摘要：结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

摘要：为研究2022年台湾花莲6.9级地震对武汉市某超高层建筑结构的影响,初步分析了该建筑结构4个加速度测点记录的各向PGA放大效应、傅立叶谱及反应谱,分别利用互功率谱法和基于协方差的随机子空间法分别识别结构在频域和时域上的一阶模态。结果表明:结构的峰值加速度随楼层的增高而有显著的放大效应,最大放大倍数达7.322倍;各向傅立叶谱峰值均集中在0.275 Hz和1.171 Hz;加速度响应反应谱远小于该地区Ⅵ度设防地震设计谱;两种方法识别的结构一阶模态频率基本一致,均接近数值分析值。台湾花莲6.9级地震没有对该高层建筑结构造成损伤。

摘要：为考查具有量程扩展和原位标定功能的RZB钻孔应变仪传感器的可靠性和稳定性,设计了山洞条件下该传感器与常规传感器的定性对比实验,并对传感器日漂移量进行定量计算。通过对2019-10~2020-05观测数据进行绘图分析和计算统计,验证RZB钻孔应变仪传感器的优越性。

摘要：设计并实现了同震地表破裂空间分布形态的无损测量方法和基于Python平台的自动测量工具,可获得与原数据同等精细程度的地表破裂带空间分布形态及宽度的测量值。以2021年青海玛多M_(W)7.4地震和1983年Idaho Lost River M_(W)6.9地震数据进行性能测试,结果表明,该方法可自动、精细、灵活地测量并绘制地表破裂的空间分布形态。

摘要：针对城区浅层微动探测精细化高效化的需求,设计一套适用于微动线型台阵的快速探测方案。基于检波器多次覆盖利用和线型台阵高效滚动的观测特点,结合实践经验,设计微动线型台阵快速探测方案输出系统,并利用该系统在城区具体场地开展从数据采集到处理的微动探测实验。结果表明,本文方案能有效提高外业观测效率,为台阵快速布设及平移等提供参考。

摘要：通过多目标智能优化算法研究微震震源定位存在的模型组合合理性未阐明、易陷入局部最优解、定位结果波动性较大等问题。为解决这些问题,首先在到时差模型与到时差商模型基础上设计4个不同的微震震源定位数学模型,两两组合构建6个多目标优化定位模型;再设计3组基于不同台网形状(三维多面体、二维长方形、一维直线型)的微震震源正演仿真实验和1组工程数据验证实验,并引入多目标蚁狮优化(multi-objective ant lion optimization,MOALO)算法求解这些模型;最后采用多个统计指标评判各个模型组合定位效果的优劣。结果表明,数学模型组合(TDA-P1,TDQA)结合MOALO算法的多目标优化定位策略能够得到较高的微震震源定位精度,且模型稳健性较好,优于其他模型组合和传统多目标定位方法,在微震监测领域具有一定的应用价值。

摘要：以一座双塔双索面半飘浮体系大跨度斜拉桥为工程背景,计算分析了纵向+竖向和横向+竖向激励下近断层脉冲型地震动、近断层非脉冲型地震动和远场地震动对大跨斜拉桥地震响应的影响。结果表明:近断层脉冲型地震动、近断层非脉冲型地震动和远场地震动作用下,大跨斜拉桥主塔和主梁的地震响应规律基本相同;近断层脉冲型地震动对大跨斜拉桥主塔和主梁的内力和位移均具有一定程度的放大效应,其中对主塔纵向位移和主梁竖向和横向位移的放大效应十分显著;纵向+竖向激励下大跨斜拉桥主塔纵向位移和主梁竖向位移对近断层脉冲型地震动比较敏感,主梁竖向弯矩和主塔纵向弯矩的敏感程度相对较弱;横向+竖向激励下大跨斜拉桥主梁横向位移对近断层脉冲型地震动最敏感,主梁横向弯矩的敏感程度相对次之,主塔横向弯矩和横向位移敏感程度最弱。

摘要：地震观测台站监测系统通常存在布线复杂、布设成本高、建设困难等问题,本方案设计了一种基于RaspberryPi 4B和无线Mesh的地震台站行业网络传输系统。该系统包括无线Mesh自组网系统及地震观测仪器组成。本设计采用前兆倾斜仪为例,采用开源的RaspberryPi 4B作为无线Mesh自组网硬件平台,采用Openwrt开源软件实现无线Mesh自组网应用。本文给出了无线Mesh地震观测台站组网方案的硬件设计和软件流程。经在地震观测台站实验表明,无线Mesh组网系统具备易于布设、组网灵活、稳定性高等优点,可广泛应用于复杂观测环境下的地震观测系统组网。

摘要：为解决天然地震事件性质辨识依赖人工检测、自动化程度不高且误差较大的问题,利用机器学习中的最小二乘支持向量机(LSSVM)和信息论中的排列熵、近似熵及香农熵等特征参数,建立Entropy-LSSVM地震波形特征提取与事件性质辨识模型。基于2021年青海玛多M_(S)7.4地震、云南漾濞地震事件及人工爆破干扰事件等共计500条波形数据,设计多个不同训练比例与测试比例的随机抽取子实验,采用准确率、召回率、特效度、精确度、F-measure验证该模型的有效性。实验结果表明,熵特征对天然地震和非天然地震事件波形的区分效果明显,且结合熵特征的LS-SVM模型整体性能优于QDA、LDA、朴素贝叶斯、决策树、LogitBoost及RobustBoost等方法,训练集与测试集比例为3∶2的辨识准确率和召回率分别达到99.00%和96.97%,即使训练集只有50条的辨识准确率也可达98%以上,这对天然地震事件的有效甄别有一定参考价值。

摘要：在常规强震动监测工作中,常记录到人工爆破、塌陷等非天然地震动事件信号,以及电磁环境干扰、设备故障等引起的异常信号,这对地震预警预报工作中的地震精确识别极为不利.设计一种新型天然地震事件特征提取及性质辨识方法,克服以往全人工或半人工识别地震的不足之处,引入协方差驱动的随机子空间(Cov-SSI)方法,经过Hankel矩阵构造、奇异值分解、系统定阶、特征值分解及系统状态矩阵方程求解等步骤,从目标记录中提取出系统阶次、系统协方差矩阵奇异值累加和、有效奇异值个数、模态频率及系统特征根实部等特征参数,应用决策树为弱学习器的AdaBoost集成学习算法对目标事件进行性质辨识.实验数据选取九寨沟M7.0级天然地震事件强震动记录与干扰数据,结果表明:整体辨识准确率达到90%以上;在同等条件下,辨识准确率、召回率、F-Measure等性能指标皆优于SVM、KNN、DAC等传统机器学习方法;该法在天然地震事件性质准确辨识领域,有一定的参考价值.