Fast Probabilistic Seismic Hazard Analysis through Adaptive Importance Sampling
Notice bibliographique
Résumé
Probabilistic Seismic Hazard Analysis (PSHA) traditionally relies on two computationally intensive approaches: (a) Riemann Sum and (b) conventional Monte Carlo (MC) integration. The former requires fine slices across magnitude, distance, and ground motion, and the latter demands extensive synthetic earthquake catalogs. Both approaches become notably resource intensive for low-probability seismic hazards, where achieving a COV of 1% for a 10−4 annual hazard probability may require 108 MC samples. We introduce Adaptive Importance Sampling (AIS) PSHA, a novel framework to approximate optimal importance sampling (IS) distributions and dramatically reduce the number of MC samples to estimate hazards. We evaluate the efficiency and accuracy of our proposed framework using Pacific Earthquake Engineering Research Center (PEER) PSHA benchmarks that cover various seismic sources, including areal, vertical, and dipping faults, as well as combined types. Our approach computes seismic hazard up to 3.7×104 and 7.1×103 times faster than Riemann Sum and traditional MC methods, respectively, maintaining COVs below 1%. We also propose an enhanced approach with a “smart” AIS PSHA variant that leverages the sampling densities from similar ground motion intensities. This variant outperforms even “smart” implementations of Riemann Sum with enhanced grid discretizations by a factor of up to 130. Moreover, we demonstrate theoretically that optimal IS distributions are equivalent to hazard disaggregation distributions. Empirically, we show the approximated optimal IS and the disaggregation distributions are closely alike, e.g., with a Kolmogorov–Smirnov statistic between 0.017 and 0.113. This approach is broadly applicable, especially for PSHA cases requiring extensive logic trees and epistemic uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».