TimesNet-Gen: Tiefenlernbasierte, standortspezifische Erzeugung von Starkbebenaufzeichnungen
TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
December 4, 2025
papers.authors: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu
cs.AI
papers.abstract
Eine effektive Verringerung des Erdbebenrisikos basiert auf genauen standortspezifischen Bewertungen. Dies erfordert Modelle, die den Einfluss lokaler Standortbedingungen auf die Charakteristiken der Bodenbewegung abbilden können. In diesem Zusammenhang bieten datengesteuerte Ansätze, die standortkontrollierte Signaturen aus aufgezeichneten Bodenbewegungen lernen, eine vielversprechende Richtung. Wir befassen uns mit der Generierung starker Bodenbewegungen aus Zeitbereichsaufzeichnungen von Beschleunigungsmessern und stellen den TimesNet-Gen vor, einen konditionalen Generator im Zeitbereich. Der Ansatz nutzt einen stationsspezifischen latenten Engpass. Wir bewerten die Generierung durch den Vergleich von HVSR-Kurven und Verteilungen der grundlegenden Standortfrequenz f₀ zwischen realen und generierten Aufzeichnungen pro Station und fassen die Stationsspezifität mit einem auf den f₀-Verteilungs-Konfusionsmatrizen basierenden Score zusammen. TimesNet-Gen erreicht eine starke Übereinstimmung auf Stationsebene und schneidet im Vergleich zu einem spektrogrammbasierten konditionalen VAE-Basismodell für die standortspezifische Synthese starker Bodenbewegungen günstig ab. Unsere Codes sind verfügbar unter https://github.com/brsylmz23/TimesNet-Gen.
English
Effective earthquake risk reduction relies on accurate site-specific evaluations. This requires models that can represent the influence of local site conditions on ground motion characteristics. In this context, data driven approaches that learn site controlled signatures from recorded ground motions offer a promising direction. We address strong ground motion generation from time-domain accelerometer records and introduce the TimesNet-Gen, a time-domain conditional generator. The approach uses a station specific latent bottleneck. We evaluate generation by comparing HVSR curves and fundamental site-frequency f_0 distributions between real and generated records per station, and summarize station specificity with a score based on the f_0 distribution confusion matrices. TimesNet-Gen achieves strong station-wise alignment and compares favorably with a spectrogram-based conditional VAE baseline for site-specific strong motion synthesis. Our codes are available via https://github.com/brsylmz23/TimesNet-Gen.