基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法

禹海涛; 朱晨阳; 傅大宝; 许乃星; 卢哲超; 蔡辉腾

doi:10.11779/CJGE20230766

基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法 English Version

禹海涛^{1, 2,},
朱晨阳^{2, 3},
傅大宝³,
许乃星³,
卢哲超³,
蔡辉腾⁴

1.
同济大学土木工程防灾减灾全国重点实验室, 上海 200092
2.
同济大学土木工程学院地下建筑与工程系, 上海 200092
3.
福州市可持续发展城市研究院有限公司, 福建福州 350100
4.
福建省地震局, 福建福州 350003

基金项目:

国家重点研发计划项目 2022YFE0128400

国家自然科学基金面上项目 42177134

中央高校基本科研业务费专项资金项目

详细信息

作者简介:
禹海涛(1983—)，男，博士，教授，主要从事地下工程防灾减灾方面的研究工作。E-mail: yuhaitao@tongji.edu.cn

中图分类号: TU411
计量
- 文章访问数: 285
- HTML全文浏览量: 37
- PDF下载量: 75
出版历程
- 收稿日期: 2023-08-10
- 网络出版日期: 2024-07-08
- 刊出日期: 2024-11-30

A hybrid method to identify pulse-like ground motions and pulse periods based on ST-CNN

1.
State Key Laboratory of Disaster Reduction in Civil Engineering, Tongji University, Shanghai 200092, China
2.
Department of Geotechnical Engineering College of Civil Engineering, Tongji University, Shanghai 200092, China
3.
Fuzhou Research Institute of Sustainable Development in Cities Ltd., Fuzhou 350100, China
4.
Earthquake Administration of Fujian Province, Fuzhou 350003, China

摘要

摘要: 如何快速准确地识别脉冲型地震动是困扰学术界和工程界的关键难题，定量识别方法虽然能够克服人工识别的经验性限制，但是传统定量识别方法存在识别结果不一致、适用范围不广泛、难以同时识别脉冲周期或识别的脉冲周期部分情况下差异明显等问题。为此建立了一种问题针对性融合学习规则并结合卷积神经网络（CNN），开发出了一种新的脉冲型地震动与脉冲周期同步识别方法。该学习规则通过对基于不同识别原理的多个传统典型识别方法进行融合学习并采用全球范围的30000条任意方向地震动数据进行训练和验证，摒弃了以往繁琐的人工标记过程并得到了3个问题针对性识别模型，分别命名为Strict识别模型、General识别模型以及T_P识别模型。除此之外，为解决地震动时序输入信息不足从而导致模型泛化能力较弱的问题，对CNN的输入结构进行了优化增强，提出了ST-CNN模型。其引入了S变换层以将地震动时序变换至时频，从而增加了频域分布信息并进一步提高了识别精度。结果表明：Strict识别模型能严格区分脉冲型与非脉冲型地震动，识别结果得到已有方法的一致认可；General识别模型的识别能力更强，适用范围更加广泛；T_P识别模型识别的脉冲周期更加准确，并可与前述识别模型并用以同步输出识别结果。提出的问题针对性融合学习规则还可推广至其他工程领域与其他机器学习模型，建立的识别方法可为脉冲型地震动研究提供科学指导。
- 脉冲型地震动 /
- 脉冲周期 /
- 识别方法 /
- 卷积神经网络 /
- S变换
Abstract: The rapid and precise identification of the pulse-like ground motions is a key challenge that perplexes both the academic and engineering communities. The quantitative identification methods can overcome the empirical limitations of manual identification. However, the traditional quantitative identification methods suffer from inconsistencies in the identified results, limited applicability, and difficulties in simultaneously determining the accurate pulse periods. In response, a problem-targeted fusion learning rule is established, combined with a convolutional neural network (CNN) model, to develop a novel method to synchronously identify pulse-like ground motions and their pulse periods. This learning rule integrates multiple traditional typical identification methods based on different identification principles, thereby eliminating the cumbersome manual labeling process. It employs 30000 ground motion data from arbitrary directions worldwide for training and validation, resulting in three problem-targeted CNN models named the Strict, General, and T_P identification models. To address the issue of insufficient temporal input information for ground motions leading to weak model generalization capability, the input structure of the CNN model is optimized, and the ST-CNN model is proposed, incorporating the S-transform layer to convert ground motion time series to time frequency, thereby enhancing frequency domain distribution information and further improving the identification accuracy. The results indicate that the Strict model can strictly differentiate between the pulse-like and non-pulse-like ground motions, with the results consistent with those of other methods. The General model can identify more pulse-like ground motions and has broader applicability. The T_P model accurately identifies pulse periods and can be used in conjunction with the aforementioned models to synchronously output the identified results. The proposed problem-targeted fusion learning rule can also be extended to other engineering fields and other machine learning models, and the established identification method can provide scientific guidance for the study on the pulse-like ground motions.
- pulse-like ground motion /
- pulse period /
- identification method /
- convolutional neural network /
- S-transform

