TimesNet-Gen: Geração de Movimentação Forte do Solo Específica para Local Baseada em Aprendizado 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
Resumo
A redução eficaz do risco sísmico depende de avaliações precisas e específicas do local. Isto exige modelos que possam representar a influência das condições locais do terreno nas características do movimento do solo. Neste contexto, as abordagens orientadas por dados que aprendem assinaturas controladas pelo local a partir de movimentos do solo registados oferecem uma direção promissora. Abordamos a geração de movimentos fortes do solo a partir de registos de acelerómetro no domínio do tempo e introduzimos o TimesNet-Gen, um gerador condicional no domínio do tempo. A abordagem utiliza um estrangulamento latente específico da estação. Avaliamos a geração comparando curvas HVSR e distribuições da frequência fundamental do local (f_0) entre registos reais e gerados por estação, e resumimos a especificidade da estação com uma pontuação baseada nas matrizes de confusão da distribuição de f_0. O TimesNet-Gin alcança um forte alinhamento por estação e compara-se favoravelmente com uma linha de base VAE condicional baseada em espectrograma para a síntese específica do local de movimentos fortes do solo. Os nossos códigos estão disponíveis em 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.