Resumen

Con el fin de predecir la intensidad del daño causado por terremotos con anticipación y mejorar la efectividad de las medidas de emergencia ante terremotos, este documento propone un modelo de aprendizaje profundo para la predicción en tiempo real de la tendencia de la intensidad del movimiento del suelo. La muestra de entrada son las grabaciones de monitoreo en tiempo real de la aceleración del movimiento del suelo recibido actual. Según las diferentes frecuencias de muestreo, la red neuronal se construye mediante varias subredes, y la salida de cada subred se combina en una sola. Después del entrenamiento y la verificación del modelo, los resultados muestran que el modelo tiene una tasa de precisión del 75% en el conjunto de pruebas, lo que es efectivo en la predicción en tiempo real de la intensidad del movimiento del suelo. Además, la correlación entre la intensidad de Arias y el daño estructural es más fuerte que la correlación entre la aceleración máxima y el daño estructural, por lo que el modelo es útil para determinar medidas de respuesta en tiempo

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Predecir; Daño por terremoto; Modelo de aprendizaje profundo; Intensidad del movimiento del suelo; Predicción en tiempo real; Red neuronal
• Keywords:Predict; Earthquake damage; Deep learning model; Ground motion intensity; Real-time prediction; Neural network