Page 93 - 2024年第55卷第8期

ｅｘｐｅ
ｉｊ
＝ｓｏｆｔｍａｘ（ｆ（ｑ，ｋ）） ＝ｓｏｆｔｍａｘ Ｔ （１１）
α ｉｊ ｃ
∑ ｅｘｐｅ
ｉｋ
ｋ ＝１
为隐藏状态 ｈ的权重；ｓｏｆｔｍａｘ（·）为归一化指数函数；ｑ和 ｋ分别为注意力模块的输入 ｑｕｅｒｙ
式中：α ｉｊ ｊ
和 ｋｅｙ。具体而言，ｑｕｅｒｙ定义了对齐时要查询的目标元素；ｋｅｙ定义了对目标元素有贡献的源元素。
ｅ是一个对齐模型（ａｌｉｇｎｍｅｎｔｍｏｄｅｌ），用于评价输入时间步 ｊ和输出时间步 ｉ的匹配度，其数值以 Ｅｎ
ｉｊ
ｃｏｄｅｒ隐藏状态 ｈ为计算基础，通过对齐模型计算得出：
ｔ
ｅ＝ ａｌｉｇｎ（ｓ ，ｈ） （１２）
ｊ
ｉｊ
ｉ － １
在本文中，对齐模型 ａｌｉｇｎ采用一个前馈神经网络实现，该神经网络与 Ｓｅｑ２Ｓｅｑ的所有其他模块联
，
合训练，允许反向传播损失函数的梯度。对齐模型通过梯度优化训练出表征时序依赖关系的权重 α ｉｊ
ｘ能够对齐与之相关性最大的来源时间步。
使得 Ｄｅｃｏｄｅｒ所预测的目标时间步 ｔ的地震信号 珓
ｔ
４ 工程应用

４．１ 工程背景 以我国西南部的某个大型水电站大坝工程为例进行坝区自由场地震多输出长时序预测
研究。大坝为砾石土心墙堆石坝，最大坝高为 ２９５．０ｍ。坝址位于鲜水河地震带附近，处于印度洋板
块和欧亚板块破碎带。为监测地震作用下的坝体和内部振动，在大坝内部和表面共安装了 ７台三方向
数字地震仪记录地震加速度，物理传感器的布置位置如图 ３所示。自由场地震时程测点位于大坝下游
１．８ｋｍ的峡谷处，以记录不受结构反应影响的地面运动加速度。大坝建成后，２０２２年 ９月 ５日 １２时，
四川省泸定县发生里氏 ６．８级地震，震源深度 １６ｋｍ，地震发震断裂为鲜水河断裂带南端磨西段，震
中位于泸定县磨西镇，距坝址约 １２５ｋｍ。自由场数字地震仪采用手动读取的方式采集信号，坝体安装
的数字地震 仪 通 过 网 络 自 动 上 传。该 次 地 震 触 发 记 录 的 地 震 信 号 共 ４组 （ＳＭ０１、 ＳＭ０２、ＳＭ０３和
ＳＭ０５），每个地震仪监测收集了两个水平方向和一个竖直方向的坝体地震响应信号，数字地震仪的采
样率为 ２００Ｈｚ，截取地震发生前后共 ４０ｓ的监测信号用于后续分析，数据总量为 ４ × ３ × ８０００，如图 ４
所示。

图 ３ 工程所在位置和三方向地震仪安装位置

图 ４ 坝体数字地震仪记录的地震信号

４．２ 坝区多输出自由场地震时程长时序预测分析 基于 ＴＦＡ － Ｓｅｑ２Ｓｅｑ虚拟传感器，根据现场实测的
地震信号时间序列作为数据样本，对坝区自由场虚拟传感器进行构建，并采用五折交叉验证方法验证
所采用模型的有效性和准确性。其中，针对坝体地震响应信号和自由场地震时程中的每一条地震加速
度数据，均采用滑动窗截取的方式构建数据样本，滑动窗间隔取 Δ ｔ，滑动窗长度为 Ｔ，即虚拟传感器

— ９ ７ １ —