TimesNet-Gen: Генерация сейсмических колебаний с учетом местоположения на основе глубокого обучения
TimesNet-Gen: Deep Learning-based Site Specific Strong Motion Generation
December 4, 2025
Авторы: Baris Yilmaz, Bevan Deniz Cilgin, Erdem Akagündüz, Salih Tileylioglu
cs.AI
Аннотация
Эффективное снижение сейсмического риска основывается на точных оценках для конкретных площадок. Это требует моделей, способных учитывать влияние локальных грунтовых условий на характеристики колебаний грунта. В этом контексте перспективным направлением являются подходы, основанные на данных, которые извлекают признаки, контролируемые площадкой, из записанных акселерограмм. Мы рассматриваем задачу генерации сильных движений грунта из временны́х записей акселерометров и представляем TimesNet-Gen — условный генератор во временно́й области. Данный подход использует специфичное для сейсмической станции латентное узкое место (bottleneck). Оценка генерации проводится путем сравнения кривых HVSR и распределений основной частоты площадки f₀ между реальными и сгенерированными записями для каждой станции, а специфичность станции суммируется с помощью оценки, основанной на матрицах ошибок распределения f₀. TimesNet-Gen демонстрирует высокое соответствие для каждой станции и показывает сравнимые или лучшие результаты по сравнению с условным VAE-базисом, основанным на спектрограммах, для синтеза специфичных для площадки сильных движений. Наши коды доступны по адресу: 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.