JP6677300B2 - 震央距離推定装置、震央距離推定方法、及びプログラム - Google Patents
震央距離推定装置、震央距離推定方法、及びプログラム Download PDFInfo
- Publication number
- JP6677300B2 JP6677300B2 JP2018526428A JP2018526428A JP6677300B2 JP 6677300 B2 JP6677300 B2 JP 6677300B2 JP 2018526428 A JP2018526428 A JP 2018526428A JP 2018526428 A JP2018526428 A JP 2018526428A JP 6677300 B2 JP6677300 B2 JP 6677300B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- waveform data
- data
- epicenter distance
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000012545 processing Methods 0.000 claims description 65
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 42
- 238000001514 detection method Methods 0.000 description 18
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Description
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする。
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする。
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる、ことを特徴とする。
以下、本発明の実施の形態1における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図1〜図5を参照しながら説明する。
最初に、図1を用いて、本実施の形態1における震央距離推定装置の概略構成について説明する。図1は、本発明の実施の形態1における震央距離推定装置の概略構成を示すブロック図である。
次に、本実施の形態1における震央距離推定装置10の動作について図4及び図5を用いて説明する。以下の説明においては、適宜図1〜図3を参酌する。また、本実施の形態1では、震央距離推定装置10を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態1における震央距離推定方法の説明は、以下の震央距離推定装置10の動作説明に代える。
以上のように本実施の形態1によれば、波形データを関数にフィッティングすることなく、単一の波形データから、震央距離及び震源の深さが推定される。また、推定処理は、学習モデル16によって行なわれるので、震央距離及び震源の深さは、安定的に、且つ、短時間で算出されることになる。
続いて、本実施の形態1における変形例について説明する。まず、変形例1では、学習部14は、設定されている波形量毎に、学習モデル16を生成する。具体的には、波形量は、地震発生時からの経過時間で表現される。従って、学習部14は、学習情報取得部13で取得された波形データから、設定経過時間毎に、経過時間の分だけの波形データを切り出し、切り出した波形データを入力データとして、学習を行なって学習モデル16を生成する。これにより、学習モデル16は、波形量毎に生成される。
変形例2では、学習部14は、入力データとなる波形データの観測点毎に、学習モデル16を生成する。具体的には、学習部14は、地震検知装置毎(地震計毎)に、そこで取得された波形データのみを用いて、学習モデル16を生成する。
変形例3では、学習部14は、入力データとなる波形データの観測点における地盤特性毎に、学習モデル16を生成する。具体的には、例えば、地盤増幅率等の地盤特性(地点データの値)に応じて、観測点(地震検知装置20)がグルーピングされているとする。この場合、学習部14は、グループ毎に、グループで得られた波形データのみを用いて、学習モデル16を生成する。
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1〜A4、図5に示すステップB1〜B3を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1における震央距離推定装置10と震央距離推定方法とを実現することができる。この場合、コンピュータのCPU(Central Processing Unit)は、地震情報取得部11、推定処理部12、学習情報取得部13、及び学習部14として機能し、処理を行なう。
次に、本発明の実施の形態2における、震央距離推定装置、震央距離推定方法、及びプログラムについて、図6〜図8を参照しながら説明する。
最初に、図6を用いて、本実施の形態2における震央距離推定装置の構成について説明する。図6は、本発明の実施の形態2における震央距離推定装置の構成を具体的に示すブロック図である。
次に、本実施の形態2における震央距離推定装置40の動作について図7及び図8を用いて説明する。以下の説明においては、適宜図1〜図6を参酌する。また、本実施の形態2では、震央距離推定装置40を動作させることによって、震央距離推定方法が実施される。よって、本実施の形態2における震央距離推定方法の説明は、以下の震央距離推定装置40の動作説明に代える。
以上のように、本実施の形態2では、波形前処理部41による前処理により、学習に用いられる波形データにおいて、ノイズの抑制化、特徴の顕在化が行なわれる。このため、本実施の形態2によれば、学習モデルの精度が向上し、結果、推定精度の向上も図られることになる。
ここで、実施の形態1及び2におけるプログラムを実行することによって、震央距離推定装置を実現するコンピュータについて図9を用いて説明する。図9は、本発明の実施の形態1及び2における震央距離推定装置を実現するコンピュータの一例を示すブロック図である。
発生した地震の波形データを取得する、地震情報取得部と、
地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備えている、ことを特徴とする震央距離推定装置。
地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、学習部を更に備え、
前記推定処理部は、前記学習部によって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記1に記載の震央距離推定装置。
前記学習部が、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記地震情報取得部が、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記推定処理部が、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記2に記載の震央距離推定装置。
前記学習処理部が、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記推定処理部が、前記震央距離に加えて、震源の深さも推定する、
付記2または3に記載の震央距離推定装置。
前記学習処理部が、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記2〜4のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2〜5のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2〜5のいずれかに記載の震央距離推定装置。
前記学習部が、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記2〜5のいずれかに記載の震央距離推定装置。
