一种基于聚类分析的地震动记录选取方法
阅读说明：本技术 一种基于聚类分析的地震动记录选取方法 (Earthquake motion record selection method based on cluster analysis ) 是由 刘亭亭 吕大刚 于 2021-09-15 设计创作，主要内容包括：本发明是一种基于聚类分析的地震动记录选取方法,包括如下步骤：步骤1：基于强震数据库选取地震动记录；步骤2：选取震级和震中距条带范围,给出每条地震动记录的具体地震信息；步骤3：根据模糊C-均值聚类算法,将各个地震动记录震级和震中距的均值作为聚类中心,通过迭代过程反复修改聚类中心和数据隶属度,给出初步试算聚类分析结果；步骤4：引入模拟退火算法收敛到全局最优聚类分析；步骤5：根据震级和震中距进行聚类分析的基础上,再结合土层剪切波速和场地覆盖土层厚度,给出不同场地类别条件下各组地震动记录的反应谱曲线。本发明实现了地震动记录数据库的自适应分类,以期为后续进行动力时程分析提供技术支撑。(The invention relates to a seismic oscillation record selection method based on cluster analysis, which comprises the following steps: step 1: selecting earthquake motion records based on a strong earthquake database; step 2: selecting the range of the seismic level and the seismic distance strip, and giving specific seismic information of each seismic record; and step 3: according to a fuzzy C-means clustering algorithm, taking the mean value of the magnitude and the epicenter distance of each earthquake motion record as a clustering center, repeatedly modifying the clustering center and the data membership degree through an iterative process, and giving a preliminary trial calculation clustering analysis result; and 4, step 4: introducing a simulated annealing algorithm to converge to global optimal clustering analysis; and 5: and on the basis of clustering analysis according to the magnitude and the epicenter distance, combining the soil layer shear wave velocity and the thickness of the soil covering layer of the field to give reaction spectrum curves of each group of earthquake motion records under different field types. The invention realizes the self-adaptive classification of the earthquake motion record database so as to provide technical support for the subsequent power time-course analysis.)
技术领域
本发明属于地震工程及防灾减灾工程技术领域，具体的说是涉及一种基于聚类分析的地震动记录选取方法。
背景技术
在地震工程领域中，随着地震观测技术不断发展以及观测台站不断增多，全球的地震动记录数据库越来越多，如何合理选取地震动记录已经成为基于性能抗震设计的关键。由于地震在时间和空间上是随机发生的，随着大量的震源信息、场地信息、断层类型以及地震发生时间等的逐渐丰富，为了探索地震发生和传播的物理机制，更深入挖掘地震动记录数据之间的相关性，需要采用大数据方法对地震动记录进行选取。
现有的分类方法主要依赖于震级、距离以及场地条件对地震动记录进行初选，需提前根据专家经验给定各类之间的界限，不能客观反映地震动记录本身的特性。
发明内容
为了克服传统初选方法只能考虑固定震级和距离分组的缺点，本发明提供了一种基于机器学习中的全局聚类算法对地震动记录进行聚类分析，深入挖掘地震动记录震级和距离的统计性质，通过考虑不同场地类别和不同聚类分组对地震动频谱特性的影响，给出根据地震震级和距离并考虑场地类别的地震动记录初选方法。
为了达到上述目的，本发明是通过以下技术方案实现的：
本发明是一种基于聚类分析的地震动记录选取方法，包括如下步骤：
步骤1，基于强震数据库选取地震动记录，并且经过合理的基线偏移校正以及滤波处理；
步骤2，选取较宽的震级和震中距条带范围，给出每条地震动记录的具体地震信息；
步骤3，根据模糊C-均值聚类算法，将各个地震动记录震级和震中距的均值作为聚类中心，通过迭代过程反复修改聚类中心和数据隶属度，给出初步试算聚类分析结果；
步骤4，通过模仿自然界的选择与遗传机理寻找最优解，为了防止遗传算法后期适应度趋于一致，引入模拟退火算法更有效、更快速地收敛到全局最优聚类分析，使得地震动记录聚类分析结果具有较强的鲁棒性、全局收敛性、隐含并行性及广泛的适应性；
步骤5，根据震级和震中距进行聚类分析的基础上，再结合土层剪切波速和场地覆盖土层厚度，给出不同场地类别条件下各组地震动记录聚类分组情况，在此充分考虑不同场地类别以及不同聚类分组对地震动频谱特性的影响。
进一步地，步骤1中，地震动记录需经过合理的基线偏移校正以及滤波处理。
进一步地，步骤2具体包括：地震动记录数据库包含具体地震信息，例如：地震名称、台站、震级、震中距、断层距、断层类型、场地条件等，为后续研究提供丰富的数据；
在较宽的震级M-震中距R条带范围内选取地震动记录，为避免结果存在明显的倾向性。
进一步地，步骤2中，条带范围为：5<M<7.9，10km<R<60km。
进一步地，步骤3中，模糊C-均值聚类算法是用[0,1]之间的一个数即隶属度去度量各个数据点之间的关联大小，然后根据每个给定数据点的隶属度来确定其属于某个聚类分组程度的一种聚类算法，将地震动记录聚类分成四组，通过反复修改聚类中心和数据隶属度得到初步试算聚类分析结果。
进一步地，步骤4中，遗传模拟退火算法聚类分析是随着温度的降低，物质的能量将逐渐趋近于一个较低的状态，并最终达到某种平衡，结合模糊聚类分析，得到最优解就是能量最低态，将模拟退火算法结合遗传算法，使适应度相近的个体适应度差异放大，从而使得优秀个体的优势更为明显，通过增大种群大小和增加最大遗传代数使优化更接近最优解。
进一步地，步骤5包括：按照抗震规范进行场地分类，给出场地类型与剪切波速对应的关系，基于聚类分析结果并且考虑不同场地类别对地震动频谱特性的影响，给出各个场地类别以及不同聚类分组地震动记录的反应谱曲线。
本发明的有益效果是：本发明是基于聚类分析的地震动记录选取方法，考虑震级和距离以及场地类别的影响，使用机器学习中的聚类分析方法，将地震动震级和震中距的均值作为聚类中心，通过迭代反复修改聚类中心和数据隶属度，给出初步试算聚类分析结果；在此基础上，基于遗传模拟退火算法聚类分析更有效、更快速地得到全局最优聚类分类，最后给出不同场地类别和不同聚类分组对地震动频谱特性的影响。
本发明将地震动记录按照距离或相似度进行分类，基于震级和震中距给出不同地震动记录之间的相互关联规律，并且充分考虑不同场地类别对地震动频谱特性的影响，从而保证动力分析结果具有良好的统计性质，以期为后续探索提供理论基础。
附图说明
图1是本发明一种基于聚类分析的地震动选取方法的流程图。
图2是基于模糊C-均值算法的地震动记录聚类分析结果。
图3是基于遗传模拟退火算法的地震动记录聚类分析结果。
图4是基于不同聚类分组的地震动加速度反应谱均值对比结果。
图5是基于不同场地类别的地震动加速度反应谱均值对比结果。
具体实施方式
以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。