HTML全文

0. 引言

粗粒土是一种常见的筑坝材料。粗粒土剪切过程中的颗粒破碎现象明显^[1],这是引起堆石坝发生变形的重要原因之一。随着中国超高坝的建设,越来越多的学者开始关注高应力作用下粗粒土颗粒的破碎特性^[2-5]。但是,由于试验条件的限制,宏观试验只能根据破碎前后的级配曲线演化来推断颗粒破碎程度。与宏观试验相比,近年来日益成熟的离散元法（discrete element method,简称DEM）数值模拟为从细观层面对粗粒土颗粒破碎进行研究提供了新途径^[6-10]。

在DEM数值模拟中,颗粒强度和弹性力学参数是模拟颗粒破碎以及颗粒—颗粒、颗粒—边界相互作用的重要材料特性,是影响数值模拟结果的关键因素之一。目前主流的细观参数标定方法,通常是先假定一组细观参数,通过对参数及其组合的调整使数值试样的宏观力学表现不断逼近土体的真实行为,直到数值试验与室内试验得到的宏观力学性质曲线基本接近时,认为该组细观参数已具备一定合理性,可以用于后续的数值计算中。这种依托于使用者经验的“试错法”需进行多次尝试并有一定的盲目性。考虑到DEM数值模拟建立在细观颗粒间相互作用的基础上,通过物理力学试验获得颗粒强度和弹性力学参数的真实分布规律,可以为DEM数值模拟的细观参数标定提供规律性方面的参考和支撑。

粗粒土的DEM数值模拟中需要考虑的细观参数主要是颗粒强度和弹性模量,关于它们的研究主要集中在两个方面。一是颗粒参数的离散性。以颗粒强度为例,比如McDowell等^[11-12]提出用Weibull分布来描述颗粒强度的分布特点,但是迟世春等^[13]对石灰岩颗粒进行相同试验之后却发现用该分布拟合颗粒强度离散性的效果不佳；另外还有张明等^[14]提出用对数正态分布来描述颗粒强度的随机性在实际应用上更为合理,米晓飞等^[15]用Logistic函数对颗粒强度的随机分布特点进行了描述。上述关于颗粒参数离散性分布特征的研究都是在确定某一特定分布函数后对试验结果进行拟合,对于结果缺少在不同分布类型之间的对比选优。二是颗粒参数的尺寸效应。目前对于颗粒强度的尺寸效应研究很多,结果表明粗粒土颗粒强度与颗粒尺寸之间存在着较强的相关性,这种相关性通常用幂函数关系来表示^[12-13,16]；而对于颗粒弹性模量的尺寸效应研究不多。总体来说,国内外学者对于粗粒土颗粒强度的研究已取得较为丰富的成果；虽然关于粒状材料的弹性力学参数的研究案例并不少^[17-21],但是对于粗粒土颗粒的弹性力学参数进行研究的先例却不多；目前,对于粗粒土颗粒的研究主要集中在粒径60 mm以下的小尺寸范围,得到的尺寸效应模型能否适用于更大的粒径范围也值得探究。

本文基于20～120 mm的粗粒土颗粒单轴压缩试验结果,确定颗粒强度和弹性模量,用统计学中的K-S检验法从Weibull分布、Lognormal分布和Logistic分布中分别比选出它们的最优分布类型,给出它们各自的尺寸效应经验模型。然后采用240 mm粗粒土颗粒的试验结果对提出的尺寸效应经验模型进行验证。最后对颗粒刚度的特点进行了初步讨论。

1. 试验材料和方法

本试验采用爆破开采得到的大连石灰岩颗粒,按照粒径大小依次记为①～⑧组,粒径分别为20～24 mm、24～28 mm、28～32 mm、32～36 mm、36～40 mm以及60 mm、120 mm和240 mm。其中,①～⑤组颗粒由常规筛分得到,⑥～⑧组颗粒用特制的圆孔筛（直径分别为60±5,120±5,240±5 mm）挑选得到。为了减少颗粒形状对参数的影响,选取的颗粒几何形状相似,并剔除针状、扁平状等特殊颗粒。

