研究背景：
美国、日本已经建立了多个用于监测建筑结构地震反应的结构台阵，并尝试根据记录的结构反应来评估震后结构的破坏状态。然而，在实际开展结构台阵布设时由于受到成本的限制，不仅无法确保逐层布置传感器，也无法保证所有传感器均为高精度传感器。而由低精度传感器采集的数据的噪声水平又比较高，所采集的数据不适合直接用于结构破坏状态的评估研究。以往的去噪方法多依赖于基于时域、频域或时频域分析开展，需要人工调节参数以达到最佳去噪效果，过程繁琐。因此，针对上述问题，中国地震局工程力学研究所张令心研究员团队与日本东京大学地震研究所的KUSUNOKI Koichi教授合作提出了一种基于对抗生成网络的针对强噪声信号的去噪方法。
研究内容及成果：
本文将深度学习方法应用到加速度记录去噪研究中，采用对抗生成网络作为底座，通过加入注意力机制，提出了一种端到端的去噪方法DeGAN，如图1所示。该方法具有以下三个优点：（1）完全的端到端模型，无需其他多余操作；（2）对强噪声信号的去噪效果好；（3）参数可自动调整。通过该方法与现有其他方法对模拟噪声和真实噪声的去噪性能的对比，以及该方法对不同噪声等级加速度记录去噪的结果，验证了该方法的有效性。
在不同噪声等级数据集上的去噪结果表明，DeGAN 在对强噪声信号的噪声抑制方面明显优于传统的 DWT 方法，如图2所示。
在时域和时频域上比较了 DeGAN 和基于 DWT 的方法、基于 U-NET 的方法和基于 ResNet 的方法对模拟噪声和真实噪声的去噪性能。结果表明，DeGAN可以有效去除强噪声数据中的噪声的同时，还可保留有用的振动信号。在经过DeGAN 去噪处理后，信号的 SNR 从-2.39提高到11.92。
利用振动台试验采集到的顶点加速度记录验证了所提方法的稳定性。在使用DeGAN去噪后，振动台数据的信噪比增加了70%以上。
该成果发表在国际权威期刊《Soil Dynamics and Earthquake Engineering》（Shen Junkai, Zhang Lingxin*, Kusunoki Koichi, et al. Structural floor acceleration denoising method using generative adversarial network. 2023, 173: 108061. DOI: 10.1016/j.soildyn.2023.108061）（IF：4.25，*通讯作者）
图1 DeGAN的结构
图2 DeGAN对不同强度噪声的去噪效果对比
图3 DeGAN与其他去噪方法的性能对比
bgs@iem.ac.cn
English
加入收藏