يعد التنبؤ الدقيق باستجابة الموقع الزلزالية أمراً أساسياً في هندسة الزلازل والتصميم الزلزالي. تصبح طرق المحاكاة العددية، رغم قوتها الفيزيائية، معقدة حسابياً عندما تظهر التربة سلوكًا غير خطي معقدًا وتكون حساسة لاختيار النموذج الدستوري ومعايرة المعلمات. يمكن أن تقترب نماذج التعلم العميق المدفوعة بالبيانات من تطبيقات غير خطية بكفاءة، لكنها تفتقر إلى القيود الفيزيائية المدمجة وتعرض نفسها لخطر إنتاج تنبؤات تنتهك الميكانيكا الأساسية عند التمديد خارج نطاق التدريب. تقدم هذه الدراسة إطار عمل للذاكرة الطويلة القصيرة المدعوم فيزيائياً (LSTM) لتنبؤ استجابة الموقع الزلزالية بكفاءة ودقة. يفرض الإطار تناسقًا فيزيائيًا من خلال إضافة علاقات المشتقات الحركية كقيود مرنة في دالة الخسارة ويحسن من كفاءة التدريب من خلال استخدام وحدات طي البيانات. تعالج استراتيجية تحسين البيانات المستهدفة الضوضاء الناتجة عن القياسات وتنوع الإشارات في البيانات المسجلة. تظهر التحقق الشامل على الأحداث المحاكاة عددياً والتسجيلات من KiK-net فعالية المنهجية. على البيانات العددية، تصل النموذج المدعوم فيزيائياً إلى مستوى ثقة بنسبة 97.98% ضمن ±2% من الخطأ الطبيعي وتقلل من وقت التدريب بأكثر من 60%. على البيانات المسجلة، تصل النموذج المعزز مع تحسين البيانات إلى مستوى ثقة بنسبة 88.84% وارتباط طيف الاستجابة 0.951، مما يدعم التنبؤ الموثوق بمحتوى التردد للاستخدام الهندسي. يوفر الإطار حلاً فعالاً ومتسقًا فيزيائيًا لتنبؤ استجابة الموقع مع آثار على تقييم المخاطر الزلزالية وتصميم الهيكل.
قام وو وآخرون (الأربعاء) بدراسة هذا السؤال.