An Unsupervised Machine Learning Approach for Ground-Motion Spectra Clustering and Selection

要約

応用科学における機械学習の急速な発展に助けられ、シーケンスデータのクラスタリング解析は工学設計における多くのアプリケーションに対応し続けている。本論文では、教師なし機械学習アルゴリズムを用いて、潜在特徴とも呼ばれる地震動スペクトルの定義的特徴を抽出し、地震動選択(GMS)を支援する。ここでいう潜在特徴とは、ニューラルネットワークオートエンコーダの非線形関係を通して学習された低次元の機械発見スペクトル特性である。機械的に発見された潜在特徴は、従来から定義されている強度尺度と組み合わせることができ、大規模な地上運動群から代表的なサブグループを選択するためにクラスタリングを実行することができる。効率的なGMSの目的は、構造物がその生涯において確率的に経験するであろうことを代表する特徴的な記録を選択することである。このアプローチを検証するために、合成および実地記録された地盤変動データセットを用いた3つの例を示す。地盤変動スペクトルのディープエンベッディングクラスタリングには3つの利点がある：1.オートエンコーダの学習により、地盤変動の疎なスペクトル内容を表す定義的特性が効率的に発見される。2.ディープエンベッディングスキームにおける条件変数により、領域知識が機械学習の枠組みに組み込まれる。

要約(オリジナル)

Clustering analysis of sequence data continues to address many applications in engineering design, aided with the rapid growth of machine learning in applied science. This paper presents an unsupervised machine learning algorithm to extract defining characteristics of earthquake ground-motion spectra, also called latent features, to aid in ground-motion selection (GMS). In this context, a latent feature is a low-dimensional machine-discovered spectral characteristic learned through nonlinear relationships of a neural network autoencoder. Machine discovered latent features can be combined with traditionally defined intensity measures and clustering can be performed to select a representative subgroup from a large ground-motion suite. The objective of efficient GMS is to choose characteristic records representative of what the structure will probabilistically experience in its lifetime. Three examples are presented to validate this approach, including the use of synthetic and field recorded ground-motion datasets. The presented deep embedding clustering of ground-motion spectra has three main advantages: 1. defining characteristics the represent the sparse spectral content of ground-motions are discovered efficiently through training of the autoencoder, 2. domain knowledge is incorporated into the machine learning framework with conditional variables in the deep embedding scheme, and 3. method exhibits excellent performance when compared to a benchmark seismic hazard analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL