Teleseismic P-wave data reconstruction based on compressive sensing theory
-
摘要:
本文将基于压缩感知理论的地震观测数据重建方法用于天然远震事件的P波到时处理之中,基于曲波(curvelet)变换,建立基于L1范数的正则化反演模型,并采用迭代收缩阈值算法(ISTA)求解该模型。针对在内蒙古布设的流动地震台阵记录到的远震波形数据,对其进行稀疏采样,采用稀疏反演重建方法对欠采样数据进行重建,并拾取重建数据的P波到时,之后开展远震P波层析成像进行验证。研究结果表明,远震天然地震观测数据在曲波变换中表现出稀疏性,可利用压缩感知方法实现远震P波数据的完备化处理。基于内蒙古流动地震台阵数据三维P波成像也表明,基于压缩感知的数据重建技术可以提高地震层析成像的分辨率,且压缩感知采集技术在天然地震研究中具有潜在的应用价值。
Abstract:The non-uniformity and incompleteness of seismic data in space have long been one of the significant challenges affecting seismic imaging. The factors that cause the non-uniform spatial distribution of seismic data are primarily twofold: Firstly, the non-uniform distribution of earthquakes, which are the sources of seismic waves; Secondly, the non-uniform distribution of seismic stations used to record these waves. In areas where stations are difficult to built, such as mountainous regions and offshore locations, uniform array deployment becomes impractical. These factors lead to the acquisition of non-uniform and incomplete data, thereby reducing the resolution and accuracy of the imaging results.
The core principle of compressed sensing theory is to exploit the sparse nature of the signal and then employ a non-linear reconstruction algorithm to recover the original signal. Since seismic wavefields exhibit continuity, then missing or irregularly sampled seismic data can potentially be recovered through compressed sensing techniques. In the time domain, seismic observation data usually contain rich frequency information. However, due to the filtering effects of subsurface layers, the bandwidth of the actual recorded seismic data is limited, and the data exhibit sparsity in the frequency domain. Based on this characteristic, under limited acquisition conditions, the reconstruction of missing seismic data utilizing compressed sensing theory can, to some extent, mitigate the problem of insufficient seismic data coverage.
In oil and gas seismic exploration, data reconstruction methods based on compressed sensing theory have been widely applied to address the issue of insufficient sampling. However, relevant discussions are not yet common in the acquisition and processing of natural earthquake data. In fact, due to environmental and site constraints, the acquisition of natural earthquake data also suffers missing and irregular sampling issues. Moreover, owing to the irregular distribution of acquisition stations, the reconstruction of natural earthquake data encounters greater challenges. Natural earthquake waveforms are more complex, and proposing a reliable scheme for reconstructing natural earthquake data under the condition of irregularly distributed acquisition stations is a relatively difficult problem.
For artificial seismic exploration data reconstruction, the trace spacing is small, and the waveforms of adjacent traces exhibit good consistency. In Chinese continental natural earthquake observation stations, the minimum station spacing is less than 30 km, and the teleseismic waveforms recorded at different stations also exhibit certain similarities. This study commences with natural teleseismic observation data, draws upon the experience of artificial seismic data reconstruction, and attempts to conduct research on the reconstruction of teleseismic data. Relevant experimental verifications have been carried out.
To verify the reconstruction effect of the algorithm, we first use the reflectivity method to calculate the theoretical seismogram, simulating the teleseismic P-wave data recorded by the Inner Mongolia movable array. Thirty-six seismic stations receive the data, with a sampling interval of 2 ms and 5501 sampling points. The simulated seismic data are obtained through calculation of seismic travel time, and the missing teleseismic P-wave data are recovered, verifying the effectiveness of the method. Compared with the original record, the reconstructed seismic record signals can restore the waveform relatively well; the reconstructed result is generally consistent with the original record. In terms of amplitude, the reconstructed result is significantly smaller, and the frequency is also higher, which shows that the reconstruction method has the effect of suppressing random noise. Simultaneously, there are certain differences in the waveforms across different stations, and the analysis suggests that the number of iterations for certain station data is insufficient, or there are discrepancies in parameter adjustments.
We applied the seismic data reconstruction method that based on compressed sensing to process P-wave arrival times of teleseismic events. Firstly, the curvelet transform is utilized as a sparse transform, and a regularized inversion model based on the L1 norm is established. The iterative shrinkage-thresholding algorithm (ISTA) is employed to solve this model. Subsequently, the compressed sensing theory is applied to the reconstruction of teleseismic data observed by the portable seismic array in the Inner Mongolia region. On this basis, data reconstruction is performed on the acquired real earthquake data, and the reconstructed P-wave arrival time data are picked to verify the effectiveness of the method through teleseismic tomography.
