Seismic Site Response Prediction from Sparse Observations Using Finite-Element-Pretrained Latent Dynamics
作者: Yi Zhu, Su Chen, Xiaojun Li
分类: cs.LG
发布日期: 2026-09-17
💡 一句话要点
提出FLARE-T以改善稀疏观测下的地震场地响应预测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 地震响应预测 有限元模拟 潜在自编码器 数据驱动模型 土壤动力学
📋 核心要点
- 现有的数值场地响应预测与实际观测结果存在显著偏差，且修正困难，主要由于传感器覆盖不足和事件数量有限。
- 论文提出FLARE-T，通过学习低维潜在动态来连接基加速度与多深度加速度输出，从而提高预测精度。
- 实验结果表明，FLARE-T在多深度加速度历史和伪加速度响应谱方面显著优于传统有限元模型，误差在不同强度运动下均有所减少。
📝 摘要（中文）
数值场地响应预测常常与观测结果存在偏差，且由于传感器覆盖和事件数量有限，修正这些偏差变得困难。本研究提出了转移启用强迫潜在自编码器（FLARE-T），通过学习和校准连接基加速度输入与多个深度加速度输出的低维潜在动态，来改善这些预测。FLARE-T从密集的有限元模拟中学习低维响应流形和输入驱动动态，并训练稀疏编码器将模拟传感器响应映射到学习的坐标中。该框架在分层土壤离心机测试和Lotung现场垂直阵列中进行了评估，结果显示FLARE-T在多深度加速度历史和5%阻尼伪加速度响应谱方面相较于原始有限元模型有显著改善，减少了不同强度运动下每个传感器的误差。
🔬 方法详解
问题定义：本研究旨在解决数值场地响应预测与实际观测之间的偏差问题。现有方法在传感器覆盖和事件数量有限的情况下，难以有效修正这些偏差。
核心思路：FLARE-T的核心思路是通过学习和校准低维潜在动态，将基加速度输入与多个深度的加速度输出连接起来，从而提高预测的准确性。该方法利用密集的有限元模拟数据来构建低维响应流形。
技术框架：FLARE-T的整体架构包括三个主要模块：首先，从有限元模拟中学习低维响应流形；其次，训练稀疏编码器将模拟传感器响应映射到学习的坐标；最后，使用有限的观测记录来校准动态模型。
关键创新：FLARE-T的主要创新在于其转移学习能力和强迫潜在自编码器的结合，使得模型能够在稀疏数据条件下有效提升预测精度。这与传统方法依赖于大量精确校准数据的方式形成鲜明对比。
关键设计：在模型设计中，FLARE-T采用了特定的损失函数来优化潜在动态的校准，并使用了适应性网络结构以处理不同深度的加速度输出。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FLARE-T在多深度加速度历史和5%-阻尼伪加速度响应谱方面，相较于原始有限元模型有显著提升，所有评估传感器的误差均有所减少，尤其在Lotung现场的水平分量上表现突出。
🎯 应用场景
该研究的潜在应用领域包括地震工程、土木工程和环境监测等。FLARE-T能够有效整合有限的现场记录与密集的数值模拟数据，为未来的场地响应预测提供更为可靠的工具，具有重要的实际价值和影响。
📄 摘要（原文）
Numerical site-response predictions often deviate from observations, yet correcting these discrepancies is difficult because records are limited in both sensor coverage and number of events. This study proposes the Transfer-Enabled Forced Latent Autoencoder for Response Equations (FLARE-T) to improve these predictions by learning and calibrating low-dimensional latent dynamics that connect the base acceleration input to acceleration outputs at multiple depths. FLARE-T learns a low-dimensional response manifold and input-driven dynamics from dense finite-element simulations. It then trains a sparse encoder to map simulated sensor responses into the learned coordinates and uses limited records to calibrate the dynamics within them. A short response window initializes each prediction, while the complete base motion drives the response. The framework was evaluated using a layered-soil centrifuge test and the Lotung field vertical array. Test-set results show that FLARE-T improved multi-depth acceleration histories and 5%-damped pseudoacceleration response spectra relative to the original finite-element models, reducing errors at every evaluated sensor for motions of different intensities and, at Lotung, for both horizontal components. Two Lotung source models with different constitutive parameters achieved comparable test-set accuracy, indicating reduced dependence on precise prior calibration. FLARE-T therefore provides a data-efficient means of combining dense numerical response information with limited field records to improve future site-response predictions.