由于石灰岩颗粒不是完全规则的球形,其尺寸仅用筛孔大小难以准确描述。试验时是将颗粒稳定放置在下刚性板上,并且进行多次试放,找到竖直高度最短的稳定放置状态,定义此时的高度为短轴H,并以此稳定状态进行轴向加载；在与H垂直的横截面中,取最大径为长轴L,与L垂直方向上的最大径为中轴W。此处的L、W和H互相垂直,并且满足 $L \geq W \geq H$ 。颗粒尺寸用算术平均径 $d_{a}$ 来衡量,各组颗粒的特征粒径用该组颗粒的算术平均径的均值表示,颗粒形状用球度S_p来描述：

$d_{a} = (L + W + H) / 3$ ,

(1)

$S_{p} = {(L \cdot W \cdot H)}^{1 / 3} / L \times 100 %$ 。

(2)

本文选择的石灰岩颗粒样本的各项基本物理参数详见表1。由于本文试验中各组颗粒样本的球度接近,可以认为形状对各组的影响是相同的。

表 1 石灰岩颗粒的基本物理参数

Table 1. Basic physical parameters of limestone particles

编号	粒组/mm	个数	算数平均径d_a/mm	球度S_p/%	质量m/g
①	20~24	82	22.13±1.97	74.07±7.53	11.24±2.90
②	24~28	78	25.83±2.03	76.54±7.49	18.10±3.72
③	28~32	76	30.17±2.25	74.34±6.99	26.50±5.99
④	32~36	77	33.81±2.43	75.70±7.49	37.26±7.89
⑤	36~40	76	37.32±2.88	75.99±7.13	48.57±9.81
⑥	60	35	53.89±4.48	77.98±6.68	183.52±31.40
⑦	120	38	120.99±8.31	77.30±6.25	2532.56±2928.13
⑧	240	20	225.35±16.42	78.80±5.07	13357.50±1884.72
注：表中格式为“均值±标准差”。

下载: 导出CSV

| 显示表格

由于本文试验所用石灰岩颗粒的粒径范围大,为保证试验顺利进行,①～⑤组颗粒使用图1（a）所示装置进行单轴压缩试验,⑥～⑧组颗粒使用图1（b）所示装置进行单轴压缩试验。上述两种装置的试验原理相同,加载方式可以采用位移控制或力控制,试验过程相当于上、下两个平行的刚性平面挤压颗粒直至破碎。这两种装置只有最大加载能力和刚性平面最大间距存在区别。

图 1 试验装置示意图

Figure 1. Schematic diagram of test instrument

下载: 全尺寸图片幻灯片

试验前将颗粒在烘箱内连续干燥6 h以上。将颗粒置于两刚性板间,通过控制位移施加轴向荷载,加载速率取0.5 mm/min,试验过程中自动记录荷载和位移。当观察到颗粒发生主体破坏后便停止加载,主体破坏是指颗粒产生贯穿型裂缝或分裂为几块。颗粒破碎前后的情况如图2所示,其荷载–位移曲线如图3所示。由于颗粒形状的不规则性会引起颗粒与刚性板之间的接触点附近产生应力集中,造成颗粒的局部压裂或者棱角破碎,反映在荷载–位移曲线上为荷载突然跌落,曲线呈现锯齿状。

图 2 颗粒破碎前后的照片

Figure 2. Photos of a particle before and after breakage

下载: 全尺寸图片幻灯片

图 3 石灰岩颗粒的荷载–位移曲线

Figure 3. Force-displacement curve of limestone particles

下载: 全尺寸图片幻灯片

2. 颗粒强度和弹性模量的确定

2.1 颗粒强度指标的确定

石灰岩颗粒强度指标由下式计算^[22]：

$σ_{c} = \frac{F_{f}}{d^{2}}$ ,

(3)

式中, $σ_{c}$ 为颗粒强度指标, $F_{f}$ 为颗粒破坏荷载,d为颗粒粒径,此处取每个颗粒的实际受力长度,即两刚性板之间的距离。

2.2 颗粒弹性模量的确定

文献[23]介绍了一种建立在固体力学中计算接触应力的赫兹理论的基础之上,用于计算质地相对坚硬且均匀的粒状材料弹性模量的方法。该方法所使用的试验手段和材料变形过程都与本文的试验研究极为相似,两刚性板的挤压是导致颗粒材料发生变形直至最后破坏的驱动力,所以本文采用该方法对石灰岩颗粒的弹性模量进行了计算。

