TimesNet-Gen: Generación de Movimientos Fuertes del Terreno Específica del Sitio Basada en Aprendizaje Profundo
TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
December 4, 2025
Autores: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu
cs.AI
Resumen
La reducción efectiva del riesgo sísmico depende de evaluaciones precisas específicas del sitio. Esto requiere modelos que puedan representar la influencia de las condiciones locales del terreno en las características del movimiento del suelo. En este contexto, los enfoques basados en datos que aprenden firmas controladas por el sitio a partir de movimientos sísmicos registrados ofrecen una dirección prometedora. Abordamos la generación de movimientos fuertes del suelo a partir de registros de acelerómetros en el dominio del tiempo e introducimos TimesNet-Gen, un generador condicional en el dominio del tiempo. El enfoque utiliza un cuello de botella latente específico por estación. Evaluamos la generación comparando curvas HVSR y distribuciones de frecuencia fundamental del sitio f_0 entre registros reales y generados por estación, y resumimos la especificidad de la estación con una puntuación basada en las matrices de confusión de la distribución f_0. TimesNet-Gen logra una fuerte alineación por estación y se compara favorablemente con una línea base VAE condicional basada en espectrogramas para la síntesis de movimientos fuertes específicos del sitio. Nuestros códigos están disponibles en 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.