

对于所述识别结果为b时，所述参数化鉴别器更新自身，对所述生成数据中的合成数据进行再次识别，直至所述识别结果为a。

4.根据权利要求2所述的基于深度卷积生成对抗网络的人工地震波生成方法，其特征在于，所述目标DL生成模型的模型架构为双分支结构包括：

实际图像分支、生成图像分支、鉴别总支；所述鉴别总支接收分支输出结果；

所述实际图像分支由实际地震数据库中提取实际图像；

所述生成图像分支由所述生成器和随机噪声生成，生成图像；

最后由所述鉴别总支中所述参数化鉴别器对所述实际图像和所述生成图像进行识别。