⚡ 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

यह अध्ययन एक भौतिकी-प्रतिबंधित कंडीशनल GAN फ्रेमवर्क पेश करता है जो डेटा-दुर्लभ एंडियन सबडक्शन ज़ोन के लिए इंजीनियरिंग-अनुपालन सिंथेटिक भूकंपीय ग्राउंड मोशन उत्पन्न करता है, जो महत्वपूर्ण रूप से खतरे की अनिश्चितता को कम करता है और पेरू की अनौपचारिक बस्तियों के लिए लागत प्रभावी रेट्रोफिटिंग रणनीतियों को सक्षम बनाता है।

मूल लेखक: PAUL RICARDO PRUDENCIO GALVEZ

प्रकाशित 2026-06-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: PAUL RICARDO PRUDENCIO GALVEZ

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी समस्या: भूकंपों की "खाली लाइब्रेरी"

कल्पना कीजिए कि आप एक बेहतरीन केक बनाना सीखना चाहते हैं, लेकिन आपके पास अध्ययन करने के लिए केवल तीन रेसिपी (व्यंजन विधि) हैं। दुनिया की अधिकांश बेहतरीन बेकरियां (जैसे जापान या कैलिफोर्निया) के पास हजारों रेसिपी होती हैं, इसलिए वे ठीक से जानती हैं कि ऐसा केक कैसे बनाया जाए जो गिरे नहीं।

लेकिन पेरू के मध्य तट जैसे स्थानों में, "भूकंप की लाइब्रेरी" लगभग खाली है। वहां बहुत कम दर्ज किए गए भूकंप होते हैं क्योंकि वे बहुत कम होते हैं (कभी-कभी केवल 150 साल में एक बार)। क्योंकि इंजीनियरों के पास वास्तविक भूकंप का पर्याप्त डेटा नहीं है, इसलिए वे अनुमान लगा रहे हैं कि इमारतों को कैसे बनाया जाना चाहिए। इससे दो बुरे परिणाम निकलते हैं:

अंडर-डिज़ाइन (कमज़ोर डिज़ाइन): इमारतें बहुत कमज़ोर होती हैं और गिर सकती हैं।
ओवर-डिज़ाइन (अत्यधिक डिज़ाइन): इमारतें बहुत अधिक स्टील और कंक्रीट के साथ बनाई जाती हैं, जिससे पैसा और संसाधन बर्बाद होते हैं।

पुराना समाधान: "आंखों पर पट्टी बंधा कलाकार"

इंजीनियरों ने इस लाइब्रेरी को भरने के लिए नकली भूकंप रिकॉर्ड आविष्कार करने के लिए कंप्यूटरों का उपयोग करने की कोशिश की है।

पुरानी गणितीय विधियाँ: इन्हें काम करने के लिए एक बहुत बड़ी लाइब्रेरी (100+ वास्तविक रिकॉर्ड) की आवश्यकता होती है। चूंकि पेरू के पास वह नहीं है, इसलिए ये विधियाँ विफल हो जाती हैं।
पुरानी AI (GANs): नई AI मॉडल छोटी लाइब्रेरी (केवल 30 रिकॉर्ड) से सीख सकती हैं। हालाँकि, ये AI मॉडल आंखों पर पट्टी बंधे कलाकारों की तरह हैं। वे एक ऐसा चित्र बना सकते हैं जो भूकंप जैसा दिखता है, लेकिन यदि आप ध्यान से देखें, तो भौतिकी (फिजिक्स) गलत है। वे ऐसा भूकंप बना सकते हैं जिसमें "नेगेटिव एनर्जी" (जो वास्तविक जीवन में असंभव है) हो, या जो ऐसी फ्रीक्वेंसी पर हिले जो समझ में न आए। इंजीनियर इन चित्रों का उपयोग नहीं कर सकते क्योंकि वे भौतिकी के नियमों का पालन नहीं करते हैं।

नया समाधान: "फूड सेफ्टी इंस्पेक्टर द्वारा निर्देशित शेफ"

यह पेपर एक नया AI मॉडल पेश करता है जिसे फिजिक्स-कंस्ट्रेंड कंडीशनल GAN (pc-cGAN) कहा जाता है। इसे एक आंखों पर पट्टी बंधे कलाकार के रूप में नहीं, बल्कि एक शेफ के रूप में सोचें जिसकी कड़ी निगरानी एक फूड सेफ्टी इंस्पेक्टर द्वारा की जा रही है।

AI नकली भूकंप रिकॉर्ड बनाने की कोशिश करता है, लेकिन इससे पहले कि वह "पकवान परोस" सके, उसे इंजीनियरिंग के वास्तविक नियमों पर आधारित तीन सख्त परीक्षणों को पास करना होगा:

"शेक-टेस्ट" (PSA): क्या नकली भूकंप सही गति पर सही तीव्रता के साथ इमारतों को हिलाता है? (यूएस और पेरू के बिल्डिंग कोड के आधार पर)।
"एनर्जी-टेस्ट" (एरिया इंटेंसिटी): क्या नकली भूकंप में कुल ऊर्जा की सही मात्रा है? यह हवा से ऊर्जा पैदा नहीं कर सकता, न ही ऊर्जा गायब हो सकती है।
"सॉयल-टेस्ट" (Vs30): क्या कंपन उस जमीन के प्रकार से मेल खाता है जिस पर वह है? नरम कीचड़ पर कंपन कठोर चट्टान की तुलना में अलग महसूस होता है। AI को यह सही करना ही होगा।

यदि AI इनमें से किसी भी टेस्ट में विफल रहता है, तो उसे फिर से प्रयास करना पड़ता है। यह तब तक सीखता रहता है जब तक कि यह एक ऐसा नकली भूकंप तैयार न कर दे जो वास्तविक दुनिया की भौतिकी के साथ 98% सुसंगत हो।

परिणाम: पेरू के लिए एक बेहतर मानचित्र

शोधकर्ताओं ने इस AI को पेरू के सार्वजनिक नेटवर्क से 213 वास्तविक भूकंप रिकॉर्ड का उपयोग करके प्रशिक्षित किया। फिर उन्होंने इसे 40 रिकॉर्ड पर परखा जिन्हें AI ने पहले कभी नहीं देखा था।

सटीकता: AI के नकली भूकंपों ने वास्तविक रिकॉर्ड के साथ 0.94 (1.0 में से) का स्कोर प्राप्त किया। (पुरानी विधियों ने केवल 0.70 के आसपास स्कोर किया था)।
विश्वसनीयता: AI के आउटपुट में से 98% भौतिकी परीक्षणों में सफल रहे। पुराने AI मॉडल केवल 32% बार सफल होते थे।
प्रभाव: पेरू की भूकंप लाइब्रेरी के अंतराल को भरने के लिए इस AI का उपयोग करके, सुरक्षा मानचित्रों में अनिश्चितता 38% कम हो गई।

लीमा के लिए यह क्यों महत्वपूर्ण है

लीमा में, लगभग 70% इमारतें अनौपचारिक बस्तियाँ (वे घर जो बिना आधिकारिक परमिट या इंजीनियरिंग जांच के बनाए गए हैं) हैं। ये सबसे अधिक संवेदनशील हैं।

क्योंकि यह नया AI बहुत कम डेटा से हजारों यथार्थवादी, भौतिकी-संगत भूकंप परिदृश्य बना सकता है, इंजीनियर अब यह कर सकते हैं:

बेहतर भविष्यवाणी कि बड़े भूकंप के दौरान ये अनौपचारिक घर कैसे प्रतिक्रिया देंगे।
सस्ते और अधिक सटीक रेट्रोफिटिंग दिशानिर्देश (मौजूदा घरों को मजबूत करने के तरीके) बनाना।
अनुमान लगाना बंद करें और आत्मविश्वास के साथ डिजाइन करना शुरू करें, जिससे संभावित रूप से जीवन और पैसा बचाया जा सके।

निचोड़ (The Bottom Line)

यह पेपर साबित करता है कि कम-भूकंप वाले क्षेत्रों में सुरक्षित संरचनाएं बनाने के लिए आपको भूकंप डेटा की विशाल लाइब्रेरी की आवश्यकता नहीं है। AI को भौतिकी के सख्त नियमों (जैसे एक रेसिपी का पालन करने वाला शेफ) का पालन करना सिखाकर, हम उच्च गुणवत्ता वाला, यथार्थवादी भूकंप डेटा उत्पन्न कर सकते हैं जो इंजीनियरों को पेरू जैसी जगहों पर लोगों की रक्षा करने में मदद करता है, भले ही वास्तविक डेटा कम हो।

तकनीकी सारांश: एंडियन कम-भूकंपीय क्षेत्रों में सिंथेटिक सिस्मिक ग्राउंड मोशन के लिए फिजिक्स-कंस्ट्रेंड कंडिशनल GANs

समस्या विवरण
कम-भूकंपीय क्षेत्रों (जिन्हें $M_w > 6.5$ तीव्रता वाले भूकंपों के 10 से कम ऐतिहासिक रिकॉर्ड वाले क्षेत्रों के रूप में परिभाषित किया गया है) में भूकंपीय खतरा मूल्यांकन एक महत्वपूर्ण डेटा की कमी की चुनौती का सामना करता है। जबकि इन क्षेत्रों में वैश्विक जनसंख्या का 60% निवास करता है, वे विश्व के भूकंपीय रिकॉर्ड का केवल 12% हिस्सा रखते हैं। यह कमी हज़ार्ड-मैप अनिश्चितताओं को 45% तक बढ़ा देती है, जिससे बुनियादी ढांचा या तो अंडर-डिजाइन (underdesigned) या ओवर-डिजाइन (overdesigned) हो जाता है। पारंपरिक स्टोकेस्टिक सिमुलेशन विधियों को प्रभावी ढंग से कार्य करने के लिए 100 से अधिक रिकॉर्ड वाले कैटलॉग की आवश्यकता होती है, जो एंडियन सबडक्शन ज़ोन में अप्राप्य है जहाँ प्रमुख घटनाओं का पुनरावृत्ति अंतराल (recurrence interval) 150 वर्ष से अधिक है। इसके विपरीत, जबकि अनकन्स्ट्रेंड जेनरेटिव एडवरसैरियल नेटवर्क (GANs) छोटे डेटासेट (30 से कम रिकॉर्ड) से सीख सकते हैं, वे अक्सर गैर-भौतिक त्वरणोग्राम (जैसे, नकारात्मक ऊर्जा युग, असंभव स्पेक्ट्रल पीक्स) उत्पन्न करते हैं जो इंजीनियरिंग डिजाइन मानकों और परफॉरमेंस-बेस्ड अर्थक्वेक इंजीनियरिंग (PBEE) के साथ असंगत होते हैं।

कार्यप्रणाली
यह अध्ययन मध्य पेरूवियन तट के नाज़का-प्लेट सबडक्शन किनेमैटिक्स के लिए विशेष रूप से कैलिब्रेटेड फिजिक्स-कंस्ट्रेंड कंडिशनल जेनरेटिव एडवरसैरियल नेटवर्क (pc-cGAN) का प्रस्ताव करता है।

डेटासेट: मॉडल को पेरूवियन नेशनल सिस्मिक नेटवर्क (RSNP) से 213 थ्री-कंपोनेंट एक्सीलेरोग्राम पर प्रशिक्षित किया गया था, जिसमें $M_w$ 6.5–8.0 की तीव्रता शामिल थी, और इसमें एपिसेंट्रल दूरी, फोकल डेप्थ और शियर-वेव वेलोसिटी ( $V_{s30}$ ) सहित मेटाडेटा शामिल था। सत्यापन (Validation) 10-फोल्ड क्रॉस-वैलिडेशन का उपयोग करके एक होल्ड-आउट सेट (40 रिकॉर्ड) पर किया गया था।
आर्किटेक्चर:
- जेनरेटर: यह 100-डायमेंशनल गौसियन लेटेंट वेक्टर को एक कंडीशनिंग वेक्टर $c = [M_w, R_{epi}, V_{s30}]$ के साथ जोड़कर स्वीकार करता है। यह इनपुट को 6,000-सैंपल (100 Hz पर 60 सेकंड का) त्वरण टाइम हिस्ट्री में अपसैंपल करने के लिए पांच ट्रांसपोज़्ड कनवोल्यूशनल लेयर्स और LeakyReLU एक्टिवेशन तथा बैच नॉर्मलाइजेशन का उपयोग करता है।
- डिस्क्रिमिनेटर: एक चार-लेयर कनवोल्यूशनल नेटवर्क जिसमें ड्रॉपआउट ( $p=0.3$ ) है, जो समान मापदंडों पर आधारित वास्तविक और सिंथेटिक संकेतों के बीच अंतर करता है।
फिजिक्स-कंस्ट्रेंड लॉस फंक्शन: मुख्य नवाचार एक वेटेड मल्टी-ऑब्जेक्टिव लॉस फंक्शन ( $L_{total}$ $L_{t o t a l}$ ) है जो तीन सत्यापन योग्य सिविल इंजीनियरिंग बाधाओं को समाहित करता है:
1. स्यूडो-स्पेक्ट्रल एक्सेलरेशन (PSA) मैचिंग: यह $T \in \{0.2, 0.5, 1.0, 2.0\}$ s पर सिंथेटिक और टारगेट PSA कर्व्स के बीच मीन स्क्वेर्ड एरर (MSE) को कम करके ASCE 7–22 और Norma E.030-2018 के अनुपालन को लागू करता है।
2. सिस्मिक एनर्जी कंजर्वेशन: यह सुनिश्चित करता है कि सिंथेटिक सिग्नल्स का एरिया तीव्रता ( $I_a$ ) और क्युमुलेटिव एब्सोल्यूट वेलोसिटी (CAV) भौतिक नियमों (Hanks & Kanamori, 1979; FEMA 440) के अनुरूप हो।
3. शियर-वेव वेलोसिटी कम्पैटिबिलिटी: यह $V_{s30}$ और मृदा गुणों (soil properties) के आधार पर स्पेक्ट्रल कम्पैटिबिलिटी को लागू करता है (Aki & Richards, 2002)।
- कुल लॉस को $L_{total} = L_{adv} + \lambda_1 L_{PSA} + \lambda_2 L_{energy} + \lambda_3 L_{Vs}$ के रूप में तैयार किया गया है, जिसके वेट्स ग्रिड सर्च ( $\lambda_1=0.40, \lambda_2=0.30, \lambda_3=0.30$ ) के माध्यम से कैलिब्रेट किए गए हैं।
वैलिडेशन: सिंथेटिक रिकॉर्ड्स को सिंगल डिग्री ऑफ फ्रीडम (SDOF) डायनेमिक इक्विलिब्रियम इक्वेशंस और पेरूवियन सिस्मिक बेस शियर फॉर्मुलेशन (Norma E.030-2018) के विरुद्ध सत्यापित किया गया था।

प्रमुख योगदान

आर्किटेक्चर: एक pc-cGAN का विकास जो एंडियन सबडक्शन ज़ोन की विशेषता वाले छोटे कैटलॉग पर भी काम कर सकता है और साथ ही लॉस फंक्शन में सीधे तौर पर सत्यापन योग्य सिविल इंजीनियरिंग फिजिक्स को समाहित करता है।
बेंचमार्किंग: एक 10-फोल्ड क्रॉस-वैलिडेटेड तुलना जो प्रदर्शित करती है कि प्रस्तावित मॉडल पारंपरिक स्टोकेस्टिक सिमुलेशन और अनकन्स्ट्रेंड GANs दोनों से बेहतर प्रदर्शन करता है।
साइट-विशिष्ट अनुप्रयोग: मध्य पेरूवियन तट (लिमा-इका) के लिए भूकंपीय-खतरा अनिश्चितता में 38% की कमी का प्रदर्शन, जो विशेष रूप से अनौपचारिक बस्तियों के जोखिम मूल्यांकन को संबोधित करता है जो लिमा के बिल्डिंग स्टॉक का 70% हिस्सा हैं।
स्केलेबिलिटी: एक विश्लेषण जो न्यूनतम रिट्रेनिंग के साथ अन्य डेटा-दुर्लभ लैटिन अमेरिकी सबडक्शन ज़ोन (जैसे, चिली, इक्वेटर, कोलंबिया) के लिए इस फ्रेमवर्क की संभावित प्रयोज्यता को दर्शाता है।

परिणाम
pc-cGAN ने टेस्ट सेट ( $n=40$ ) पर निम्नलिखित प्रदर्शन मेट्रिक्स प्राप्त किए:

PSA कोरिलेशन: PSA कर्व्स (0.2–2.0 s) के लिए 0.94 का पियर्सन कोरिलेशन कोएफिशिएंट ( $R$ ), जो अनकन्स्ट्रेंड GANs ( $R=0.71$ ) और स्टोकेस्टिक सिमुलेशन ( $R=0.69$ ) की तुलना में काफी अधिक है।
फिजिकल कंप्लायंस: 98% सिंथेटिक सिग्नल्स ने एक साथ तीनों भौतिक बाधाओं को पूरा किया, जबकि अनकन्स्ट्रेंड GANs के लिए यह केवल 32% था।
एरर मेट्रिक्स: PSA रूट मीन स्क्वायर एरर (RMSE) 0.12 g (लक्ष्य < 0.15 g) था, और CAV-RMSE 0.05 g·s था।
अनिश्चितता में कमी: वास्तविक कैटलॉग (27 रिकॉर्ड) को 1,000 सिंथेटिक रिकॉर्ड के साथ बढ़ाने से, $T=1.0$ s पर PSA के लिए कोएफिशिएंट ऑफ वेरिएशन (CoV) कम हो गया, जिसके परिणामस्वरूप भूकंपीय-खतरा अनिश्चितता में 38% की कमी आई।
दक्षता: मॉडल ने मैनुअल पोस्ट-जेनरेशन फिल्टरिंग की आवश्यकता को समाप्त कर दिया, जिससे उन वर्कफ़्लो की तुलना में कंप्यूटेशनल लागत में लगभग 60% की कमी आई जिनमें गैर-भौतिक सिग्नल रिजेक्शन की आवश्यकता होती है।

महत्व और दावे
पेपर का दावा है कि pc-cGAN फ्रेमवर्क डेटा-संचालित डीप लर्निंग और इंजीनियरिंग कठोरता के बीच के अंतर को पाटता है। यह सुनिश्चित करके कि उत्पन्न किए गए ग्राउंड मोशन न केवल वास्तविक रिकॉर्ड के सांख्यिकीय रूप से समान हैं बल्कि ASCE 7–22 और Norma E.030-2018 के साथ भौतिक रूप से सुसंगत भी हैं, यह मॉडल बिना किसी मैनुअल हस्तक्षेप के कोड-अनुपालन स्ट्रक्चरल डिजाइन के लिए सीधे उपयोग योग्य इनपुट प्रदान करता है।

लेखक इसके व्यावहारिक महत्व पर जोर देते हैं, जहाँ उत्पन्न रिकॉर्ड्स अनौपचारिक बस्तियों के लिए अधिक सटीक संभाव्यता भेद्यता (probabilistic vulnerability) मूल्यांकन को सक्षम करते हैं। विशेष रूप से, भूकंपीय अनिश्चितता में कमी जोखिम वर्गीकरण (जैसे, ASCE 41–17 के तहत "उच्च अनिश्चितता" से "मध्यम अनिश्चितता" में) में बदलाव की अनुमति देती है, जो अनावश्यक विध्वंस आदेशों को रोकने और SINAGERD ढांचे के तहत साक्ष्य-आधारित रेट्रोफिटिंग नीतियों का समर्थन करने में सक्षम है। अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण डेटा-दुर्लभ क्षेत्रों के लिए एक स्केलेबल, कम लागत वाला समाधान प्रदान करता है, हालांकि यह क्रस्टल फॉल्ट ज़ोन, स्थानिक सहसंबंध (spatial correlation), और लिक्विफैक्शन नॉन-लिनियैरिटी के संबंध में सीमाओं को स्वीकार करता है, जिन्हें भविष्य के कार्य के लिए लक्षित किया गया है।