⚡ electrical engineering

Physics-Constrained Conditional Generative Adversarial Networks for Synthetic Seismic Ground Motion Generation in Andean Low-Seismicity Subduction Zones: A Data-Augmentation Framework with Engineering Validation for Peru

Diese Studie stellt ein physikgesteuertes bedingtes GAN-Framework vor, das ingenieurtechnisch konforme synthetische seismische Bodenbewegungen für datenarme andine Subduktionszonen generiert, wodurch die Gefahrenunsicherheit signifikant reduziert und kosteneffiziente Nachrüstungsstrategien für Perus informelle Siedlungen ermöglicht werden.

Ursprüngliche Autoren: PAUL RICARDO PRUDENCIO GALVEZ

Veröffentlicht 2026-06-29

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: PAUL RICARDO PRUDENCIO GALVEZ

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Die „leere Bibliothek“ der Erdbeben

Stellen Sie sich vor, Sie versuchen zu lernen, wie man den perfekten Kuchen backt, aber Sie haben nur drei Rezepte zum Studieren. Die meisten der besten Bäckereien der Welt (wie in Japan oder Kalifornien) haben tausende Rezepte, sodass sie genau wissen, wie man einen Kuchen backt, der nicht zusammenbricht.

Aber an Orten wie der Zentralküste Perus ist die „Erdbeben-Bibliothek“ fast leer. Es gibt dort sehr wenige aufgezeichnete Erdbeben, weil diese selten vorkommen (manchmal nur einmal alle 150 Jahre). Da Ingenieure nicht genügend echte Erdbeben-Daten haben, raten sie, wie Gebäude gebaut werden sollten. Dies führt zu zwei schlechten Ergebnissen:

Unterdimensioniert: Gebäude sind zu schwach und könnten einstürzen.
Überdimensioniert: Gebäude werden mit zu viel Stahl und Beton gebaut, was Geld und Ressourcen verschwendet.

Die alte Lösung: Der „blind gebundene Künstler“

Ingenieure haben versucht, Computer zu nutzen, um künstliche Erdbebenaufzeichnungen zu erfinden, um die Bibliothek aufzufüllen.

Alte mathematische Methoden: Diese benötigen eine riesige Bibliothek (über 100 echte Datensätze), um zu funktionieren. Da Peru das nicht hat, versagen diese Methoden.
Alte KI (GANs): Neuere KI-Modelle können aus kleinen Bibliotheken lernen (selbst aus nur 30 Datensätzen). Diese KI-Modelle sind jedoch wie blind gebundene Künstler. Sie können ein Bild zeichnen, das wie ein Erdbeben aussieht, aber wenn man genau hinsieht, ist die Physik falsch. Sie könnten ein Erdbeben erschaffen, das „negative Energie“ besitzt (was im echten Leben unmöglich ist) oder das in Frequenzen schwingt, die keinen Sinn ergeben. Ingenieure können diese Zeichnungen nicht verwenden, weil sie nicht den Gesetzen der Physik folgen.

Die neue Lösung: Der „physikprüfende Koch“

Diese Arbeit stellt ein neues KI-Modell vor, ein physik-beschränktes bedingtes GAN (pc-cGAN). Betrachten Sie dies nicht als einen blind gebundenen Künstler, sondern als einen Koch, der streng von einem Lebensmittelsicherheitsinspektor beaufsichtigt wird.

Die KI versucht, künstliche Erdbebenaufzeichnungen zu generieren, aber bevor sie das „Gericht servieren“ kann, muss sie drei strenge Tests basierend auf echten Ingenieursregeln bestehen:

Der „Schüttel-Test“ (PSA): Schüttelt das künstliche Erdbeben Gebäude mit der richtigen Intensität bei der richtigen Geschwindigkeit? (Basierend auf US-amerikanischen und peruanischen Bauvorschriften).
Der „Energie-Test“ (Arias-Intensität): Besitzt das künstliche Erdbeben die richtige Menge an Gesamtenergie? Es kann keine Energie aus dem Nichts erschaffen, noch kann Energie verschwinden.
Der „Boden-Test“ (Vs30): Passt das Schütteln zum Typ des Bodens, auf dem es sich befindet? Das Schütteln auf weichem Schlamm fühlt sich anders an als auf hartem Fels. Die KI muss dies richtig machen.