The practice of natural earthquake data reconstruction demonstrates that natural earthquake data exhibit a sparse representation in the curvelet transform domain. Based on the seismic data itself, when seismic data are missing or the natural earthquake observation data are incomplete, the compressed sensing theory can be employed to reconstruct the seismic data. Concurrently, this method can be utilized to reconstruct data with poor signal-to-noise ratio and obtain high signal-to-noise ratio seismic data. In this study, the fast marching teleseismic tomography (FMTT) method is used to invert the velocity structure from the original data, sampled data, and reconstructed seismic data, respectively. The results indicate that when data are missing, the calculated tomographic velocity structure deviates significantly from that calculated with complete data. The relative error between the tomographic result obtained from the reconstructed data and that from the complete data is within 0.02%. The vertical cross-section shows that the tomographic results obtained from the original data and reconstructed data exhibit highly similar travel time residuals, and the spatial positions and shapes of the main high and low velocity anomaly zones are highly consistent. This signifies that the compressed sensing based theory reconstruction method can recover the imaging results from the sampled data. The practice of three-dimensional P-wave imaging proves that the data reconstruction technique based on compressed sensing theory can improve the resolution of seismic tomography. The results also demonstrate the potential application value of compressed sensing acquisition technology in natural earthquake data, which can provide and broaden the research ideas for exploring new array observation methods and data acquisition strategies for natural earthquakes.
-
Keywords:
- compressive sensing /
- curvelet transform /
- teleseismic P-wave /
- seismic reconstruction /
- L1 norm
-
引言
地震动地形效应属于地震工程领域的重要研究内容,复杂地形对地震动特性的影响机制研究可以为工程抗震设防提供依据。二十世纪七十年代以来,国外学者Boore (1972)、Davis和West (1973)就已经开始系统地研究地形条件对地震动的影响。众多的震后现场调查表明,局部地形的复杂性对震害分布特征有显著影响,尤其是不规则地形能改变地震动的强度和频谱特性(刘晶波,1996;Bouckovalas,Papadimitriou,2005;Peng et al,2009)。河谷作为自然界中广泛存在的局部不规则地形,其独特的地形几何形态能够引发地震波复杂的散射和衍射现象,导致地震动在局部区域内产生差异,进而影响周边建筑物的震害程度(高玉峰等,2021)。历史上多次强震事件均有力地证明了河谷地形对震害的重要影响。例如,2005年巴基斯坦东部巴控克什米尔地区的MS7.8强烈地震中,位于Kaghan河谷谷地附近的巴拉考特镇遭受了毁灭性打击,超过90%的建筑物倒塌,造成了大量人员伤亡(曲国胜等,2008)。2008年中国四川攀枝花市仁和区与凉山州会理县交界的MS6.1地震中,沿河谷地带的震害严重、地形效应显著(肖文海,2009);汶川MS8.0特大地震中,位于流沙河阶地之上的汉源县城出现了罕见的远震高烈度异常现象(李平等,2016);此外,平武县南坝镇涪江、彭州小鱼洞镇湔江、什邡市石亭江等河流阶地上不同位置的震害情况呈现出显著差异(王伟,2011)。
