&

資訊內容

研究亮點

基于對抗生成神經網絡的結構樓層加速度記錄去噪方法

發布時間： 2024-05-27 點擊數量：15009

研究背景：

美國、日本已經建立了多個用于監測建筑結構地震反應的結構臺陣，并嘗試根據記錄的結構反應來評估震后結構的破壞狀態。然而，在實際開展結構臺陣布設時由于受到成本的限制，不僅無法確保逐層布置傳感器，也無法保證所有傳感器均為高精度傳感器。而由低精度傳感器采集的數據的噪聲水平又比較高，所采集的數據不適合直接用于結構破壞狀態的評估研究。以往的去噪方法多依賴于基于時域、頻域或時頻域分析開展，需要人工調節參數以達到最佳去噪效果，過程繁瑣。因此，針對上述問題，中國地震局工程力學研究所張令心研究員團隊與日本東京大學地震研究所的KUSUNOKI Koichi教授合作提出了一種基于對抗生成網絡的針對強噪聲信號的去噪方法。

研究內容及成果：

本文將深度學習方法應用到加速度記錄去噪研究中，采用對抗生成網絡作為底座，通過加入注意力機制，提出了一種端到端的去噪方法DeGAN，如圖1所示。該方法具有以下三個優點：（1）完全的端到端模型，無需其他多余操作；（2）對強噪聲信號的去噪效果好；（3）參數可自動調整。通過該方法與現有其他方法對模擬噪聲和真實噪聲的去噪性能的對比，以及該方法對不同噪聲等級加速度記錄去噪的結果，驗證了該方法的有效性。

在不同噪聲等級數據集上的去噪結果表明，DeGAN 在對強噪聲信號的噪聲抑制方面明顯優于傳統的 DWT 方法，如圖2所示。

在時域和時頻域上比較了 DeGAN 和基于 DWT 的方法、基于 U-NET 的方法和基于 ResNet 的方法對模擬噪聲和真實噪聲的去噪性能。結果表明，DeGAN可以有效去除強噪聲數據中的噪聲的同時，還可保留有用的振動信號。在經過DeGAN 去噪處理后，信號的 SNR 從-2.39提高到11.92。

利用振動臺試驗采集到的頂點加速度記錄驗證了所提方法的穩定性。在使用DeGAN去噪后，振動臺數據的信噪比增加了70%以上。

該成果發表在國際權威期刊《Soil Dynamics and Earthquake Engineering》（Shen Junkai, Zhang Lingxin*, Kusunoki Koichi, et al. Structural floor acceleration denoising method using generative adversarial network. 2023, 173: 108061. DOI: 10.1016/j.soildyn.2023.108061）（IF：4.25，*通訊作者）

圖1 DeGAN的結構

圖2 DeGAN對不同強度噪聲的去噪效果對比

圖3 DeGAN與其他去噪方法的性能對比

日本海溝S-NET臺網水平向海域板內地震動預測模型

《復雜層狀半空間場地響應分析：一種基于雙重相似性的比例邊界有限元法》論文發表