上述方法将受到两刚性板挤压的不规则颗粒（如图4所示）的荷载–位移关系用下式表示：

图 4 不规则颗粒受压示意

Figure 4. Diagram of compression on an irregular particle

下载: 全尺寸图片幻灯片

$F = \frac{E}{0.338 K (1 - ν^{2})} \cdot s^{3 / 2}$ 。

(4)

式中 $F$ 为轴向荷载； $s$ 为轴向荷载 $F$ 作用下的变形量； $ν$ 为泊松比,本文根据文献[24]中对各类岩石泊松比的汇总,假设石灰岩的泊松比 $ν = 0.25$ ； $E$ 为颗粒弹性模量；K为和颗粒接触点曲率有关的参数,引入该参数是因为颗粒表面粗糙导致接触点附近并非绝对光滑且连续,

$K = {[K_{U} {(\frac{1}{R_{U}} + \frac{1}{{R^{'}}_{U}})}^{1 / 3} + K_{L} {(\frac{1}{R_{L}} + \frac{1}{{R^{'}}_{L}})}^{1 / 3}]}^{3 / 2}$ 。

(5)

式中 ${R^{'}}_{U}$ , $R_{U}$ 分别为颗粒与上刚性板接触点处的最大和最小曲率半径； ${R^{'}}_{L}$ , $R_{L}$ 分别为颗粒与下刚性板接触点处的最大和最小曲率半径； $K_{U}$ , $K_{L}$ 为主曲率半径决定的常数,通过计算 $\cos θ$ ,可以从表2中对应查取, $θ$ 为颗粒表面与刚性板接触点处接触主平面的夹角（°）,根据赫兹接触理论有 $K_{U}$ 和 $K_{L}$ 分别对应的 $\cos θ$ 表达式为

表 2 不同的θ对应的K_U（K_L）值（节选）^[23]

Table 2. Values of K_U (K_L) for various values of θ (excerpts)^[23]

θ/(°)	50	55	60	…	80	85	90
cos θ	0.6428	0.5736	0.5000	…	0.1736	0.0872	0.0
K_U(K_L)	1.198	1.235	1.267	…	1.342	1.349	1.351

下载: 导出CSV

| 显示表格

$\begin{array}{l} K_{U} ： & \cos θ = (1 / R_{U} - 1 / {R^{'}}_{U}) / (1 / R_{U} + 1 / {R^{'}}_{U}) & , \\ K_{L} ： & \cos θ = (1 / R_{L} - 1 / {R^{'}}_{L}) / (1 / R_{L} + 1 / {R^{'}}_{L}) & 。 \end{array}}$

(6)

具体结合本文试验,石灰岩颗粒在自重下处于自稳定状态。可以认为颗粒与下刚性板之间近似面面接触,与上刚性板之间近似点面接触。这种情况下,颗粒与下刚性板接触点处的曲率 ${R^{'}}_{L} = R_{L} = \infty$ 。此时可以将式（4）具体写成

$F = \frac{E}{0.338 (1 - ν^{2}) {[K_{U} {(1 / R_{U} + 1 / {R^{'}}_{U})}^{1 / 3}]}^{3 / 2}} \cdot s^{3 / 2}$ ,

(7)

式中, ${R^{'}}_{U}$ , $R_{U}$ 由颗粒的L,W和H计算^[18]：

${R^{'}}_{U} = (L^{2} / 4 + H^{2}) / (2 H)$ ,

(8)

$R_{U} = (W^{2} / 4 + H^{2}) / (2 H)$ ,

(9)

继续将式（7）简写为

$F = C_{H} \cdot s^{3 / 2}$ ,

(10)

式中, $C_{H}$ 可以由颗粒破坏前的荷载–位移曲线拟合得到。因而,颗粒弹性模量E如下所示：

$E = 0.338 C_{H} (1 - ν^{2}) {[K_{U} {(\frac{1}{R_{U}} + \frac{1}{{R^{'}}_{U}})}^{1 / 3}]}^{3 / 2}$ 。

(11)

3. 数理统计和分析

3.1 参数的数理统计方法

本文首先采用格布拉斯准则^[25]检测样本中的异常值。设 $X = (X_{1}, X_{2}, \dots, X_{n})$ 是待检测数据,如果最值 $X_{i}$ 满足下式则为异常值,应予剔除。

$\frac{| X_{i} - \bar{X} |}{S} \geq G (N, α)$ 。

(12)

式中 $\bar{X}$ 和 $S$ 分别为样本均值和标准差； $G$ 为格拉布斯临界值,根据样本容量 $N$ 和显著性水平 $α$ 查表^[25]得到。在剔除某一异常值后,应继续对余下的样本点进行检测,直到没有异常值为止。

