Broadband earthquake ground motion from physics-based numerical simulations using artificial neural networks

In this work we present a strategy to generate broadband earthquake ground motions from the results of three-dimensional physics-based numerical simulations (PBNS) based on employing Artificial Neural Networks (ANNs) algorithms. Physics-based simulated ground motions embody a rigorous seismic-wave propagation model (i.e., including source, path, and site effects), which is however reliable only in the long-period range (typically above 0.75–1 s), owing to the limitations posed both by computational constraints and by insufficient knowledge of the medium at short wavelengths. To cope with these limitations, the proposed approach makes use of ANNs. These networks are trained on a set of strong-motion records, in order to predict the response spectral ordinates at short periods using as input the spectral ordinates at long periods obtained by the PBNS. This work focuses on an in-depth sensitivity and robustness analysis of the proposed algorithm with respect to the input selection, hyperparameters analysis, the use of optimization algorithms to set parameters, dataset handling and the "bootstrap aggregating" technique. The capability of the final model to reproduce in a realistic way the engineering features of earthquake ground motion is successfully proven on real study cases, namely the L'Aquila (2009), Po Plain (2012) and Norcia (2016) earthquakes.

In questa tesi presentiamo una strategia per simulare terremoti a banda larga, a partire dai risultati di simulazioni numeriche in tre dimensioni basate sulla fisica del fenomeno (SNBF). La strategia proposta è basata sull’utilizzo di algoritmi riguardanti reti neurali artificiali (RNA). Le simulazioni di terremoti basate sulla fisica del problema utilizzano un rigoroso modello di propagazione delle onde sismiche (ovvero includono effetti relativi alla sorgente, al percorso e al sito). Sono tuttavia accurate solo per periodi lunghi (tipicamente al di sopra di 0.75-1s), a causa delle limitazioni poste sia da vincoli di carattere computazionale, sia da un’insufficiente conoscenza del mezzo di propagazione a piccole lunghezze d’onda. Per far fronte a queste limitazioni, l’approccio proposto fa uso di RNA. Queste reti sono addestrate con registrazioni sismologiche, al fine di predire le ordinate spettrali a periodi brevi usando come input le ordinate spettrali a periodi lunghi ottenute dalle SNBF. Questa tesi si focalizza su un’approfondita analisi di sensitività e di robustezza dell’algoritmo proposto, in particolare sulla selezione degli input, l’analisi degli iperparametri, l’uso di algoritmi di ottimizzazione per fissare i valori dei parametri, la gestione dei dati e la tecnica "bootstrap aggregating". La capacità del modello finale di riprodurre in modo realistico le caratteristiche ingegneristiche di un terremoto è testata su casi studio reali, quali i terremoti di: L'Aquila (2009), Pianura Padana (2012) e Norcia (2016).