Wenn die KI einen dieser Tests nicht besteht, muss sie es erneut versuchen. Sie lernt so lange weiter, bis sie ein künstliches Erdbeben produziert, das zu 98 % konform mit der realen Physik ist.

Die Ergebnisse: Eine bessere Karte für Peru

Die Forscher trainierten diese KI mit 213 echten Erdbebenaufzeichnungen aus Perus öffentlichem Netzwerk. Sie testeten sie dann an 40 Datensätzen, die die KI noch nie gesehen hatte.

Genauigkeit: Die künstlichen Erdbeben der KI stimmten mit den echten mit einem Wert von 0,94 von 1,0 überein. (Die alten Methoden erreichten nur etwa 0,70).
Zuverlässigkeit: 98 % der Ausgaben der KI bestanden die Physiktests. Die alten KI-Methoden bestanden nur 32 % der Zeit.
Die Auswirkung: Durch die Nutzung dieser KI zur Schließung der Lücken in Perus Erdbeben-Bibliothek sank die Unsicherheit in den Sicherheitskarten um 38 %.

Warum das für Lima wichtig ist

In Lima sind etwa 70 % der Gebäude informelle Siedlungen (Häuser, die ohne offizielle Genehmigungen oder ingenieurtechnische Prüfungen gebaut wurden). Dies sind die verwundbarsten Strukturen.

Da diese neue KI in der Lage ist, aus sehr wenig Daten tausende realistische, physikkonforme Erdesszenarien zu erstellen, können Ingenieure nun:

Besser vorhersagen, wie diese informellen Häuser auf ein großes Erdbeben reagieren werden.
Günstigere, genauere Richtlinien zur Nachrüstung (wie man bestehende Häuser verstärkt) erstellen.
Aufhören zu raten und beginnen, mit Zuversicht zu planen, was potenziell Leben und Geld spart.

Das Fazit

Diese Arbeit beweist, dass man keine riesige Bibliothek an Erdbebendaten benötigt, um sichere Strukturen in Regionen mit geringer Erdbebenaktivität zu bauen. Indem wir die KI lehren, den strengen Regeln der Physik zu folgen (wie ein Koch, der einem Rezept folgt), können wir hochwertige, realistische Erdbebendaten erzeugen, die Ingenieuren helfen, Menschen an Orten wie Peru zu schützen, selbst wenn echte Daten knapp sind.

Technisches Resümee: Physik-beschränkte bedingte GANs für synthetische seismische Bodenbewegungen in andinen Gebieten mit geringer Seismizität

Problemstellung
Die Bewertung der seismischen Gefährdung in Regionen mit geringer Seismizität – definiert als Gebiete mit weniger als 10 historischen Aufzeichnungen von Erdbeben der Magnitude $M_w > 6,5$ – steht vor einer kritischen Herausforderung durch Datenknappheit. Während diese Regionen 60 % der Weltbevölkerung beherbergen, machen sie nur 12 % der weltweiten seismischen Aufzeichnungen aus. Diese Knappheit führt zu Unsicherheiten in den Gefahrenkarten von bis zu 45 %, was zu einer Infrastruktur führt, die entweder unterdimensioniert oder überdimensioniert ist. Traditionelle stochastische Simulationsmethoden erfordern Kataloge mit mehr als 100 Datensätzen, um effektiv zu funktionieren – eine Schwelle, die in den andinen Subduktionszonen, in denen die Wiederkehrintervalle für schwere Ereignisse über 150 Jahre liegen, nicht erreichbar ist. Umgekehrt können unbeschränkte Generative Adversarial Networks (GANs), obwohl sie aus kleineren Datensätzen (weniger als 30 Datensätze) lernen können, häufig nicht-physikalische Beschleunigungsprogramme erzeugen (z. B. Epochen mit negativer Energie, unmögliche Spektralspitzen), die mit ingenieurtechnischen Bemessungsstandards und dem Performance-Based Earthquake Engineering (PBEE) unvereinbar sind.