然后根据已有研究经验^[11-17],本文尝试用Weibull分布、Lognormal分布和Logistic分布对颗粒强度 $σ_{c}$ 和弹性模量E分别进行统计。

最后对于每个参数,使用K-S检验法^[26]定量地判断假设的概率分布类型是否合适,并从中确定最优分布形式。该方法通过将选定的分布类型的理论累积概率与观察到的经验累积概率进行比较,找出它们之间最大的差值,并参照抽样分布,给出这一差异是否处于偶然。如果两者较为接近,则表明实际样本的分布类型与假设的理论分布类型拟合程度很高。所有的统计分析均在显著性水平 $α = 0.05$ 的条件下进行,即置信度为95%。

3.2 参数的最优分布类型

采用式（3）,（11）对各粒组的颗粒强度 $σ_{c}$ 和弹性模量E进行整理,绘制参数统计直方图,并采用K-S检验法分别对3种假设分布类型进行了检验。其中,28～32 mm粒组的参数统计直方图和最优概率密度曲线如图5所示,限于篇幅,其他粒组略。各粒组的K-S检验结果详见表3,结果表明：①参数 $σ_{c}$ 和E对于Weibull分布、Lognormal分布和Logistic分布都可接受；②对参数 $σ_{c}$ 和E可以直接判定最优分布类型是Lognormal分布。

图 5 石灰岩颗粒参数统计直方图和最优概率密度曲线

Figure 5. Statistical histograms and optimal probability density functions of parameters for limestone particles

下载: 全尺寸图片幻灯片

表 3 石灰岩颗粒强度和弹性模量分布类型的K-S检验

Table 3. K-S test results of distribution types for strength and elastic modulus of limestone particles

编号	粒组/mm	颗粒强度					弹性模量
编号	粒组/mm	均值/MPa	分布形式	K-S值	判断	最优分布	均值/MPa	分布形式	K-S值	判断	最优分布
①	20~24	13.108	Weibull	0.085	满足	Lognormal	1005.193	Weibull	0.097	满足	Lognormal
			Lognormal	0.055	满足			Lognormal	0.073	满足
			Logistic	0.068	满足			Logistic	0.103	满足
②	24~28	12.389	Weibull	0.092	满足	Lognormal	1113.994	Weibull	0.095	满足	Lognormal
			Lognormal	0.062	满足			Lognormal	0.089	满足
			Logistic	0.096	满足			Logistic	0.092	满足
③	28~32	11.977	Weibull	0.078	满足	Lognormal	928.598	Weibull	0.073	满足	Lognormal
			Lognormal	0.056	满足			Lognormal	0.072	满足
			Logistic	0.089	满足			Logistic	0.085	满足
④	32~36	11.673	Weibull	0.128	满足	Lognormal	839.674	Weibull	0.100	满足	Lognormal
			Lognormal	0.112	满足			Lognormal	0.067	满足
			Logistic	0.126	满足			Logistic	0.084	满足
⑤	36~40	10.438	Weibull	0.084	满足	Lognormal	801.380	Weibull	0.102	满足	Lognormal
			Lognormal	0.040	满足			Lognormal	0.084	满足
			Logistic	0.077	满足			Logistic	0.126	满足
⑥	60	6.442	Weibull	0.113	满足	Lognormal	544.306	Weibull	0.135	满足	Lognormal
			Lognormal	0.079	满足			Lognormal	0.096	满足
			Logistic	0.089	满足			Logistic	0.138	满足
⑦	120	5.242	Weibull	0.103	满足	Lognormal	422.451	Weibull	0.169	满足	Lognormal
			Lognormal	0.048	满足			Lognormal	0.107	满足
			Logistic	0.076	满足			Logistic	0.143	满足
⑧	240	3.394	Weibull	0.117	满足	Lognormal	281.528	Weibull	0.125	满足	Lognormal
			Lognormal	0.084	满足			Lognormal	0.119	满足
			Logistic	0.126	满足			Logistic	0.121	满足

下载: 导出CSV

| 显示表格

3.3 参数的尺寸效应模型

为进一步研究颗粒强度和弹性模量与粒径的相关性,选择参数均值作为其代表值绘制于图6中。由图6可知这两个参数与颗粒尺寸之间存在着明显的非线性相关性。为了能够简单明了地描述这一关系,采用式（13）的幂函数表达式对这一关系进行了拟合,并且将拟合结果作为参数的尺寸效应经验模型,拟合结果详见表4。