河谷地形的地震动效应研究方法主要包括强震动观测、理论解析和数值模拟等。强震动观测方法是基于实际地震动记录开展研究(李平等,2016),观测对象为真实的自然地形,具有很好的直观性,但其应用受限于观测资料的获取难度和数量。理论解析则是基于波动理论,利用数学和力学的方法求解地震波在河谷地形下的响应,揭示地震波波形、入射角和入射频率以及地形几何参数对地震动特性的重要影响(李伟华,赵成刚,2003;董俊,赵成刚,2005;梁建文等,2005;韩铮,2006;高玉峰等,2022)。然而,理论解析方法的简化模型与实际情况存在差异,以及对计算能力的高要求,限制了其广泛应用。相比之下,数值模拟的灵活性和高精度,使其逐渐成为研究河谷地形效应的主流方法。国内外学者采用有限差分法(Boore,1972;Tessmer,Kosloff,1994;王铭锋等,2017)、有限元法(Kurita et al,2005;周国良等,2012;章小龙等,2017;孙纬宁等,2019;沈欣茹等,2023)及边界元法(林皋,关飞,1990;Liu et al,2018;何颖等,2019),深入研究了地震动在河谷场地下的传播与响应,揭示了河谷场地深宽比、覆盖层厚度、坡角以及输入地震动强度和入射角对地表地震动的影响规律。
河流阶地由于经历了地质演化作用过程,具有复杂的几何结构和厚度不均匀的沉积地层特征,目前这两种因素对地震动的耦合效应影响机制研究较少。本文基于2008年汶川特大地震河流阶地的现场震害调查资料,选取河流阶地作为研究对象,利用FLAC3D有限差分软件建立具有不同厚度覆盖土层的三维河流阶地分析模型,模拟计算其在脉冲荷载作用下的地震动响应,揭示了河流阶地地形对地震动特性的影响规律,进一步探讨了其对建筑物震害分布影响的内在机制。
1. 河流阶地的现场震害调查
在2008年汶川特大地震之后,对河流阶地上的建筑物震害情况进行了全面调查,收集了大量宝贵的现场资料。分析发现河流阶地不同位置处的覆盖层厚度存在显著差异,与相应位置建筑物的震害程度密切相关。具体而言,在冲洪积层较厚的阶地前缘区域,建筑物遭受了非常严重的破坏;相反,在阶地后缘与山体坡脚连接的洪积层较薄区域,建筑物的受损程度则相对较轻。总体上,阶地前缘的建筑物震害程度显著高于阶地后缘。
以平武县南坝镇为例,该镇坐落于涪江顺流右侧的河谷盆地之中,与断层的直线距离仅为4.2 km,处于地震烈度高达Ⅺ度的区域。在涪江的南岸,存在一处高于江面30 m左右的Ⅲ级冲洪积阶地,其底部由厚度超过20 m的冲洪积卵砾层和漂石层构成,地表为相对较薄的黏土层。调查结果显示,在阶地前缘,即靠近涪江一侧的建筑物,倒塌与破坏极为严重,如图1所示;而阶地后缘上覆层为较薄坡残积碎石层,该区域的建筑物大多保持完好或仅受轻微损害,如图2所示。
什邡市的蓥华镇则位于石亭江次流分支——竹溪河的右岸,处于Ⅸ度烈度区,且与主断层的直线距离约为20.2 km。沿着河流的走向,对该镇上的各类建筑物进行了详尽的现场调查,主要涵盖了村庄的民房、工厂的厂房、工人宿舍等80多个建筑物调查点,其不同区域建筑物的震害程度分布示于图3。可以看到,在靠近河流的阶地前缘区域建筑物破坏程度严重,而远离河流的山前阶地后缘区域建筑物震害则相对较轻。具体表现为阶地后缘的建筑物大多保持了较好的完整性或只遭受了轻微的损害,如图4所示;而阶地前缘的建筑物却受到了严重的破坏,尤其是恰好位于阶地前缘与坡地交汇处的蓥峰实业工厂,其地下是厚度约30—50 m的坡洪积漂卵石层,地震发生后该工厂的车间、厂房普遍倒塌破坏,如图5所示。
彭州小鱼洞镇坐落于湔江顺流右岸Ⅱ级阶地与山前洪积扇交汇处,位于Ⅹ度地震烈度区,与主断层直线距离为12.7 km。该镇地势自西向东逐渐降低,形成了明显的Ⅱ级河流阶地地形,如图6所示。在西南方向,山脚处的基岩局部裸露,其覆盖层以坡残积为主;而沿着东北方向靠近湔江,逐渐变为以坡洪积和冲洪积为主的覆盖层,厚度也由最初的3—5 m逐渐增加到20—30 m左右。在离湔江较近的Ⅱ级阶地前缘区域,存在厚度超过20 m的卵砾石层和漂卵石层,阶地表层则覆盖着厚度不足1 m的黏土层。小鱼洞镇建筑物震害分布示于图7,其中调查的建筑物结构基本以单层砌体结构和多层框架结构为主,部分工厂的厂房则是钢结构,而房屋的基础类型多为条形基础,埋深较浅,仅有1.0—2.0 m左右。同时结合Ⅱ级河流阶地地形剖面图,可以清晰地观察到从阶地前缘至后缘位置,建筑物的破坏程度呈现出明显的减轻趋势。在阶地前缘(水平距离约为0.8—0.9 km),房屋倒塌和严重破坏的现象频繁发生,如图8所示;而在山前较缓的阶地后缘(水平距离约为1.2 km),房屋则大多保持完好或受到轻微损害,如图9所示。值得注意的是,小鱼洞断裂的地表破裂在图7中以NW40°方向展布,向东南方向延伸至草坝。破裂性质表现为左旋逆冲,西南盘相对上升,东北盘相对下降,观测到的最大竖向位移达2.7 m,最大水平位移为1.4 m,地表破裂带的宽度为2.3—20.0 m。作者和赵纪生等2008年在地震现场科考发现,小鱼洞地表破裂穿越罗阳村复兴路西侧建筑物倒塌情况,竖向位错1.0 m,水平位错不明显,地表破裂带的宽度为21.0 m;建筑物完全倒塌宽度为26.0 m,上盘比下盘破坏较严重(赵纪生等,2009)。由此可见,小鱼洞镇阶地前缘的400.0 m左右的严重破坏和倒塌破坏分布范围远大于断裂控制的26.0 m,故断裂应该不是小鱼洞大面积震害的主要控制因素。
