Определение контрастных границ верхней части разреза путем анализа особенностей дисперсионных кривых скоростей волны Релея на основе эмпирических зависимостей

Важным приложением метода многоканального анализа поверхностных волн (MASW) является оценка сейсмической безопасности. Ключевыми параметрами при расчете приращений балльности в ходе сейсмического микрорайонирования является толщина и средняя скорость массива грунтов, лежащих на основании из более жестких скальных горных пород. Специально для определения этих параметров нами предлагается новый метод построения горизонтально-слоистых моделей верхней части геологического разреза с использованием особенностей (положений экстремумов второй производной) дисперсионных кривых фазовых скоростей поверхностной волны Релея, которые, как показали численные эксперименты, связаны с положением контрастных границ в исследуемой среде (т. е., например, граница между грунтами и скальными породами). Такой подход значительно проще традиционно решаемой в методе MASW задачи восстановления горизонтально-слоистой модели по набору значений фазовых скоростей для последовательности частот и не требует задания начального приближения и/или каких-то ограничений на возможные значения параметров модели. В случае двухслойных и трехслойных сред наш подход сводится к простому и быстрому применению явных формул.

1. Алешин А.С. Апология метода сейсмических жесткостей // Сейсмостойкое строительство. Безопасность сооружений. – 2016. – № 3. – С. 13–21.

2. Свод правил 283.1325800.2016 «Объекты строительные повышенной ответственности. Правила сейсмического микрорайонирования». – Москва: Минстрой России, 2016. – 24 с.

3. Abdialim S., Hakimov F., Kim J., Ku T., Moon S.W. Seismic site classification from HVSR data using the Rayleigh wave ellipticity inversion: A case study in Singapore // Earthquakes and Structures. – 2021. – Vol. 21 (3). – P. 231–238, doi: 10.12989/eas.2021.21.3.231.

4. Boaga J., Cassiani G., Strobbia C.L., Vignoli G. Mode misidentification in Rayleigh waves: Ellipticity as a cause and a cure // Geophysics. – 2013. – Vol. 78 (4). – P. EN17–EN28, doi: 10.1190/geo2012-0194.1.

5. Constable S.C., Parker R.L., Constable C.G. Occam’s inversion: A practical algorithm for generating smooth models from electromagnetic sounding data // Geophysics. – 1987. – Vol. 52 (3). – P. 289–300, doi: 10.1190/1.1442303.

6. Cox B.R., Teague D.P. Layering ratios: a systematic approach to the inversion of surface wave data in the absence of a priori information // Geophysical Journal International. – 2016. – Vol. 207 (1). – P. 422–438, doi: 10.1093/gji/ggw282.

7. Dal Moro G. Some aspects about surface wave and HVSR analyses: a short overview and a case study // Bollettino di Geofisica Teorica ed Applicata. – 2011. – Vol. 52 (2). – P. 241–259, doi: 10.4430/bgta0007.

8. Mendiguren J.A. Inversion of surface wave data in source mechanism studies // Journal of Geophysical Research. – 1977. – Vol. 82 (5). – P. 889–894, doi: 10.1029/JB082i005p00889.

9. Mirjalili S., Mirjalili S.M., Lewis A. Grey wolf optimizer // Advances in Engineering Software. – 2014. – Vol. 69. – P. 46–61, doi: 10.1016/j.advengsoft.2013.12.007.

10. Nakamura Y. A method for dynamic characteristics estimation of subsurface using microtremor on the ground surface // Railway Technical Research Institute. Quarterly Reports. – 1989. – Vol. 30 (1). – P. 25–33.

11. Nakamura Y. What is the Nakamura method? // Seismological Research Letters. – 2019. – Vol. 90 (4). – P. 1437–1443, doi: 10.1785/0220180376.

12. Park C. MASW for geotechnical site investigation // The Leading Edge. – 2013. – Vol. 32 (6). – P. 656–662, doi: 10.1190/tle32060656.1.

13. Park C.B., Miller R.D., Xia J. Multichannel analysis of surface waves // Geophysics. – 1999. – Vol. 64 (3). – P. 800–808, doi: 10.1190/1.1444590.

14. Socco L.V., Boiero D. Improved Monte Carlo inversion of surface wave data // Geophysical Prospecting. – 2008. – Vol. 56 (3). – P. 357–371, doi: 10.1111/j.1365-2478.2007.00678.x.

15. Song X., Tang L., Zhao S., Zhang X., Li L., Huang J., Cai W. Grey wolf optimizer for parameter estimation in surface waves // Soil Dynamics and Earthquake Engineering. – 2015. – Vol. 75. – P. 147–157, doi: 10.1016/j.soildyn.2015.04.004.

16. Yablokov A.V., Serdyukov A.S., Loginov G.N., Baranov V.D. An artificial neural network approach for the inversion of surface wave dispersion curves // Geophysical Prospecting. – 2021. – Vol. 69 (7). – P. 1405–1432, doi: 10.1111/1365-2478.13107.

17. Yablokov A.V., Lugovtsova Y., Serdyukov A.S. Uncertainty quantification of multimodal surface wave inversion using artificial neural networks // Geophysics. – 2023. – Vol. 88 (2). – P. KS1–KS11, doi: 10.1190/geo2022-0261.1.