⚡ 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

Cette étude introduit un cadre de GAN conditionnel contraint par la physique qui génère des mouvements du sol sismiques synthétiques conformes aux normes d'ingénierie pour les zones de subduction andines où les données sont rares, réduisant de manière significative l'incertitude liée aux aléas et permettant des stratégies de renforcement coût-efficaces pour les établissements informels du Pérou.

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Problème : La « Bibliothèque Vide » des Séismes

Imaginez que vous essayiez d'apprendre à cuisiner le gâteau parfait, mais que vous n'avez que trois recettes pour étudier. La plupart des meilleures pâtisseries du monde (comme au Japon ou en Californie) possèdent des milliers de recettes, elles savent donc exactement comment faire un gâteau qui ne s'effondre pas.

Mais dans des endroits comme la côte centrale du Pérou, la « bibliothèque des séismes » est presque vide. Il y a très peu de séismes enregistrés là-bas car ils sont rares (parfois seulement une fois tous les 150 ans). Comme les ingénieurs n'ont pas assez de données réelles sur les séismes, ils devinent comment les bâtiments devraient être construits. Cela mène à deux mauvais résultats :

Sous-conception : Les bâtiments sont trop faibles et pourraient s'effondrer.
Sur-conception : Les bâtiments sont construits avec trop d'acier et de béton, gaspillant ainsi de l'argent et des ressources.

L'Ancienne Solution : L'« Artiste Bandé des Yeux »

Les ingénieurs ont essayé d'utiliser des ordinateurs pour inventer de faux enregistrements de séismes afin de remplir la bibliothèque.

Anciennes méthodes mathématiques : Elles ont besoin d'une immense bibliothèque (plus de 100 enregistrements réels) pour fonctionner. Comme le Pérou n'en possède pas autant, ces méthodes échouent.
Ancienne IA (GANs) : Les modèles d'IA plus récents peuvent apprendre de petites bibliothèques (même seulement 30 enregistrements). Cependant, ces modèles d'IA sont comme des artistes bandés des yeux. Ils peuvent dessiner un tableau qui ressemble à un séisme, mais si l'on regarde de près, la physique est fausse. Ils peuvent créer un séisme qui possède une « énergie négative » (ce qui est impossible dans la réalité) ou qui vibre à des fréquences qui n'ont pas de sens. Les ingénieurs ne peuvent pas utiliser ces dessins car ils ne respectent pas les lois de la physique.

La Nouvelle Solution : Le « Chef qui Vérifie la Physique »

Cet article présente un nouveau modèle d'IA appelé un GAN conditionnel contraint par la physique (pc-cGAN). Voyez cela non pas comme un artiste bandé des yeux, mais comme un chef strictement supervisé par un inspecteur de l'hygiène alimentaire.

L'IA tente de générer de faux enregistrements de séismes, mais avant de pouvoir « servir » le plat, elle doit passer trois tests stricts basés sur de réelles règles d'ingénierie :

Le « Test de Secousse » (PSA) : Est-ce que le faux séisme fait vibrer les bâtiments avec l'intensité appropriée à la bonne vitesse ? (Basé sur les codes de construction américains et péruviens).
Le « Test d'Énergie » (Intensité d'Arias) : Est-ce que le faux séisme possède la bonne quantité d'énergie totale ? Il ne peut pas créer d'énergie à partir de rien, ni en faire disparaître.
Le « Test du Sol » (Vs30) : Est-ce que les secousses correspondent au type de sol sur lequel elles se trouvent ? Vibrer sur de la boue meuble est différent de vibrer sur de la roche dure. L'IA doit réussir ce test.

Si l'IA échoue à l'un de ces tests, elle doit recommencer. Elle continue d'apprendre jusqu'à produire un faux séisme qui est conforme à 98 % aux lois de la physique réelle.

Les Résultats : Une Meilleure Carte pour le Pérou

Les chercheurs ont entraîné cette IA en utilisant 213 enregistrements de séismes réels provenant du réseau public du Pérou. Ils l'ont ensuite testée sur 40 enregistrements que l'IA n'avait jamais vus.

Précision : Les faux séismes de l'IA correspondaient aux vrais avec un score de 0,94 sur 1,0. (Les anciennes méthodes ne marquaient qu'environ 0,70).
Fiabilité : 98 % des résultats de l'IA ont passé les tests de physique. Les anciennes méthodes d'IA ne passaient que 32 % du temps.
L'Impact : En utilisant cette IA pour combler les lacunes de la bibliothèque des séismes du Pérou, l'incertitude dans les cartes de sécurité a chuté de 38 %.

