D-A-CH TAGUNG 2011 - SGEB

Hierbei sind b 1 und b 2 die Parameter, die die Form der Einhüllendenfunktion definieren. A 0ist der Skalierungsfaktor; b 1 variiert von 0,25 bis 0,45 und b 2 von 0,50 bis 0,90.3 ENTWICKLUNG DES ECHZEIT-EVOLUTIONÄREN MULTI-SPEKTRUMSDie Resonanzparameter jeder stationären Phase werden aus der PSD bestimmt. Sie werdenals Filterparameter genutzt, um den spektralen Inhalt der nachfolgenden Phase mit einemMulti-KTM abzubilden. Der PSD-Prädiktor basiert daher auf der grundsätzlichen Annahme,dass die Frequenzverteilung sich innerhalb einer dominanten Wellenphase nur langsam ändert.Das PSD-Muster einer stationären Phase kann für den Aufbau der PSD-Funktion dernachfolgenden Phase verwendet werden.Normalerweise wird die PSD anhand der Fourier-Transformation berechnet. Da der Bodennicht nur aus horizontalen, homogenen und isotropen Schichten besteht, sondern eine vielkomplexere Struktur besitzt, kann das geschätzte Spektrum eine große Anzahl von lokalenMaxima und Minima enthalten. Um den Spektralschätzer zu verbessern und sowohl dieVarianz als auch den Bias zu verringern, muss das ziemlich unregelmäßige Spektrum zuerstgeglättet werden. Es wird im gleitenden Durchschnitt unter Ansatz einer Spanne von 0,1 Hzeingesetzt, der den gleichen Effekt wie ein Tiefpassfilter mit einem Filterkoeffizienten, der demKehrwert der Spanne zur Bildung des gleitenden Durchschnitts entspricht, erzeugt. DieResonanz-Parameter des Multi-Kanai-Tajimi-PSD über die Leistungsspektren eines jedenTeilprozesses werden für jeden dominierenden Resonanz-Modus pro betrachteter Phase separatdurch Kurvenanpassung ermittelt. Der Anpassungsalgorithmus ist in [3] dargestellt.4 ENTWICKLUNG DES ECHTZEIT EVOLUTIONÄREN AMPLITUDEMODELLSDie wellenbasierte Amplitudeneinhüllende besitzt drei unterschiedliche Kurvenparameter,die in jedem Zeitfenster der seismischen Phase neu zu schätzen sind. Hierzu wurde ein Modelldurch Kombination von künstlichen Neuronalen Netzen (KNN) mit einem Algorithmus zurKurvenanpassung entwickelt. Die Modellparameter wurden für eine große Anzahl vonErdbebenbeschleunigungs-Aufzeichnungen bekannter Erdbeben mit unterschiedlichenStandorteigenschaften implizit in KNN identifiziert.4.1 Konfiguration des Evolutionären AmplitudeneinhüllenderprädiktorsDie Lernfähigkeit von Künstlichen Neuronalen Netzen (KNN) ermöglicht die Entwicklungund das Trainieren eines evolutionären Modells, das die Schätzung der Parameter derAmplitudeneinhüllenden während einer laufenden SGM ermöglicht. Eine große SGM-Datenbank des Erdbebens in Northridge 1994 wurde konfiguriertt, um die entwickelten Netzezu trainieren und zu evaluieren. Die KNN für die evolutionäre Amplitudeneinhüllende (EA-KNN) wurden für jede der beiden dominanten seismischen Wellenphasen separat trainiert. JedeSGM wurde in frequenzabhängige Zeitfenster aufgeteilt. Deshalb wird der Eingabevektor fürEA-KNN aus dem resultierenden Zeitfenster in kumulativer Weise aufgebaut (siehe Abbildung4). Außer der Länge der Anfangsfenster ( t1 ), die manuell eingestellt werden, werden dieLängen der anschließenden Zeitfenster durch den Einsatz des adaptiven Fensteralgorithmusfestgelegt. Demzufolge wird das angepasste Signal in frequenzadaptive Zeitfenster aufgeteilt,die für das Trainieren der EA-KNN verwendet werden.1266