1. TimesNet-Gen：站点特定强震生成模型的技术解析

地震工程领域长期面临一个关键挑战：如何准确模拟特定场地的地震动特性。传统方法依赖于经验公式和物理模型，但往往难以捕捉真实地震记录的复杂时空特征。TimesNet-Gen的提出，标志着深度学习技术在这一领域取得了突破性进展。

这个模型的核心创新在于将时间序列分析的最新成果TimesNet架构，创造性地应用于地震动生成任务。与常见的频域方法不同，TimesNet-Gen直接在时域操作，通过独特的周期识别和二维卷积机制，实现了对地震波复杂动态特性的高保真建模。

特别值得注意的是，该模型无需预先定义任何物理方程或经验关系，完全通过数据驱动的方式学习站点响应特性。这种"端到端"的学习范式，代表了地震工程模拟方法论的重大转变。

2. 模型架构与核心技术

2.1 TimesNet基础架构

TimesNet最初是为通用时间序列分析设计的架构，其核心思想是将一维时间序列转换为二维张量表示。这种转换基于一个关键观察：许多物理信号（包括地震波）都包含明显的周期性成分。

模型工作流程可分为四个关键步骤：

1. 频率分析 ：对输入序列进行快速傅里叶变换(FFT)，识别出最显著的k个主导周期
2. 二维重塑 ：根据每个周期p，将原始序列重塑为(T/p,p)的二维网格
3. 卷积处理 ：使用多尺度二维卷积核（类似Inception结构）处理每个周期对应的网格
4. 特征聚合 ：通过可学习的权重系数，融合不同周期分支的输出

这种设计使模型能够同时捕捉：

• 周期内变化（列方向）
• 周期间演变（行方向）
• 多尺度时间模式（通过不同大小的卷积核）

2.2 地震工程适配改造

原始TimesNet主要用于预测和分类任务，研究团队对其进行了三项关键改造，使其适用于强震生成：

1. 编码器-解码器结构 ：

   • 保留原始TimesNet作为编码器
   • 新增对称的解码器结构，用于信号重建
   • 在中间引入潜在瓶颈层(latent bottleneck)

2. 站点ID条件化 ：

   • 使用one-hot编码表示不同地震台站
   • 将站点ID与2D特征图在通道维度拼接
   • 通过1×1卷积将混合特征投影回原始维度

3. 两阶段训练策略 ：

   • 第一阶段：无监督预训练（全数据集）
   • 第二阶段：站点条件化微调（特定台站子集）

这种设计使得模型既能学习地震动的通用特征，又能捕捉特定场地的响应特性。

3. 数据准备与处理流程

3.1 数据集构建

研究使用了土耳其灾害与应急管理局(AFAD)2012-2018年的强震记录，共36,417条。为评估站点特异性，重点选择了5个具有不同地质特性的台站：

台站ID	位置	基本频率(f0)	记录数量
2020	Tavas / Denizli	5.1 Hz	71
4628	Afsin / Kahramanmaras	1.8 Hz	38
0205	Kahta / Adiyaman	2.6 Hz	98
1716	Ayvacik / Canakkale	6.4 Hz	110
3130	Defne / Hatay	12.8 Hz	31

3.2 数据预处理

为确保模型输入的一致性，采用了以下标准化处理：

1. 时间对齐 ：

   • 对长于目标长度的记录：中心裁剪
   • 对短于目标长度的记录：对称零填充

2. 归一化 ：

   • 逐通道(NS,EW,Vertical)标准化
   • 均值归零，方差归一化
   • 输出时进行反归一化

3. 采样率统一 ：

   • 所有记录重采样至100Hz
   • 保持三通道同步处理

4. 模型训练与优化

4.1 两阶段训练策略

第一阶段：无监督预训练

• 目标：建立基础潜在表示空间
• 数据：全数据集（排除后续微调用的348条记录）
• 损失函数：时域MSE（均方误差）

第二阶段：条件化微调

• 目标：学习站点特定特征
• 数据：5个目标台站的348条记录
• 新增：站点ID条件化注入
• 技巧：添加基于台站特性的高斯噪声

4.2 潜在空间采样

由于模型不使用变分自编码器(VAE)的KL散度约束，研究团队设计了特殊的采样策略：

1. 从目标台站的潜在向量池中随机选取N个样本（N=5）
2. 计算这些向量的均值
3. 添加高斯噪声，噪声强度σ来自该台站潜在向量的统计特性

数学表示为： Zₛ = (1/N)ΣZₖ + N(0,σ)

这种"自举聚合"方法既保持了生成多样性，又确保了站点特性的一致性。

5. 评估方法与结果

5.1 水平-垂直谱比(HVSR)分析

HVSR是评估场地效应的经典方法，计算流程如下：

1. 计算三分量(NS,EW,Vertical)的振幅谱|H₁(f)|,|H₂(f)|,|V(f)|
2. 求平均水平振幅谱： |H(f)| = √[(|H₁(f)|² + |H₂(f)|²)/2]
3. 计算HVSR曲线： HVSR(f) = |H(f)|/|V(f)|
4. 识别曲线中的第一个明显峰值作为基本场地频率f₀

5.2 生成质量评估

研究采用了两种互补的评估方法：

频谱一致性分析 ：

• 比较真实与生成记录的f₀分布
• 分析平均HVSR曲线的匹配程度

f₀分布混淆矩阵 ：

1. 对每个台站，计算真实和生成记录的f₀分布
2. 使用Jensen-Shannon散度(JSD)量化分布相似性
3. 构建15×15的相似性矩阵（5台站×3类型）
4. 计算与理想矩阵的归一化互相关(NCC)得分

5.3 主要结果

1. 频谱保真度 ：

   • TimesNet-Gen生成的f₀分布与真实数据高度一致
   • 平均HVSR曲线能准确捕捉各台站的共振特性
   • 在f₀相近的台站(如0205和4628)仍能保持区分度

2. 混淆矩阵得分 ：

   • TimesNet-Gen：0.93
   • 对比基线(VAE)：0.81
   • 表明TimesNet-Gen能更好地区分不同台站特性

3. 波形多样性 ：

   • 相同台站ID下能生成不同P/S波到时、振幅和持续时间
   • 反映了真实地震事件的天然变异性

6. 工程应用与扩展方向

6.1 实际应用场景

1. 地震风险评估 ：

   • 为特定场地生成大量符合统计特性的地震动
   • 补充实际记录不足的问题

2. 结构抗震设计 ：

   • 提供场地匹配的地震动输入
   • 避免结构自振频率与场地f₀共振

3. 早期预警系统 ：

   • 增强波形识别算法的训练数据
   • 提高P/S波检测准确率

6.2 技术优势对比

与传统方法相比，TimesNet-Gen具有三大优势：

特性	传统方法	TimesNet-Gen
理论基础	依赖物理方程和经验关系	纯数据驱动
计算效率	宽带模拟计算成本高	一次前向传播即完成生成
非平稳特性	难以捕捉精细时频变化	自动学习复杂时频模式

6.3 未来改进方向

1. 多物理量约束 ：

   • 加入PGA(峰值地面加速度)、持续时间等强度参数
   • 扩展为多目标优化框架

2. 物理引导生成 ：

   • 将波动方程等物理约束融入训练过程
   • 提高生成结果的物理合理性

3. 跨任务迁移 ：

   • 利用编码器特征进行相位检测、震级估计等
   • 发展地震学基础模型

在实际部署中，建议先在小范围场地进行验证测试，比较生成记录与实际记录的工程参数（如反应谱）匹配度，再逐步扩大应用范围。对于重要工程，仍建议以实际记录为主，生成记录作为补充。