Pourquoi cela importe pour Lima

À Lima, environ 70 % des bâtiments sont des établissements informels (maisons construites sans permis officiels ni vérifications d'ingénierie). Ce sont les plus vulnérables.

Parce que cette nouvelle IA peut créer des milliers de scénarios de séismes réalistes et conformes à la physique à partir de très peu de données, les ingénieurs peuvent désormais :

Mieux prédire comment ces maisons informelles réagiront lors d'un grand séisme.
Créer des directives de renforcement (retrofitting) plus abordables et précises (comment renforcer les maisons existantes).
Arrêter de deviner et commencer à concevoir avec confiance, sauvant potentiellement des vies et de l'argent.

L'Essentiel à Retenir

Cet article prouve que vous n'avez pas besoin d'une immense bibliothèque de données sismiques pour construire des structures sûres dans les régions à faible activité sismique. En apprenant à l'IA à suivre les règles strictes de la physique (comme un chef suivant une recette), nous pouvons générer des données sismiques de haute qualité et réalistes qui aident les ingénieurs à protéger les populations dans des endroits comme le Pérou, même lorsque les données réelles sont rares.

Résumé Technique : GAN Conditionnels à Contraintes Physiques pour la Synthèse de Mouvements du Sol Sismiques dans les Zones Andines à Faible Sismicité

Énoncé du Problème
L'évaluation de l'aléa sismique dans les régions à faible sismicité — définies comme des zones comptant moins de 10 enregistrements historiques de séismes de magnitude $M_w > 6,5$ — fait face à un défi critique de rareté des données. Bien que ces régions abritent 60 % de la population mondiale, elles ne représentent que 12 % des enregistrements sismiques mondiaux. Cette rareté introduit des incertitudes dans les cartes d'aléa allant jusqu'à 45 %, entraînant des infrastructures soit sous-conçues, soit surdimensionnées. Les méthodes de simulation stochastique traditionnelles nécessitent des catalogues dépassant 100 enregistrements pour fonctionner efficacement, un seuil inatteignable dans les zones de subduction andines où les intervalles de récurrence pour les événements majeurs dépassent 150 ans. À l'inverse, bien que les Réseaux Antagonistes Génératifs (GAN) non contraints puissent apprendre de petits ensembles de données (moins de 30 enregistrements), ils génèrent fréquemment des accélérogrammes non physiques (ex: époques d'énergie négative, pics spectraux impossibles) qui sont incompatibles avec les normes de conception technique et l'Ingénierie parasismique basée sur la performance (PBEE).

Méthodologie
L'étude propose un Réseau Antagoniste Génératif Conditionnel à Contraintes Physiques (pc-cGAN) spécifiquement calibré pour la cinématique de subduction de la plaque Nazca sur la côte centrale du Pérou.

Jeu de Données : Le modèle a été entraîné sur 213 accélérogrammes à trois composantes issus du Réseau Sismique National Péruvien (RSNP), couvrant des magnitudes $M_w$ de 6,5 à 8,0, incluant des métadonnées telles que la distance épicentrale, la profondeur focale et la vitesse des ondes de cisaillement ( $V_{s30}$ ). La validation a été effectuée sur un ensemble de 40 enregistrements mis de côté via une validation croisée à 10 plis.
Architecture :
- Générateur : Accepte un vecteur latent gaussien de dimension 100 concaténé avec un vecteur de conditionnement $c = [M_w, R_{epi}, V_{s30}]$ . Il utilise cinq couches de convolution transposée avec activation LeakyReLU et normalisation par lots (batch normalization) pour suréchantillonner l'entrée en un historique d'accélération de 6 000 échantillons (60 s à 100 Hz).
- Discriminateur : Un réseau convolutionnel à quatre couches avec Dropout ( $p=0,3$ ) qui distingue les signaux réels des signaux synthétiques conditionnés sur les mêmes paramètres.
Fonction de Perte à Contraintes Physiques : L'innovation centrale est une fonction de perte multi-objectifs pondérée ( $L_{total}$ $L_{t o t a l}$ ) qui intègre trois contraintes de génie civil vérifiables :
1. Appariement de l'Accélération Spectrale Pseudo (PSA) : Impose la conformité aux normes ASCE 7–22 et Norma E.030-2018 en minimisant l'erreur quadratique moyenne (MSE) entre les courbes PSA synthétiques et cibles aux périodes $T \in \{0,2 ; 0,5 ; 1,0 ; 2,0\}$ s.
2. Conservation de l'Énergie Sismique : Garantit que l'intensité de Arias ( $I_a$ ) et la vitesse absolue cumulée (CAV) des signaux synthétiques s'alignent sur les lois physiques (Hanks & Kanamori, 1979 ; FEMA 440).
3. Compatibilité de la Vitesse des Ondes de Cisaillement : Impose une compatibilité spectrale basée sur $V_{s30}$ et les propriétés du sol (Aki & Richards, 2002).
- La perte totale est formulée comme $L_{total} = L_{adv} + \lambda_1 L_{PSA} + \lambda_2 L_{energy} + \lambda_3 L_{Vs}$ , avec des poids calibrés par recherche par grille ( $\lambda_1=0,40, \lambda_2=0,30, \lambda_3=0,30$ ).
Validation : Les enregistrements synthétiques ont été validés par rapport aux équations d'équilibre dynamique de degré de liberté unique (SDOF) et aux formulations péruviennes de l'effort tranchant de base sismique (Norma E.030-2018).