2. 河流阶地地震动数值模拟
2.1 建立阶地模型
基于汶川MS8.0地震现场的震害调查与野外勘查资料,选取河流一侧具有代表性的阶地地形作为研究对象,通过构建三维模型来分析其地震动响应特性。此过程中,首先利用软件的插值拟合技术生成连续平滑的地层界面;随后通过精细的离散化处理将地层界面转化为FLAC3D软件能高效读取的表格数据;最后利用FLAC3D中的topography命令,对初始网格进行拉伸与变形,构建出具有复杂地形特征的几何模型。
为确保能够全面反映阶地地形的特性,对模型尺寸进行了设计。在水平方向上,x轴长度设定为70 m,充分覆盖了阶地地形的主要横截面特征,y轴则延伸至200 m。竖直方向上,以计算基底为准,设定了各级阶地及河流底部的高程,Ⅲ级阶地52 m、Ⅱ级阶地32 m、Ⅰ级阶地17 m以及河流底部7 m。此外,考虑到河流阶地的地质演化过程,模型建立时体现了阶地上覆土层的厚度变化,即由阶地后缘向前缘覆盖土层厚度逐渐增加,如图10所示。
在边界条件设置方面,为真实地模拟地震动在无限域或半无限域中的传播环境,模型的四周采用了自由边界条件。同时,鉴于模型底部为模量较大的基岩条件,故直接在其底部施加加速度时程,以确保地震动的有效输入。选取了瑞利阻尼作为模型的阻尼类型,设定临界阻尼比0.05,中心频率6.0 Hz。依据岩土体的物理力学参数经验值,对模型中不同岩土体设定了合理的参数见表1,以确保数值分析的可靠性。
表 1 计算模型岩土体物理力学参数Table 1. Physical and mechanical parameters of rock and soil mass for the calculation model岩土类型 密度(kg/m3) 体积模量(GPa) 剪切模量(GPa) 粘聚力(MPa) 内摩擦角(°) 粉质黏土 1850 0.160 0.074 0.023 25 砂岩 2487 5.970 6.010 2.060 40 在计算过程中,沿模型底部x、y、z三个方向同时输入脉冲函数形式的动荷载,其宽度为0.25 s,时间步距为0.002 s,如图11所示,相应的傅里叶谱特征示于图12,可知动荷载的频率成分截止到10.0 Hz。在模型地表布置了42个加速度时程监测点,具体位置见图10所示。
2.2 数值模拟结果分析
通过对阶地模型底部x、y、z三个方向同时施加脉冲荷载,模拟其在三向地震作用下的动力响应,获得了阶地模型加速度等值线云图与地表监测点剖面加速度分布云图,分别示于图13和图14。图中清晰地揭示了阶地地形对地震动水平空间差异分布的影响,各级阶地加速度较高的区域主要集中在阶地前缘,而后缘的加速度水平则相对较低。
2.2.1 加速度峰值分析
为进一步量化该分布特征,绘制了各级阶地地表监测点x、y、z三个方向上的加速度峰值变化趋势,如图15所示。可以看出,三个方向上的加速度峰值变化趋势基本一致,均随阶地地形的起伏和上覆土层厚度的变化而变化。具体而言,加速度峰值在各级阶地的前缘区域都出现了极大值,随阶地级数的减小,阶地对应区域的地表加速度峰值也逐渐下降。以竖直z向为例,Ⅲ级阶地后缘测点#1—5的加速度峰值主要在1.90 m/s2左右,Ⅱ级阶后缘测点#13—18的加速度峰值则在1.68 m/s2左右,而Ⅰ级阶后缘测点#26—31的加速度峰值却处于更低的1.50 m/s2附近。此外对同一级别阶地,随着上覆土层厚度的增加,各方向上的加速度峰值呈现上升趋势。特别是在阶地前缘与陡坎转折处,由于地形的突变和波速的变化,加速度显著偏大。在Ⅲ级阶地上,随上覆土层厚度的增加(测点#6—10),三个方向的加速度峰值均明显增大;而位于阶地前缘与陡坎转折处的测点#11,其x、y和z方向加速度峰值分别则为3.03 m/s2、2.32 m/s2和3.57 m/s2,显著高于其他位置。
2.2.2 加速度持时分析
由于结构地震反应与破坏程度与输入地震动的能量有关,故以给定比例的能量为准则确定地震动的持续时间。按照公式1计算能量函数En(t)随时间的变化:
$$ {E_n} ( t ) =\int_0^t {{a^2} ( t ) } dt/\int_0^{{T_0}} {{a^2} ( t ) dt} $$ (1) 式中,a(t)为加速度时程,T0为总持续时间。En(t)的物理意义则可视为单位质量的单自由度体系在地震动a(t)作用下,t时刻的能量与总能量之比。选取比值的上限和下限分别为95%和5%,则达到上限时刻t2和达到下限时刻t1之间的时间间隔为强地震动的能量持时,它表示此时段内输入结构的能量占总能量的90%,也称90%能量持时。
各级阶地地表监测点加速度的90%能量持时变化示于图16。可以看出,三个方向的相对持时变化趋势大体相似,均随阶地级数的减小而波动下降;而对同一级别阶地,前缘的监测点持时水平还是明显大于后缘,并且前缘区域受到上覆土层厚度和阶地几何形状的耦合影响,出现了持时极大值。在Ⅲ级阶地上,随上覆土层厚度的增加,测点#6—10在三个方向上的相对持时也呈现上升趋势;并在阶地前缘与陡坎转折处的测点#11达到最大值,其x、y和z方向上的持时值分别为1.24 s、1.83 s和1.24 s,这与前面加速度峰值的变化规律相一致。