Methodik
Die Studie schlägt ein Physik-beschränktes bedingtes Generative Adversarial Network (pc-cGAN) vor, das speziell auf die Kinematik der Nazca-Platten-Subduktion an der zentralperuanischen Küste kalibriert ist.

Datensatz: Das Modell wurde mit 213 öffentlichen dreikomponentigen Beschleunigungsprogrammen des peruanischen nationalen seismischen Netzwerks (RSNP) trainiert, die Magnituden von $M_w$ 6,5–8,0 abdecken, einschließlich Metadaten wie epizentraler Distanz, Fokus-Tiefe und Scherwellengeschwindigkeit ( $V_{s30}$ ). Die Validierung erfolgte anhand eines gehaltenen Datensatzes von 40 Aufzeichnungen mittels 10-facher Kreuzvalidierung.
Architektur:
- Generator: Akzeptiert einen 100-dimensionalen Gaußschen Latenzvektor, der mit einem Konditionierungsvektor $c = [M_w, R_{epi}, V_{s30}]$ kombiniert wird. Er nutzt fünf transponierte konvolutionale Schichten mit LeakyReLU-Aktivierung und Batch-Normalisierung, um den Input in eine 6.000-Punkt-Beschleunigungszeitreihe (60 s bei 100 Hz) hochzuskalieren.
- Diskriminator: Ein vierlagiges konvolutionales Netzwerk mit Dropout ( $p=0,3$ ), das zwischen realen und synthetischen Signalen unterscheidet, die auf dieselben Parameter konditioniert sind.
Physik-beschränkte Verlustfunktion: Die zentrale Innovation ist eine gewichtete Multi-Objective-Verlustfunktion ( $L_{total}$ $L_{t o t a l}$ ), die drei verifizierbare Bauingenieur-Constraints einbettet:
1. Pseudo-Spektrale Beschleunigung (PSA) Anpassung: Erzwingt die Einhaltung von ASCE 7–22 und der Norma E.030-2018, indem der mittlere quadratische Fehler (MSE) zwischen synthetischen und Ziel-PSA-Kurven bei den Perioden $T \in \{0,2, 0,5, 1,0, 2,0\}$ s minimiert wird.
2. Erhaltung der seismischen Energie: Stellt sicher, dass die Arias-Intensität ( $I_a$ ) und die kumulative absolute Geschwindigkeit (CAV) der synthetischen Signale den physikalischen Gesetzen (Hanks & Kanamori, 1979; FEMA 440) entsprechen.
3. Kompatibilität der Scherwellengeschwindigkeit: Erzwingt die spektrale Kompatibilität basierend auf $V_{s30}$ und Bodeneigenschaften (Aki & Richards, 2002).
- Die Gesamtverlustfunktion ist formuliert als $L_{total} = L_{adv} + \lambda_1 L_{PSA} + \lambda_2 L_{energy} + \lambda_3 L_{Vs}$ , wobei die Gewichte mittels Grid Search ( $\lambda_1=0,40, \lambda_2=0,30, \lambda_3=0,30$ ) kalibriert wurden.
Validierung: Die synthetischen Datensätze wurden gegen Single-Degree-of-Freedom (SDOF) dynamische Gleichgewichtsgleichungen und peruanische seismische Basisscher-Formulierungen (Norma E.030-2018) validiert.

