TimesNet-Gen : Génération de mouvements forts spécifiques au site basée sur l'apprentissage profond
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
La réduction efficace des risques sismiques repose sur des évaluations précises spécifiques au site. Cela nécessite des modèles capables de représenter l'influence des conditions locales du site sur les caractéristiques du mouvement du sol. Dans ce contexte, les approches basées sur les données qui apprennent les signatures contrôlées par le site à partir des mouvements du sol enregistrés offrent une voie prometteuse. Nous traitons la génération de mouvements forts du sol à partir d'enregistrements accélérométriques dans le domaine temporel et présentons TimesNet-Gen, un générateur conditionnel dans le domaine temporel. L'approche utilise un goulot d'étranglement latent spécifique à chaque station. Nous évaluons la génération en comparant les courbes HVSR et les distributions de fréquence fondamentale du site f₀ entre les enregistrements réels et générés par station, et résumons la spécificité de la station avec un score basé sur les matrices de confusion des distributions de f₀. TimesNet-Gen atteint un fort alignement par station et se compare favorablement à une baseline conditionnelle VAE basée sur des spectrogrammes pour la synthèse de mouvements forts spécifiques au site. Nos codes sont disponibles via 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.