综合对比各级阶地地表监测点的加速度峰值和相对持时,可以发现两者的变化趋势有一定相似性。第一,随着阶地级数的减小,地表加速度峰值和相对持时值均下降。这说明阶地级数越高,地震动在地形中的放大效应越显著。第二,对同一级别阶地上覆土层厚度变化明显的区域,加速度峰值和相对持时值都显著变化。随着上覆土层厚度的增加,加速度峰值和持时均呈现上升趋势。第三,在阶地前缘与陡坎转折处,加速度峰值和相对持时值均达到了最大。这表明地形几何形状的突变和厚覆盖土层对地震动的放大有耦合效应。第四,在同一级别阶地上,前缘区域的监测点加速度和持时水平明显高于后缘,也进一步证明了阶地地形对地震动响应的空间分布差异具有显著影响。
2.2.3 加速度频谱分析
为深入分析各级阶地地表不同监测点的地震动频谱特性,对监测点的加速度时程进行傅里叶变换,得到傅里叶谱。随后,将各测点的傅里叶谱与计算基底输入的脉冲荷载傅里叶谱进行谱比分析,以确定阶地不同位置对脉冲荷载各种频率成分的放大效应。此外,还对监测点的加速度反应谱进行规准,探讨了其特征周期、平台值以及放大系数的变化规律。
首先,从图17加速度傅里叶谱可以看出,各级阶地之间的幅值变化存在显著差异。这主要归结于阶地地形几何构造特征、土层厚度以及相对高度的差异影响。同一级别阶地,尽管各方向上的幅值谱有所不同,但在相同方向上的幅值谱形状却基本保持一致。对于Ⅲ级阶地在水平x和y向上,幅值谱的峰值均集中在2.8 Hz左右的频率处,表明在水平方向上的地震动能量主要集中在该频率附近。竖直z向的谱峰值则出现在4.5 Hz左右,说明竖向上地震动能量集中分布的频段高于水平向。在Ⅱ级阶地的水平x向和竖直z向上,最大谱值分别集中于4.2 Hz和6 Hz附近,表明随阶地级数的减小(即地形高度的降低),地震动能量的集中频率段有所升高。在水平y向上,幅值谱在2.8 Hz和4.6 Hz两个频率处均出现较大的值,这可能与该方向上的地形复杂性或覆盖层不均匀性有关。而在Ⅰ级阶地的水平x向上,幅值谱峰值出现在5.8 Hz左右,水平y向出现在6 Hz和7.2 Hz的频率处,进一步验证了随阶地级数减小,地震动能量集中频率上升的趋势。竖直z向的较大谱值则出现在7.2 Hz和8.8 Hz的频率附近。这说明在更低阶的阶地上,地震动频谱特性更为复杂,多频成分共存。
各级阶地不同测点的傅里叶谱比示于图18,可以看出不同级别阶地对地震动频率成分的放大效应存在显著差异。比如水平x方向上,Ⅲ级阶地在2.7 Hz左右频率处出现较大的谱比值,而Ⅱ级和Ⅰ级阶地则分别在更高频段4.0—6.0 Hz和5.0—8.0 Hz范围内达到谱比峰值。随着阶地级数的增加,其对地震动低频成分的放大效应也显著的增强。这主要是因为阶地级数的增加(即地形高度上升),其自振周期也相应增大,从而在低频段内产生共振效应。由图18中的d、e和f可知,同一级别阶地上不同监测点的谱比值变化趋势虽然一致,但谱比值的大小差异显著。阶地后缘区域的测点谱比曲线较为一致,随着测点向阶地前缘区域靠近,谱比值逐渐增加,其原因一方面是由于测点位置逐渐靠近阶地陡坎临空面,该处测点振动所受周边岩土体的介质约束较小,另一方面则是上覆土层厚度的增加,对地震动有显著放大作用,因此阶地的几何形状与上覆土层对地震动的放大有耦合效应。
对阶地模型地表监测点水平x和y向的加速度反应谱进行规准化处理,以得到地震动加速度规准反应谱。其中归准化参数包括地震动的峰值加速度amax、反应谱平台值放大系数βm、第一拐点周期T0(通常取0.1 s)、第二拐点周期(特征周期)Tg、周期值范围上限Tm以及下降段下降速度控制参数α(如衰减指数取0.9)。具体计算时,使用公式2和公式3进行,同时列举了测点#36的规准反应谱曲线,如图19所示。
$$ {S_a} ( T ) ={a_{\max }}\beta ( T ) $$ (2) $$ \beta ( T ) =\left\{ \begin{gathered} 1 + ( {{\beta _m} - 1.0} ) \frac{T}{{{T_0}}}\text{,} 0.0 {\text{<}} T {\text{≤}} {T_0} \\ {a_{\max }}{\beta _m}\text{,} {T_0} {\text{<}} T {\text{≤}} {T_g} \\ {\beta _m}{\left( {\frac{{{T_g}}}{T}} \right)^\alpha }\text{,} {T_g} {\text{<}} T {\text{≤}} {T_m} \\ \end{gathered} \right. $$ (3) 阶地模型地表监测点水平向规准反应谱具体参数见表2,根据表中参数绘制各级阶地不同监测点反应谱的特征周期、平台值以及平台放大系数的变化趋势分别示于图20和图21。其中特征周期Tg值受阶地级数影响显著,随级数的减小,特征周期也逐渐减小。Ⅲ级阶地的Tg值基本在0.4 s左右,Ⅱ级阶地则在0.25—0.35 s范围内,而Ⅰ级阶地却处于更低的0.2 s左右。说明高级阶地(地势较高)对地震动中的低频成分能量有显著的放大效应,这与阶地的几何尺寸和入射地震波波长有关。反应谱的平台值Sa则主要受到上覆土层厚度与地形几何形状的影响。同一级别阶地上前缘区域的平台值显著高于后缘,这与阶地前缘的几何形状有关,即前缘部分临空面对地震动没有约束作用;同时随着前缘区域上覆土层厚度的增加,对地震动的放大效应增强,反应谱平台值也逐渐增大。此外,平台放大系数β值同样受阶地级数与几何条件的影响,随阶地级数的增加,放大系数却呈下降趋势,这是因为高级阶地对高频地震动有滤波作用,导致高频成分减少,而β放大系数的大小却与地震动输入中的高频成分直接相关。在同一级别阶地上,前缘区域的放大系数明显大于后缘,这也进一步说明阶地几何形状对地震动有显著的影响。