Contributions Clés

Architecture : Développement d'un pc-cGAN qui opère simultanément sur de petits catalogues caractéristiques des zones de subduction andines tout en intégrant directement dans la fonction de perte des principes de physique de génie civil vérifiables.
Évaluation Comparative (Benchmarking) : Une comparaison par validation croisée à 10 plis démontrant que le modèle proposé surpasse à la fois les simulations stochastiques traditionnelles et les GAN non contraints.
Application Spécifique au Site : Démonstration d'une réduction de 38 % de l'incertitude de l'aléa sismique pour la côte centrale du Pérou (Lima–Ica), traitant spécifiquement le risque lié aux établissements informels qui constituent 70 % du parc immobilier de Lima.
Scalabilité : Une analyse montrant le potentiel d'applicabilité de ce cadre à d'autres zones de subduction d'Amérique latine (ex: Chili, Équateur, Colombie) avec un réentraînement minimal.

Résultats
Le pc-cGAN a atteint les mesures de performance suivantes sur l'ensemble de test ( $n=40$ ) :

Corrélation PSA : Un coefficient de corrélation de Pearson ( $R$ ) de 0,94 pour les courbes PSA (0,2–2,0 s), nettement supérieur aux GAN non contraints ( $R=0,71$ ) et aux simulations stochastiques ( $R=0,69$ ).
Conformité Physique : 98 % des signaux synthétiques respectaient simultanément les trois contraintes physiques, contre seulement 32 % pour les GAN non contraints.
Métriques d'Erreur : L'erreur quadratique moyenne (RMSE) de la PSA était de 0,12 g (cible < 0,15 g), et la RMSE de la CAV était de 0,05 g·s.
Réduction de l'Incertitude : En augmentant le catalogue réel (27 enregistrements) avec 1 000 enregistrements synthétiques, le coefficient de variation (CoV) pour la PSA à $T=1,0$ s a été réduit, entraînant une réduction de 38 % de l'incertitude de l'aléa sismique.
Efficacité : Le modèle a éliminé le besoin de filtrage manuel post-génération, réduisant les coûts computationnels d'environ 60 % par rapport aux flux de travail nécessitant le rejet de signaux non physiques.

Signification et Revendications
L'article affirme que le cadre pc-cGAN comble le fossé entre l'apprentissage profond basé sur les données et la rigueur de l'ingénierie. En garantissant que les mouvements du sol générés sont non seulement statistiquement similaires aux enregistrements réels, mais aussi physiquement cohérents avec l'ASCE 7–22 et la Norma E.030-2018, le modèle produit des entrées directement utilisables pour la conception structurelle conforme aux codes sans intervention manuelle.

Les auteurs soulignent la signification pratique pour le Pérou, où les enregistrements générés permettent des évaluations de vulnérabilité probabilistes plus précises pour les établissements informels. Plus précisément, la réduction de l'incertitude de l'aléa permet un changement de classification de risque (ex: de « Haute Incertitude » à « Incertitude Modérée » sous ASCE 41–17), pouvant ainsi prévenir des ordres de démolition inutiles et soutenir des politiques de renforcement basées sur des preuves sous le cadre du SINAGERD. L'étude conclut que cette approche offre une solution évolutive et à faible coût pour l'atténuation des risques sismiques dans les régions à faibles données, tout en reconnaissant des limites concernant les zones de failles crustales, la corrélation spatiale et la non-linéarité de la liquéfaction, identifiées comme des cibles pour des travaux futurs.