前記学習部において前記入力データとして用いられる波形データ、及び前記地震情報取得部において取得される波形データに対して、前処理を実行する、波形前処理部を更に備えている、
付記1〜8のいずれかに記載の震央距離推定装置。
前記波形前処理部が、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記9に記載の震央距離推定装置。
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有する、ことを特徴とする震央距離推定方法。
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に有し、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記11に記載の震央距離推定方法。
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記12に記載の震央距離推定方法。
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記12または13に記載の震央距離推定方法。
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記12〜14のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12〜15のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12〜15のいずれかに記載の震央距離推定方法。
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記12〜15のいずれかに記載の震央距離推定方法。
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に有する、
付記11〜18のいずれかに記載の震央距離推定方法。
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記19に記載の震央距離推定方法。
コンピュータに、
(a)発生した地震の波形データを取得する、ステップと、
(b)地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させる、プログラム。
前記コンピュータに、
(c)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップを更に実行させ、
前記(b)のステップにおいて、前記(c)のステップによって生成された学習モデルに、取得された前記波形データを適用して、震央距離を推定する、
付記21に記載のプログラム。
前記(c)のステップにおいて、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記(a)のステップにおいて、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記(b)のステップにおいて、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
付記22に記載のプログラム。
前記(c)のステップにおいて、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記(b)のステップにおいて、前記震央距離に加えて、震源の深さも推定する、
付記22または23に記載のプログラム。
前記(c)のステップにおいて、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
付記22〜24のいずれかに記載のプログラム。
前記(c)のステップにおいて、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22〜25のいずれかに記載のプログラム。
前記(c)のステップにおいて、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22〜25のいずれかに記載のプログラム。
前記(c)のステップにおいて、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記(b)のステップにおいて、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
付記22〜25のいずれかに記載のプログラム。
前記コンピュータに、
(d)前記(c)のステップにおいて前記入力データとして用いられる波形データ、及び前記(a)のステップにおいて取得される波形データに対して、前処理を実行する、ステップを更に実行させる、
付記21〜28のいずれかに記載のプログラム。
前記(d)のステップにおいて、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
付記29に記載のプログラム。
11 地震情報取得部
12 推定処理部
13 学習情報取得部
14 学習部
15 記憶部
16 学習モデル
20 地震検知装置
30 地震活動等総合監視システム
40 震央距離推定装置(実施の形態2)
41 波形前処理部
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (10)
- 地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、学習部と、
発生した地震の波形データを取得する、地震情報取得部と、
前記学習部によって地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、推定処理部と、
を備え、
前記学習部が、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
ことを特徴とする震央距離推定装置。 - 前記学習部が、前記波形データに加えて、前記波形データが得られた地点の地点データも入力データとして、前記波形データ及び前記地点データと前記震央距離との関係を学習して、前記学習モデルを生成し、
前記地震情報取得部が、前記波形データに加えて、発生した地震の波形データが得られた地点の地点データも取得し、
前記推定処理部が、前記学習モデルに対して、前記波形データに加えて、取得された前記地点データも適用して、前記震央距離を推定する、
請求項1に記載の震央距離推定装置。 - 前記学習処理部が、前記正解データとして、前記地震の震源の深さを更に用いて、前記波形データと前記震央距離及び前記震源の深さとの関係を学習して、前記学習モデルを生成し、
前記推定処理部が、前記震央距離に加えて、震源の深さも推定する、
請求項1または2に記載の震央距離推定装置。 - 前記学習処理部が、学習によって、ニューラルネットワークを構築し、前記ニューラルネットワークを学習モデルとする、
請求項1〜3のいずれかに記載の震央距離推定装置。 - 前記学習部が、入力データとなる波形データの観測点毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点を特定し、特定した観測点に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
請求項1〜4のいずれかに記載の震央距離推定装置。 - 前記学習部が、入力データとなる波形データの観測点における地盤特性毎に、前記学習モデルを生成し、
前記推定処理部が、取得された前記波形データの観測点の地盤特性を特定し、特定した地盤特性に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
請求項1〜4のいずれかに記載の震央距離推定装置。 - 前記学習部において前記入力データとして用いられる波形データ、及び前記地震情報取得部において取得される波形データに対して、前処理を実行する、波形前処理部を更に備えている、
請求項1〜6のいずれかに記載の震央距離推定装置。 - 前記波形前処理部が、前記前処理として、画像変換処理、エンベロープ変換処理、バンドパス変換処理、微分変換処理、及びフーリエ変換処理のうち、少なくとも1つの処理を実行する、
請求項7に記載の震央距離推定装置。 - (a)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップと、