表 2 阶地模型地表监测点规准反应谱参数Table 2. Standard response spectrum parameters of surface monitoring points in the terrace model监测点号 T0(s) Tg(s) Sa(m/s2) β 监测点号 T0(s) Tg(s) Sa(m/s2) β 1 0.10 0.40 1.963 0.940 20 0.10 0.25 2.750 1.240 2 0.10 0.40 2.013 0.949 21 0.10 0.25 3.425 1.357 3 0.10 0.40 2.050 0.927 22 0.10 0.25 4.200 1.318 4 0.10 0.40 2.125 0.889 23 0.10 0.25 4.250 1.050 5 0.10 0.40 2.288 0.890 24 0.10 0.25 4.388 1.174 6 0.10 0.40 2.700 1.276 25 0.10 0.25 2.325 1.348 7 0.10 0.40 3.038 1.318 26 0.10 0.25 2.475 1.394 8 0.10 0.40 3.450 1.177 27 0.10 0.20 2.500 1.396 9 0.10 0.40 3.838 1.178 28 0.10 0.20 2.463 1.368 10 0.10 0.40 4.125 1.183 29 0.10 0.20 2.450 1.350 11 0.10 0.40 3.513 1.157 30 0.10 0.20 2.475 1.346 12 0.10 0.35 2.163 1.188 31 0.10 0.20 2.600 1.381 13 0.10 0.35 2.100 1.144 32 0.10 0.20 2.975 1.530 14 0.10 0.35 2.088 1.139 33 0.10 0.20 3.538 1.703 15 0.10 0.35 2.075 1.125 34 0.10 0.20 4.050 1.806 16 0.10 0.30 2.113 1.127 35 0.10 0.20 4.450 1.522 17 0.10 0.30 2.113 1.107 36 0.10 0.20 4.600 1.232 18 0.10 0.30 2.200 1.133 37 0.10 0.20 4.675 1.226 19 0.10 0.30 2.250 1.095 3. 讨论与结论
本文通过对汶川地震中典型河流阶地的现场震害调查,结合阶地地形的三维数值模拟结果,深入探讨了河流阶地地形对建筑物震害特征及其产生机理的影响。
现场调查发现阶地前缘建筑物震害程度显著高于后缘,这是由于前缘的厚冲洪积层放大地震动而导致震害严重,后缘则因薄坡积层对地震动的衰减使震害较轻。数值结果也显示,各级阶地前缘的地震动水平普遍高于后缘,且随上覆土层增厚,地表加速度峰值、相对持时、反应谱平台值以及放大系数均呈上升趋势。研究还发现,阶地级数对地震动的空间分布和总体水平也有显著影响。随阶地级数的减小,加速度峰值、相对持时和反应谱特征周期都呈现下降趋势;而阶地级数的增加则会增强对地震动低频成分的放大效应。阶地前缘与陡坎衔接处因地形几何条件与厚上覆土层对地震动放大的耦合作用,震害尤其严重。且该处数值结果中的加速度峰值、相对持时和反应谱平台值均达到极大值,同样揭示了其震害严重的原因。
综上分析,本研究得出以下结论:(1)河流阶地对地震动的传播和建筑物震害程度有显著影响,其中阶地上覆土层厚度变化是导致震害程度分布不同的主要原因之一。(2)阶地级数通过影响地震动的频谱特性和总体水平来加剧或减轻震害。其中低级别阶地对地震动具有较强的衰减作用,而高级别阶地则会放大地震动的低频成分。(3)特殊地形条件如阶地前缘与陡坎转折位置在地震中可能遭受更为严重的破坏,这为重大工程的抗震设计提供参考。
-
图 4 部分天然地震完整的真实数据(a)和随机采样60%的真实数据(b)的曲波域系数分布
图中红色和蓝色线框分别表示低频和高频P波到时的曲波域系数
Figure 4. Distribution of curvelet domain coefficients of complete (a) and 60% random sampling (b) partial natural earthquake observed data
The red and blue boxes represent the curvelet domain coefficients of low and high frequency P-wave arrival time
图 5 天然地震P波波形数据重建试验
(a) 内蒙古流动台阵记录到的M5.7地震的原始P波数据;(b) 对原始波形数据进行随机采样得到的记录,随机采样率为65%;(c) 对采样记录进行重建得到的地震波形记录