图 6 石灰岩颗粒参数的尺寸效应曲线

Figure 6. Curves of size effect of parameters for limestone particles

下载: 全尺寸图片幻灯片

表 4 参数的尺寸效应模型

Table 4. Models for size effect of parameters

参数名称	代表值含义及符号	尺寸效应模型	r²	预测误差/%
颗粒强度	均值 $σ_{0}$	$σ_{0} =89 .71 {\bar{d}}_{a}^{- 0.606}$	0.92	0.58
弹性模量	均值 $E_{0}$	$E_{0} = 7351 {\bar{d}}_{a}^{- 0.615}$	0.91	6.61

下载: 导出CSV

| 显示表格

$y = λ {\bar{d}}_{a}^{n}$ 。

(13)

式中 $y$ 为待研究参数代表值； ${\bar{d}}_{a}$ 为颗粒算数平均径的均值； $λ$ 和 $n$ 为拟合参数。为了验证本文所给的参数尺寸效应经验模型是否准确,对240 mm的颗粒试验结果进行了预测,颗粒强度 $σ_{c}$ 、弹性模量E的预测值和试验值之间的相对误差分别为0.58%,6.61%,在可接受范围内。这表明,本文所给出的参数尺寸效应经验模型能够适用于更大的颗粒尺寸范围。尺寸效应经验模型的n值小于0说明大连石灰岩的颗粒强度和弹性模量的均值和颗粒尺寸之间呈负相关。该结果和前人统计结果一致^[12-13,17],同时弥补了对大尺寸不规则颗粒单轴压缩试验结果进行统计分析的空白。

4. 讨论

前文讨论了颗粒强度和弹性模量的随机分布规律和尺寸效应模型,除了上述两个参数外,颗粒刚度也是DEM数值模拟中需要考虑的重要参数之一。对于刚度的认识有两种：①认为刚度是线性的；②认为刚度是非线性的。而目前多把颗粒刚度看作是线性的。为了分析线性刚度和非线性刚度哪个更加符合实际情况,这里对石灰岩颗粒在破坏点之前的荷载—位移曲线进行了线性拟合（ $F = k s$ ）和非线性拟合（ $F = C_{H} s^{3 / 2}$ ）结果的对比,如图7所示。通过对每个颗粒线性拟合和非线性拟合结果的 $r^{2}$ 进行比较,发现本文试验有81.74%的颗粒用非线性拟合比线性拟合效果更好。这说明,在石灰岩颗粒受单轴压缩过程中,颗粒刚度用非线性来描述更加符合实际。

图 7 石灰岩颗粒荷载–位移曲线的线性拟合和非线性拟合结果对比

Figure 7. Comparison between linear fitting and nonlinear fitting results of load-displacement curves for limestone particles

下载: 全尺寸图片幻灯片

5. 结论

本文通过大量大连石灰岩颗粒单轴压缩试验,获得了颗粒强度和弹性模量的随机分布特征和尺寸效应经验模型,并对颗粒刚度的特点进行了初步讨论。这些统计结果反映了粗粒土颗粒在受力变形过程中的力学规律。建议在进行粗粒土DEM数值模拟时,对这些规律加以考虑。

（1）不仅粗粒土颗粒强度具有离散性,而且颗粒弹性模量同样具有离散性,该情况说明粗粒土颗粒在力学特性上表现出固有的离散性。

（2）大连石灰岩颗粒强度和弹性模量的最优概率分布类型是Lognormal分布。

（3）大连石灰岩颗粒强度和弹性模量的均值均与颗粒尺寸之间呈负相关,用幂函数拟合效果较好。可见,粗粒土颗粒强度和弹性模量都具有明显的尺寸效应。

（4）在石灰岩颗粒单轴压缩过程中,颗粒刚度用非线性来描述更加符合实际。

图 1 问题针对性融合学习规则流程图

Figure 1. Flow chart of problem-targeted fusion learning rule

下载: 全尺寸图片幻灯片

图 2 Strict神经网络识别模型结构图

Figure 2. Structural diagram of Strict neural network identification model

下载: 全尺寸图片幻灯片

图 3 脉冲型地震动时序及其时频变换结果对比图

Figure 3. Diagram of a pulse-like ground motion time series and comparison of its time-frequency transformation results

下载: 全尺寸图片幻灯片

图 4 S变换时频输入与时序输入模型性能对比图

Figure 4. Comparison of performance of S-transform time-frequency input models and time-series input models

下载: 全尺寸图片幻灯片

图 5 Strict识别模型自身及与其他方法对比混淆矩阵

Figure 5. Confusion matrix of Strict identification model and comparison with other methods