参图1所示，本实施例提供了一种基于聚类分析的地震动记录选取方法，包括如下步骤：
步骤S1，基于强震数据库选取地震动记录，并且经过合理的基线偏移校正以及滤波处理；
步骤S2，选取较宽的震级和震中距条带范围，给出每条地震动记录的具体地震信息；
步骤S3，根据模糊C-均值聚类算法，将各个地震动记录震级和震中距的均值作为聚类中心，通过迭代过程反复修改聚类中心和数据隶属度，给出初步试算聚类分析结果；
步骤S4，通过模仿自然界的选择与遗传机理寻找最优解，为了防止遗传算法后期适应度趋于一致，引入模拟退火算法更有效、更快速地收敛到全局最优聚类分析，使得地震动记录聚类分析结果具有较强的鲁棒性、全局收敛性、隐含并行性及广泛的适应性；
步骤S5，根据震级和震中距进行聚类分析的基础上，再结合土层剪切波速和场地覆盖土层厚度，给出不同场地类别条件下各组地震动记录聚类分组情况，在此充分考虑不同场地类别以及不同聚类分组对地震动频谱特性的影响。
本实施例提供的地震动记录选取方法，可以克服传统只考虑固定震级和距离分组的缺点，基于机器学习中的全局聚类算法，深入挖掘地震动记录数据对聚类结果的影响，根据不同地震动记录之间的相互关联程度进行分类，从而保证动力分析结果具有良好的统计性质。
该方法的具体步骤为：
1、基于强震数据库的地震动选择。
(1)选取数据库中2157组水平双向地震动记录，力求较宽的震级M和震中距R，初选美国太平洋地震工程研究中心地震动记录数据库的震级M-震中距R的取值范围为：5<M<7.9，10km<R<60km；上述挑选的地震动具有详细的地震名称、台站信息、场地信息以及断层类型等，可以用于后续分析。
2、基于模糊C-均值算法的聚类分析。
(1)采用C-均值聚类算法，通过迭代过程把地震动记录划分到不同类别，由于选取数据集中心点具有随机性，地震动记录不能严格划分到某类时，具有非此即彼的性质，在此基础上将模糊集概念引入其中，最后根据数据点的隶属度来确定某个聚类分组程度。
(2)假设样本空间X＝{x1,x2,…,xn}T，将地震动数据分为四类，各聚类中心为{c1,c2,c3,c4}，元素uij表示第i个数据点属于第j类的隶属度，使得欧几里德距离的目标函数取得最小的函数值：
式中，
(3)给出聚类中心和数据隶属度：
(4)根据上式反复修改聚类中心和数据隶属度，当|Jb(t+1)-Jb(t)|＜1e-6时算法收敛，得到各聚类中心以及各样本的隶属度，完成模糊聚类划分，则算法结束，否则进行迭代，直到达到最大迭代次数20次算法结束。图2给出基于模糊C-均值算法的地震动记录聚类分析结果。
3、基于遗传模拟退火算法的聚类分析。
如果初始值选择不当，聚类分析结果会收敛到局部最优解，在此基础上引入遗传算法寻优求解，将聚类分析的解空间进行编码，构造适应度函数，通过遗传算子的选择、交叉、变异来确定各控制参数取值。但是遗传算法容易产生早熟收敛问题，在遗传算法后期，适应度趋于一致，需引入模拟退火算法来保留优良个体，维持群体的多样性。
模拟退火算法结合遗传算法，当温度不断下降时，适应度个体适应度差异放大，从而使得优秀个体的优势更为明显，在此基础上结合模糊聚类分析，其中能量的变化就是目标函数，得到最优解就是能量最低态，图3给出基于遗传模拟退火算法的地震动记录聚类分析结果。
4、考虑聚类分组的地震动记录初选。
根据震级与震中距大小将地震动记录分为四组，将地震动加速度时程归一化，求加速度反应谱即为动力放大系数曲线。为了充分考虑不同聚类分组对地震动频谱特性的影响，图4给出不同聚类分组的地震动加速度反应谱均值对比结果。
5、考虑场地类别的地震动记录初选。
根据地下30m深度的等效剪切波速，按照抗震规范进行场地分类，并且考虑各个聚类分组结果，给出基于场地类别的地震动记录聚类分组结果如表1所示。
表1 基于场地类别的地震动记录聚类分组结果
FEMA P-1050规定时程分析时至少选取11条地震动记录进行分析，由于第四场地类别地震动记录太少，不能充分考虑第四场地类别对地震动频谱特性的影响，因此这一类别地震动记录后续不再继续分析。图5给出基于不同场地类别的地震动加速度反应谱均值对比结果。
该方法克服传统只考虑固定震级和震中距分组的缺点，能客观反映地震动记录本身特性，深入挖掘地震动记录对聚类分析结果的影响，实现了地震动记录数据库的自适应分类，以期为后续进行动力时程分析提供技术支撑。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。