Figure 5. The reconstruction test of P-waveform data for natural earthquakes
(a) P-waveform data of the M5.7 earthquake recorded by the Inner Mongolia mobile array;(b) The records obtained by random sampling to the data of Fig.5a with a rate of 65%;(c) Seismic waveform records obtained by the reconstruction of Fig.5b
图 10 600 km深度的P波速度扰动结果水平切片
(a) 原始数据图;(b) 采样数据;(c) 图(a)与图(b)反演结果的差;(d) 重建数据;(e) 图(a)与图(d)反演结果的差
Figure 10. Horizontal slices of P-wave velocity disturbance results at a depth of 600 km
(a) Original data;(b) The sampled data;(c) The difference between the inversion results of Fig.(a) and Fig.(b);(d) Reconstruction data; (e) The difference between the inversion results of Fig.(a) and Fig.(d)
图 11 P波速度纵剖面示意图
(a) 原始数据;(b) 采样数据;(c) 图(a)与图(b)反演结果的差;(d) 重建数据;(e) 图(a)与图(d)反演结果的差
Figure 11. Schematic diagram of P-wave velocity vertical profile
(a) Original data;(b) The sampled data;(c) The difference between the inversion results of Fig.(a) and Fig.(b);(d) Reconstruction data; (e) The difference between the inversion results of Fig.(a) and Fig.(d)
-
白兰淑,刘伊克,卢回忆,王一博,常旭. 2014. 基于压缩感知的Curvelet域联合迭代地震数据重建[J]. 地球物理学报,57(9):2937–2945. doi: 10.6038/cjg20140919 Bai L S,Liu Y K,Lu H Y,Wang Y B,Chang X. 2014. Curvelet-domain joint iterative seismic data reconstruction based on compressed sensing[J]. Chinese Journal of Geophysics,57(9):2937–2945 (in Chinese).
白兰淑,吴庆举,张瑞青. 2022. 压缩感知高分辨率接收函数叠加成像及其应用[J]. 地球物理学报,65(11):4354–4368. doi: 10.6038/cjg2022P0419 Bai L S,Wu Q J,Zhang R Q. 2022. High-resolution receiver function imaging based on compressive sensing and its application[J]. Chinese Journal of Geophysics,65(11):4354–4368 (in Chinese).
曹静杰,王彦飞,杨长春. 2012. 地震数据压缩重构的正则化与零范数稀疏最优化方法[J]. 地球物理学报,55(2):596–607. doi: 10.6038/j.issn.0001-5733.2012.02.022 Cao J J,Wang Y F,Yang C C. 2012. Seismic data restoration based on compressive sensing using the regularization and zero-norm sparse optimization[J]. Chinese Journal of Geophysics,55(2):596–607 (in Chinese).
曹静杰,王尚旭,李文斌. 2017. 基于一种三维低冗余曲波变换和压缩感知理论的地震数据重建[J]. 中国石油大学学报(自然科学版),41(5):61–68. doi: 10.3969/j.issn.1673-5005.2017.05.007 Cao J J,Wang S X,Li W B. 2017. Seismic reconstruction with 3D low-redundancy curvelet transform and compressed sensing theory[J]. Journal of China University of Petroleum (Edition of Natural Science),41(5):61–68 (in Chinese).