(b)発生した地震の波形データを取得する、ステップと、
(c)前記(a)のステップで地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を有し、
前記(a)のステップで、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(c)のステップで、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
ことを特徴とする震央距離推定方法。 - コンピュータに、
(a)地震の波形データを入力データとし、前記地震の震央距離を正解データとして、波形データと震央距離との関係を学習し、学習結果を示す学習モデルを生成する、ステップと、
(b)発生した地震の波形データを取得する、ステップと、
(c)前記(a)のステップで地震の波形データと震央距離との関係を学習して得られた学習モデルに、取得された前記波形データを適用して、震央距離を推定する、ステップと、
を実行させ、
前記(a)のステップで、入力データとなる波形データの波形量毎に、前記学習モデルを生成し、
前記(c)のステップで、取得された前記波形データの波形量を算出し、算出した波形量に基づいて、生成された前記学習モデルそれぞれの中から、使用する前記学習モデルを選択し、選択した前記学習モデルに、取得された前記波形データを適用して、前記震央距離を推定する、
プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016136310 | 2016-07-08 | ||
JP2016136310 | 2016-07-08 | ||
PCT/JP2017/024735 WO2018008708A1 (ja) | 2016-07-08 | 2017-07-05 | 震央距離推定装置、震央距離推定方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018008708A1 JPWO2018008708A1 (ja) | 2019-04-11 |
JP6677300B2 true JP6677300B2 (ja) | 2020-04-08 |
Family
ID=60912878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018526428A Active JP6677300B2 (ja) | 2016-07-08 | 2017-07-05 | 震央距離推定装置、震央距離推定方法、及びプログラム |
Country Status (6)
Country | Link |
---|---|
JP (1) | JP6677300B2 (ja) |
CN (1) | CN109416408B (ja) |
PE (1) | PE20190303A1 (ja) |
PH (1) | PH12018502661A1 (ja) |
TW (1) | TWI687711B (ja) |
WO (1) | WO2018008708A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7156613B2 (ja) * | 2018-10-01 | 2022-10-19 | 東電設計株式会社 | 津波予測装置、方法、及びプログラム |
WO2020196292A1 (ja) * | 2019-03-26 | 2020-10-01 | 国立研究開発法人海洋研究開発機構 | 地震推定方法、地震推定プログラム、及び、地震推定装置 |
CN114222934A (zh) | 2019-08-20 | 2022-03-22 | 日本电气株式会社 | 地震观测设备、地震观测方法以及记录介质 |
CN111538076B (zh) * | 2020-05-13 | 2021-08-03 | 浙江大学 | 基于深度学习特征融合的地震震级快速估算方法 |
JP7423427B2 (ja) * | 2020-06-04 | 2024-01-29 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7512090B2 (ja) * | 2020-06-04 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7471924B2 (ja) * | 2020-06-04 | 2024-04-22 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
WO2022018789A1 (ja) * | 2020-07-20 | 2022-01-27 | 日本電信電話株式会社 | 予測方法、学習方法、予測装置、学習装置、予測プログラム及び学習プログラム |
JP7512139B2 (ja) | 2020-09-14 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル提供方法、及び、地震動評価モデル提供装置 |
JP7512151B2 (ja) | 2020-09-24 | 2024-07-08 | 清水建設株式会社 | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
JP7499137B2 (ja) | 2020-10-01 | 2024-06-13 | 清水建設株式会社 | 地震時諸現象統合評価モデル生成方法、地震時諸現象統合評価モデル生成装置、地震時諸現象統合評価方法、及び、地震時諸現象統合評価装置 |
CN114371504B (zh) * | 2022-01-11 | 2022-09-02 | 西南交通大学 | 一种地震震中位置确定方法、装置、设备及可读存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1164533A (ja) * | 1997-08-21 | 1999-03-05 | Kajima Corp | ニューラルネットワークによる自己学習機能を持った地震早期検知システム |
JP2000242497A (ja) * | 1999-02-19 | 2000-09-08 | Fuji Electric Co Ltd | ファジィ推論モデルの構築支援方法及びファジィ推論方法 |
US20060059112A1 (en) * | 2004-08-25 | 2006-03-16 | Jie Cheng | Machine learning with robust estimation, bayesian classification and model stacking |
JP2006170739A (ja) * | 2004-12-15 | 2006-06-29 | Kajima Corp | 緊急地震速報を用いた地震防災システム |
JP2007071707A (ja) * | 2005-09-07 | 2007-03-22 | Taisei Corp | リアルタイム地震情報を利用した地震動強さの予測方法および防災システム |
JP5591759B2 (ja) * | 2011-05-12 | 2014-09-17 | 公益財団法人鉄道総合技術研究所 | 単独観測点処理における震央距離推定方法 |
JP5958470B2 (ja) * | 2011-08-19 | 2016-08-02 | 日本電気株式会社 | マグニチュード推定装置、マグニチュード推定方法、及びプログラム |
US9465121B2 (en) * | 2011-08-19 | 2016-10-11 | National Applied Research Laboratories | System and method for on-site instant seismic analysis |
JP5638571B2 (ja) * | 2012-06-25 | 2014-12-10 | 株式会社中電シーティーアイ | 模擬地震波を作成する方法および模擬地震波作成プログラムならびに模擬地震波作成プログラムを記録したコンピュータ読み取り可能な記録媒体 |
TWI444648B (zh) * | 2012-09-12 | 2014-07-11 | Nat Applied Res Laboratories | 運用類神經網路之現地型地震即時分析系統及其方法 |
