TimesNet-Gen: Diepgaand-leren-gebaseerde, locatiespecifieke generatie van sterke bodembewegingen
TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
December 4, 2025
Auteurs: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu
cs.AI
Samenvatting
Effectieve vermindering van aardbevingsrisico's vereist nauwkeurige, locatiespecifieke evaluaties. Dit vereist modellen die de invloed van lokale terreinomstandigheden op grondbewegingskenmerken kunnen weergeven. In dit kader bieden data-gedreven benaderingen die door locatie bepaalde kenmerken leren uit geregistreerde grondbewegingen een veelbelovende richting. Wij richten ons op de generatie van sterke grondbewegingen uit tijd-domein versnellingsmeterregistraties en introduceren de TimesNet-Gen, een tijd-domein conditionele generator. De aanpak gebruikt een stationspecifieke latente bottleneck. Wij evalueren de generatie door HVSR-curves en fundamentele terreinfrequentie (f_0) verdelingen tussen echte en gegenereerde registraties per station te vergelijken, en vatten de stationspecificiteit samen met een score gebaseerd op de f_0-verdelingsverwarringsmatrices. TimesNet-Gen bereikt een sterke station-specifieke overeenkomst en vergelijkt gunstig met een op spectrogrammen gebaseerde conditionele VAE-basislijn voor locatiespecifieke synthese van sterke grondbewegingen. Onze code is beschikbaar 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.