曹静杰,杨志权,杨歧焱. 2020. 一种基于压缩感知的地震数据重建方法及其在城市活断层地震勘探中的应用[J]. 地球物理学进展,35(4):1545–1551. doi: 10.6038/pg2020DD0267 Cao J J,Yang Z Q,Yang Q Y. 2020. Compressive sensing based seismic reconstruction method and its application to seismic exploration of urban active faults[J]. Progress in Geophysics,35(4):1545–1551 (in Chinese).
付明柏. 2013. 基于异质矩阵完全的缺失数据恢复混合集成算法[J]. 云南师范大学学报(自然科学版),33(6):67–72. Fu M B. 2013. Mixed ensemble heterogeneous matrix completion for missing value estimation[J]. Journal of Yunnan Normal University (Natural Sciences Edition),33(6):67–72 (in Chinese).
孔德辉. 2017. 基于压缩感知的地震数据重建及若干问题研究[D]. 成都:电子科技大学:1–11. Kong D H. 2017. Research on Some Issues of Seismic Data Reconstruction Based on Compressed Sensing[D]. Chengdu:University of Electronic Science and Technology of China:1–11 (in Chinese).
赵杨. 2018. 地震体波走时与重力联合反演研究及在南北地震带南段的应用[D]. 北京:中国地质大学(北京):1–9. Zhao Y. 2018. Joint Inversion of Seismic Traveltime and Gravity Data and Its Application in Imaging Crustal Structure Around Southern Section of North-South Earthquake Belt[D]. Beijing:China University of Geosciences (Beijing):1–9 (in Chinese).
郑雪辰. 2019. 基于压缩感知理论和SPGL1算法的地震数据重建[D]. 西安:长安大学:1–9. Zheng X C. 2019. Seismic Data Reconstruction Based on Compressive Sensing and SPGL1 Algorithm[D]. Xi’an:Chang’an University:1–9 (in Chinese).
Bai L S,Lu H Y,Liu Y K. 2020. High-efficiency observations:Compressive sensing and recovery of seismic waveform data[J]. Pure Appl Geophys,177(1):469–485. doi: 10.1007/s00024-018-2070-z
Candès E,Demanet L,Donoho D,Ying L X. 2006a. Fast discrete curvelet transforms[J]. Multiscale Model Simul,5(3):861–899. doi: 10.1137/05064182X
Candès E J,Romberg J,Tao T. 2006b. Robust uncertainty principles:Exact signal reconstruction from highly incomplete frequency information[J]. IEEE Trans Inform Theory,52(2):489–509. doi: 10.1109/TIT.2005.862083
Cao J J,Wang Y F,Wang B F. 2015. Accelerating seismic interpolation with a gradient projection method based on tight frame property of curvelet[J]. Explor Geophys,46(3):253–260. doi: 10.1071/EG14016
Daubechies I,Defrise M,De Mol C. 2004. An iterative thresholding algorithm for linear inverse problems with a sparsity constraint[J]. Commun Pure Appl Math,57(11):1413–1457. doi: 10.1002/cpa.20042
Donoho D L. 2006. Compressed sensing[J]. IEEE Trans Inform Theory,52(4):1289–1306. doi: 10.1109/TIT.2006.871582
Herrmann F J,Hennenfent G. 2008. Non-parametric seismic data recovery with curvelet frames[J]. Geophys J Int,173(1):233–248. doi: 10.1111/j.1365-246X.2007.03698.x
Ismael V R,Mauricio S,Yu J G. 2012. A compressive sensing framework for seismic source parameter estimation[J]. Geophys J Int,191(3):1226–1236
Rawlinson N,Pozgay S,Fishwick S. 2010. Seismic tomography:A window into deep Earth[J]. Phys Earth Planet Inter,178(3/4):101–135.
Wang B,Chen X,Li J,Cao J. 2016. An improved weighted projection onto convex sets methods for seismic data interpolation and denoising[J]. IEEE J STARS,9:228–235.
Wang R J. 1999. A simple orthonormalization method for stable and efficient computation of Green’s functions[J]. Bull Seismol Soc Am,89(3):733–741. doi: 10.1785/BSSA0890030733
Zhang H L,Song S,Liu T Y. 2007. The ridgelet transform with non-linear threshold for seismic noise attenuation in marine carbonates[J]. Appl Geophys,4(4):271–275. doi: 10.1007/s11770-007-0027-6
Zhou Q B,Gao J H,Wang Z G. 2015. Sparse spike deconvolution of seismic data using trust-region based SQP algorithm[J]. J Comput Acoust,23(4):1540002. doi: 10.1142/S0218396X15400020