Wesentliche Beiträge

Architektur: Entwicklung eines pc-cGAN, das gleichzeitig auf die für andine Subduktionszonen charakteristischen kleinen Kataloge operiert und gleichzeitig verifizierbare Bauingenieur-Physik direkt in die Verlustfunktion einbettet.
Benchmarking: Ein Vergleich mittels 10-facher Kreuzvalidierung zeigt, dass das vorgeschlagene Modell sowohl traditionelle stochastische Simulationen als auch unbeschränkte GANs übertrifft.
Standortspezifische Anwendung: Demonstration einer Reduktion der seismischen Gefährdungsunsicherheit um 38 % an der zentralperuanischen Küste (Lima–Ica), wobei insbesondere das Risiko informeller Siedlungen adressiert wird, die 70 % des Gebäudebestands von Lima ausmachen.
Skalierbarkeit: Eine Analyse zeigt das Potenzial der Anwendung dieses Frameworks auf andere datenarme lateinamerikanische Subduktionszonen (z. B. Chile, Ecuador, Kolumbien) mit minimalem Retraining.

Ergebnisse
Das pc-cGAN erreichte folgende Leistungsmetriken auf dem Testset ( $n=40$ ):

PSA-Korrelation: Ein Pearson-Korrelationskoeffizient ( $R$ ) von 0,94 für PSA-Kurven (0,2–2,0 s), signifikant höher als bei unbeschränkten GANs ( $R=0,71$ ) und stochastischen Simulationen ( $R=0,69$ ).
Physikalische Konformität: 98 % der synthetischen Signale erfüllten gleichzeitig alle drei physikalischen Constraints, im Vergleich zu nur 32 % bei unbeschränkten GANs.
Fehlermetriken: Der PSA-Root-Mean-Square-Error (RMSE) betrug 0,12 g (Ziel < 0,15 g), und der CAV-RMSE betrug 0,05 g·s.
Unsicherheitsreduktion: Durch die Augmentierung des realen Katalogs (27 Datensätze) mit 1.000 synthetischen Datensätzen wurde der Variationskoeffizient (CoV) für PSA bei $T=1,0$ s reduziert, was zu einer Reduktion der seismischen Gefährdungsunsicherheit um 38 % führte.
Effizienz: Das Modell eliminierte die Notwendigkeit einer manuellen Post-Generation-Filterung, wodurch die Rechenkosten im Vergleich zu Workflows, die eine Ablehnung nicht-physikalischer Signale erfordern, um etwa 60 % gesenkt wurden.

Bedeutung und Ansprüche
Das Paper behauptet, dass das pc-cGAN-Framework die Lücke zwischen datengetriebener Deep-Learning-Technik und ingenieurtechnischer Stringenz schließt. Durch die Sicherstellung, dass die generierten Bodenbewegungen nicht nur statistisch ähnlich zu realen Aufzeichnungen sind, sondern auch physikalisch konsistent mit ASCE 7–22 und der Norma E.030-2018, produziert das Modell Eingangsgrößen, die direkt für die coderechtliche Strukturplanung ohne manuelles Eingreifen nutzbar sind.

Die Autoren betonen die praktische Bedeutung für Peru, wo die generierten Datensätze präzisere probabilistische Vulnerabilitätsbewertungen für informelle Siedlungen ermöglichen. Insbesondere erlaubt die Reduktion der Gefährdungsunsicherheit einen Wechsel der Risikoklassifizierung (z. B. von „Hoher Unsicherheit“ zu „Moderater Unsicherheit“ unter ASCE 41–17), was potenziell Abrissverfügungen verhindert und evidenzbasierte Sanierungspolitiken unter dem SINAGERD-Rahmenwerk unterstützt. Die Studie kommt zu dem Schluss, dass dieser Ansatz eine skalierbare, kostengünstige Lösung zur Minderung des seismischen Risikos in datenarmen Regionen bietet, räumt jedoch Einschränkungen hinsichtlich krustaler Verwerfungszonen, räumlicher Korrelation und der Nichtlinearität der Verflüssigung ein, die als Ziele für zukünftige Arbeiten identifiziert wurden.