下载: 全尺寸图片幻灯片

图 6 General识别模型自身及与其他方法对比混淆矩阵

Figure 6. Confusion matrix of General identification model and comparison with other methods

下载: 全尺寸图片幻灯片

图 7 T_P模型的识别结果及与其他3种脉冲周期识别方法的比较图

Figure 7. Identification of T_P identification model and comparison with other identification methods for pulse periods

下载: 全尺寸图片幻灯片

图 8 本研究识别的脉冲周期与地震震级的关系及拟合曲线结果对比

Figure 8. Relationship between pulse periods identified in this study and earthquake magnitude and comparison of fitting curves

下载: 全尺寸图片幻灯片

表 1 ST-CNN模型结构超参数

Table 1 Structural hyperparameters of ST-CNN models

参数	值或函数
输入形式	（100×100，1），（200×200，1），（300×300，1）
卷积层数量	2，3，4
卷积核数量	32，64，128
卷积核大小	（3×3）
池化层数量	2
池化函数	Maxpooling（2×2）
全连接层数量	4
全连接层神经元数量	32，64，128
激活函数	ReLU，Strict和General识别模型最后一层为Softmax，T_P识别模型最后一层无激活函数

下载: 导出CSV

表 2 最优模型性能表现

Table 2 Performance of optimal models

模型	性能表现	值
Strict 最优识别模型	Train CC	0.0657
	Val CC	0.1072
	Train Acc	0.9991
	Val Acc	0.9915
General 最优识别模型	Train CC	0.0499
	Validation CC	0.0900
	Train Acc	0.9995
	Val Acc	0.9900
T_P 最优识别模型	Train MSE	0.0021
	Val MSE	0.0252
	Train MAE	0.0297
	Val MAE	0.0598

下载: 导出CSV

表 3 脉冲周期与地震震级的拟合曲线对比

Table 3 Comparison of fitting curves between pulse periods and earthquake magnitude

来源	回归曲线
T_P识别模型	$\lg {T_\text{P}} = - 2.34 + 0.41{M_\text{W}}$
Baker	$\lg {T_\text{P}} = - 2.49 + 0.44{M_\text{W}}$
SvSd	$\lg {T_\text{P}} = - 2.48 + 0.42{M_\text{W}}$
Chang	$\lg {T_\text{P}} = - 2.48 + 0.42{M_\text{W}}$
Somervile^[19]	$\lg {T_\text{P}} = - 3.00 + 0.50{M_\text{W}}$
Mavroeidis^[8]	$\lg {T_\text{P}} = - 2.20 + 0.40{M_\text{W}}$
Tang等^[20]	$\lg {T_\text{P}} = - 2.18 + 0.38{M_\text{W}}$

下载: 导出CSV

表 4 本文方法运行耗时

Table 4 Time taken to run proposed method

项目	S变换	Strict	General	T_P
耗时/s	0.094	0.071	0.091	0.086

下载: 导出CSV

参考文献(20)