CN105223614B (zh) * | 2015-09-23 | 2017-06-23 | 中南大学 | 一种基于dwt_sta/lta的含噪信号p波初至峰度拾取方法 |
-
2017
- 2017-07-05 CN CN201780042233.XA patent/CN109416408B/zh active Active
- 2017-07-05 WO PCT/JP2017/024735 patent/WO2018008708A1/ja active Application Filing
- 2017-07-05 PE PE2019000014A patent/PE20190303A1/es unknown
- 2017-07-05 JP JP2018526428A patent/JP6677300B2/ja active Active
- 2017-07-06 TW TW106122623A patent/TWI687711B/zh active
-
2018
- 2018-12-17 PH PH12018502661A patent/PH12018502661A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
PE20190303A1 (es) | 2019-02-28 |
TWI687711B (zh) | 2020-03-11 |
WO2018008708A1 (ja) | 2018-01-11 |
CN109416408B (zh) | 2021-04-06 |
CN109416408A (zh) | 2019-03-01 |
PH12018502661A1 (en) | 2019-10-21 |
JPWO2018008708A1 (ja) | 2019-04-11 |
TW201812339A (zh) | 2018-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6677300B2 (ja) | 震央距離推定装置、震央距離推定方法、及びプログラム | |
JP7259969B2 (ja) | 地震観測装置、地震観測方法、プログラム、及び、コンフィギュレーションプログラム | |
US9473849B2 (en) | Sound source direction estimation apparatus, sound source direction estimation method and computer program product | |
Brehm et al. | An automatic mode pairing strategy using an enhanced modal assurance criterion based on modal strain energies | |
Simoen et al. | Uncertainty quantification in the assessment of progressive damage in a 7-story full-scale building slice | |
JP6237774B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
Li et al. | Damage detection of a continuous bridge from response of a moving vehicle | |
Aloisio et al. | Assessment of structural interventions using Bayesian updating and subspace-based fault detection methods: The case study of S. Maria di Collemaggio basilica, L’Aquila, Italy | |
Jana et al. | Computer vision‐based real‐time cable tension estimation algorithm using complexity pursuit from video and its application in Fred‐Hartman cable‐stayed bridge | |
Zhou et al. | Physical parameter identification of structural systems with hysteretic pinching | |
CN108875178B (zh) | 用于减小结构模态识别不确定性的传感器布置方法 | |
JP6679166B2 (ja) | 安全性診断装置、安全性診断方法及び安全性診断プログラム | |
JP6729577B2 (ja) | 信号検知装置、信号検知方法およびプログラム | |
US20190178814A1 (en) | State assessing device, state assessing method, and storage medium for storing program | |
Impraimakis et al. | Input–parameter–state estimation of limited information wind‐excited systems using a sequential Kalman filter | |
KR101543146B1 (ko) | 진동 장치의 상태 판단 방법 | |
US20200278241A1 (en) | Vibration determination device, vibration determination method, and program | |
US20220205955A1 (en) | Identification apparatus, identification method, identification processing program, generation apparatus, generation method, and generation processing program | |
US10572609B2 (en) | Method and apparatus to model objects including particles | |
Mendrok et al. | Operational modal filter and its applications | |
Aliev et al. | Algorithms for determining the coefficient of correlation and cross-correlation function between a useful signal and noise of noisy technological parameters | |
JP7297240B2 (ja) | ユーザ状態推定装置 | |
Pedder et al. | Applications of EOF analysis to the spatial estimation of circulation features in the ocean sampled by high-resolution CTD soundings | |
JP4676920B2 (ja) | 信号分離装置、信号分離方法、信号分離プログラム及び記録媒体 | |
JP7512096B2 (ja) | 健全性評価システム及び健全性評価方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181210 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181210 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200212 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6677300 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |