Quantifying Epistemic Uncertainty in Ground Motion Prediction Using Bayesian Neural Networks: Application to Peninsular India
本研究开发了一个适用于印度半岛的贝叶斯神经网络地面运动模型，该模型有效地分离并量化了认知不确定性与偶然变异性，并证明了通过概率地震危险性分析传播这种场景相关的认知不确定性，比传统的仅考虑偶然性的方法能得出显著更高且更准确的谱加速度估计值，尤其是在数据稀缺区域的长重现期情形下。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当地震发生时，脚下土地的剧烈震动并非一个单一、可预测的数值。它是一个复杂的、混沌的事件，取决于地震的大小、距离、土壤类型以及破裂发生的深度。对于设计医院、桥梁和摩天大楼的工程师来说，了解这种震动的可能强度关乎生死。他们依赖数学模型来预测这些力量，但在世界许多地方，构建这些模型所需的数据却非常匮乏。在像印度半岛这样地震频率低于日本或加利福尼亚地区的区域，科学家们用来研究的实际震动记录非常稀少。这种数据的缺乏造成了一种特定的问题：不仅是模型可能出错，而且科学家们甚至不知道自己错得有多离谱。这被称为认识不确定性（epistemic uncertainty），即人类知识差距的一种度量。如果一个模型假装其确定性高于数据所允许的范围，可能会导致建筑要么过于脆弱而危险，要么过度设计而造成浪费。
来自马德拉斯印度理工学院的一个研究小组通过为印度半岛建立一种新型预测工具解决了这一问题。该系统并非使用给出单一固定答案的标准计算机程序，而是基于贝叶斯神经网络创建了一个系统。可以将它想象成一个数字大脑，它不仅学习一套规则，还学习理解自身知识的极限。通过向系统输入数千条来自印度及类似稳定地区的地震记录，研究人员教会了它如何预测地面震动的强度——从最初的冲击到随之而来的长波滚动。其结果是，该模型不仅会说“震动将会有多强”，还会说“震动很可能如此之强，并且这里是我们无法排除的可能性范围”。
研究人员汇编了一个庞大的数据集，整合了来自3000多场地震的近40,000条记录。由于印度半岛的强震动数据稀缺，他们不得不将这些本地记录与来自其他稳定大陆区域（如美国中东部）的数据混合在一起。这创造了一个丰富但分布不均的数据集，其中以小规模地震为主，缺乏许多发生在远方的罕见大规模事件的记录。新模型学会了如何在这一不均匀的景观中进行预测，模拟不同震级、距离和土壤类型下的地面运动。它成功地重现了震动随距离衰减以及在软弱土壤中放大的物理现实，在预测方面达到了极高的准确度。
这项工作的独特之处在于它区分了两种不同的不确定性。第一种是偶然不确定性（aleatory variability），即地震自然的、随机的混沌状态。即使规模和距离相同，也没有两场完全相同的地震；地面震动的方式总是各不相同。第二种是认识不确定性，即模型本身的不确定性。在本研究中，研究人员发现，震动的自然随机性相当大，其对数单位下的标准差在0.76到0.89之间。相比之下，模型对其自身预测的不确定性则要小得多，大约在0.04到0.11之间。这意味着模型对其结构非常有信心，但现实世界仍然是一个充满噪声且不可预测的地方。至关重要的是，该模型显示这种不确定性并非处处相同。对于影响高层建筑的长周期震动，以及在数据稀疏的区域（如远离记录站的超大型地震发生时），这种不确定性会变得更大。
当研究人员将这种新方法应用于印度四个主要城市——孟买、金奈、班加罗尔和海得拉巴的现实安全计算时，这项工作的真正考验才算开始。他们进行了模拟实验，以观察纳入这种“关于模型的确定性”如何改变最终的安全评估。他们发现，答案在很大程度上取决于具体的城市和建筑类型。对于某些地点，忽略模型的这种不确定性会导致低估罕见灾难性震动的风险；而对于其他地点，这种差异则微乎其微。研究表明，你不能简单地在预测值上增加一个固定的安全系数来应对这些未知数。相反，必须将不确定性直接织入计算之中，因为对于一个城市的短层建筑与另一个城市的摩天大楼而言，这种不确定性的影响是截然不同的。
研究人员通过检查该模型对印度半岛近期发生的几次重大地震（如1967年科伊纳地震和2001年布杰地震）的拟合情况，验证了其模型的有效性。模型的预测与观测到的震动模式吻合良好，处于预期的不确定性范围内。这表明，在数据难以获取的地区，该工具足以用于设计更安全的基础设施。通过明确量化那些我们所不知道的事物，研究人员提供了一个更诚实、更完整的地震风险图景。他们的工作表明，在缺乏完美数据的情况下，保护一座城市的最佳方式不是假装数据是完美的，而是构建一个能够理解自身局限性的模型。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。