[1]	SOMERVILLE P G, SMITH N F, GRAVES R W, et al. Modification of empirical strong ground motion attenuation relations to include the amplitude and duration effects of rupture directivity[J]. Seismological Research Letters, 1997, 68(1): 199-222. doi: 10.1785/gssrl.68.1.199
[2]	SCHIAPPAPIETRA E, LANZANO G, SGOBBA S. Empirical predictive models for fling step and displacement response spectra based on the NESS database[J]. Soil Dynamics and Earthquake Engineering, 2022, 158: 107294. doi: 10.1016/j.soildyn.2022.107294
[3]	谢俊举, 温增平, 李小军, 等. 基于小波方法分析汶川地震近断层地震动的速度脉冲特性[J]. 地球物理学报, 2012, 55(6): 1963-1972. XIE Junju, WEN Zengping, LI Xiaojun, et al. Analysis of velocity pulses for near-fault strong motions from the Wenchuan earthquake based on wavelet method[J]. Chinese Journal of Geophysics, 2012, 55(6): 1963-1972. (in Chinese)
[4]	谢俊举, 李小军, 温增平. 近断层速度大脉冲对反应谱的放大作用[J]. 工程力学, 2017, 34(8): 194-211. XIE Junju, LI Xiaojun, WEN Zengping. The amplification effects of near-fault distinct velocity pulses on response spectra[J]. Engineering Mechanics, 2017, 34(8): 194-211. (in Chinese)
[5]	SHAHI S K, BAKER J W. An empirically calibrated framework for including the effects of near-fault directivity in probabilistic seismic hazard analysis[J]. The Bulletin of the Seismological Society of America, 2011, 101(2): 742-755. doi: 10.1785/0120100090
[6]	SHAHI S K, BAKER J W. An efficient algorithm to identify strong-velocity pulses in multicomponent ground motions[J]. The Bulletin of the Seismological Society of America, 2014, 104(5): 2456-2466. doi: 10.1785/0120130191
[7]	梅贤丞, 崔臻, 盛谦. 近断层/远场地震动作用下隧道结构易损性研究[J]. 岩石力学与工程学报, 2021, 40(2): 344-354. MEI Xiancheng, CUI Zhen, SHENG Qian. Research on vulnerability of tunnel structures subjected to near-fault and far-field ground motions[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(2): 344-354. (in Chinese)
[8]	MAVROEIDIS G P. A mathematical representation of near-fault ground motions[J]. The Bulletin of the Seismological Society of America, 2003, 93(3): 1099-1131. doi: 10.1785/0120020100
[9]	BAKER J W. Quantitative classification of near-fault ground motions using wavelet analysis[J]. The Bulletin of the Seismological Society of America, 2007, 97(5): 1486-1501. doi: 10.1785/0120060255
[10]	CHANG Z W, SUN X D, ZHAI C H, et al. An improved energy-based approach for selecting pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2016, 45(14): 2405-2411.
[11]	ZHAI C H, LI C H, KUNNATH S, et al. An efficient algorithm for identifying pulse-like ground motions based on significant velocity half-cycles[J]. Earthquake Engineering & Structural Dynamics, 2018, 47(3): 757-771.
[12]	王东升, 陈笑宇, 张锐, 等. 基于希尔伯特-黄变换的近断层地震动脉冲特性研究[J]. 地震学报, 2022, 44(5): 824-844. WANG Dongsheng, CHEN Xiaoyu, ZHANG Rui, et al. Characteristics of pulses in near-fault ground motion based on Hilbert-Huang transform[J]. Acta Seismologica Sinica, 2022, 44(5): 824-844. (in Chinese)
[13]	FUKUSHIMA K. Neocognitron: a self organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biological Cybernetics, 1980, 36(4): 193-202. doi: 10.1007/BF00344251
[14]	XU Y, WEI S Y, BAO Y Q, et al. Automatic seismic damage identification of reinforced concrete columns from images by a region-based deep convolutional neural network[J]. Structural Control and Health Monitoring, 2019, 26(3): e2313. doi: 10.1002/stc.2313
[15]	姬建, 姜振, 殷鑫, 等. 边坡随机场数字图像特征CNN深度学习及可靠度分析[J]. 岩土工程学报, 2022, 44(8): 1463-1473. doi: 10.11779/CJGE202208011 JI Jian, JIANG Zhen, YIN Xin, et al. Slope reliability analysis based on deep learning of digital images of random fields using CNN[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(8): 1463-1473. (in Chinese) doi: 10.11779/CJGE202208011
[16]	MIMOGLOU P, PSYCHARIS I N, TAFLAMPAS I M. Explicit determination of the pulse inherent in pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2014, 43(15): 2261-2281.
[17]	STOCKWELL R G, MANSINHA L, LOWE R P. Localization of the complex spectrum: the S transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.
[18]	ZHAI C, CHANG Z, LI S, et al. Quantitative identification of near-fault pulse-like ground motions based on energy[J]. The Bulletin of the Seismological Society of America, 2013, 103(5): 2591-2603.
[19]	SOMERVILLE P G. Magnitude scaling of the near fault rupture directivity pulse[J]. Physics of the Earth and Planetary Interiors, 2003, 137(1/2/3/4): 201-212.
[20]	TANG Y C, ZHANG J. Response spectrum-oriented pulse identification and magnitude scaling of forward directivity pulses in near-fault ground motions[J]. Soil Dynamics and Earthquake Engineering, 2011, 31(1): 59-76.

施引文献(9)

期刊类型引用(3)

1.	何风贞，李桂臣，阚甲广，许兴亮，冯晓巍，孙元田. 岩石多尺度损伤研究进展. 煤炭科学技术. 2024(10): 33-53 . 百度学术
2.	刘嘉，薛熠，高峰，滕腾，梁鑫. 层理页岩水力裂缝扩展规律的相场法研究. 岩土工程学报. 2022(03): 464-473 . 本站查看
3.	熊祎滢，刘春，刘恒，唐超，周泽栖. 水力耦合作用下岩体破坏现状分析. 四川建筑. 2022(04): 210-212 . 百度学术