TimesNet-Gen: Generazione di Moti Forti Specifici per Sito Basata sul Deep Learning
TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
December 4, 2025
Autori: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu
cs.AI
Abstract
La riduzione efficace del rischio sismico si basa su valutazioni accurate specifiche per sito. Ciò richiede modelli in grado di rappresentare l'influenza delle condizioni locali del sito sulle caratteristiche del moto sismico. In questo contesto, gli approcci basati sui dati che apprendono le firme controllate dal sito dai moti sismici registrati rappresentano una direzione promettente. Affrontiamo la generazione di forti moti sismici a partire da registrazioni accelerometriche nel dominio del tempo e introduciamo TimesNet-Gen, un generatore condizionato nel dominio del tempo. L'approccio utilizza un collo di bottiglia latente specifico per stazione. Valutiamo la generazione confrontando le curve HVSR e le distribuzioni della frequenza fondamentale del sito f_0 tra i registri reali e quelli generati per stazione, e riassumiamo la specificità della stazione con un punteggio basato sulle matrici di confusione della distribuzione f_0. TimesNet-Gen raggiunge un forte allineamento per stazione e si confronta favorevolmente con una baseline VAE condizionata basata su spettrogrammi per la sintesi sito-specifica di forti moti sismici. I nostri codici sono disponibili all'indirizzo 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.