Peak Ground Acceleration Prediction Models For Regional Structural Risk Assessment Using Spatial Data Based Machine Learning Nadia Saleem

Abstract

Predicting ground motions and peak time-domain ground-motion parameters, such as peak ground acceleration (PGA), peak ground velocity, and peak ground displacement at a specific location as intensity measures, is challenging because of the limited number of recorded ground motions and the complexity of traditional empirical methods. This study introduces an advanced method that merges geographic information system (GIS) capabilities with a machine learning model focused on spatial data analysis to predict Ground Motions, Peak Ground Acceleration (PGA) parameters. Addressing the challenges of limited ground motion records and complex prediction equations, the model forecasts PGA classes and ground motion acceleration timeseries based on data from seismic stations, including recorded ground motions, PGA values, interstation distances, rupture distance and shear-wave velocity in the upper 30 meters . Employing mutual information-based feature selection, it effectively prepares a spatial matrix enhancing the model's performance. The study assesses various machine learning algorithms, with XGBoost and CatBoost emerging as the most accurate, achieving 99.1% and 98.9% accuracy in PGA classification. These models were validated via K-Fold cross-validation and compared using the Wilcoxon signed-rank test. Notably, tree-based models like XGBoost, with hyperparameters optimized through GridSearchCV, outperformed others, indicating their strength in capturing complex non-linear spatial relationships. Additionally, real-time applications of spatial data analysis-based machine learning PGA prediction models were used to estimate the seismic vulnerability of postulated concrete box-girder bridges in San Fernando, thus providing insights into damage probabilities based on predicted PGA values. Moreover, this study analysis the XGBoost model's ability to reconstruct ground motion time series at uninstrumented seismic stations was a significant advancement. By extracting both time domain and frequency domain features from observed station data, the model efficiently estimated ground motions with a high degree of precision.|한정된 지진 데이터 기록과 전통적인 경험적 방법론의 복잡성으로 인해 최대 지반가속도 (PGA), 최대 지반속도 및 최대 지반 변위와 같은 시간에 따른 최대 지반운동 매개 변수를 예측하는 것은 어려운 과제이다. 본 연구에서는 지리 정보 시스템 (GIS) 기능과 공간 데이터 분석에 중점을 둔 머신러닝 모델을 결합하여 지진의 지반 운동 및 최대 지반 가속도(PGA) 매개 변수를 예측하는 발전된 방법을 소개하고자 한다. 한정된 지진 데이터와 복잡한 예측 방정식의 어려움을 해결하기 위해 지진 관측소의 지반 운동, PGA 값, 관측소 간 거리, 파열 거리 및 상부 30미터의 전단파 속도 데이터를 기반으로 PGA 클래스와 지상 움직임 가속도 시계열을 예측하는 모델을 개발하였다. 상호 정보 기반의 특성 선택 기법을 적용함으로써 모델의 성능을 향상시키는 공간 매트릭스를 효과적으로 준비하였다. 본 연구에서는 다양한 기계 학습 알고리즘을 평가하였으며, XGBoost와 CatBoost가 PGA 분류에 있어 99.1% 및 98.9%의 정확도를 달성하여 가장 정확한 것으로 나타났다. 해당 모델들에 대해서는 K-Fold 교차 검증을 통해 유효성을 입증하였고, Wilcoxon 부호 순위 검정을 통해 모델들을 비교하였다. 특히 그리드 서치를 통해 최적화된 하이퍼파라미터를 사용한 XGBoost와 같은 트리 기반 모델들이 다른 모델들에 비해 복잡한 비선형 공간 관계를 포착하는 데 강점을 보였다. 또한, San Fernando의 가상의 콘크리트 박스 거더 교량의 지진 취약성을 예측하기 위해 공간 데이터 분석 기반 기계 학습 PGA 예측 모델의 실시간 적용해본 결과, 예측된 PGA 값에 기반한 피해 확률에 대해 높은 정확성을 보여주었다. 더욱이, 본 연구에서 XGBoost 모델이 비계측 지진 관측소에서 지반운동 시계열 데이터를 효과적으로 재구성하는 능력에 있어 중요한 발전이 있었음을 알 수 있었다. 해당 모델은 관측된 관측소 데이터에서 시간 영역 및 주파수 영역 특성을 추출함으로써 높은 정밀도로 지반 운동을 추정하였다.