Hazard-compatible three-component stochastic ground motion simulation for performance-based earthquake engineering

Abstract

Um desafio central na engenharia sísmica baseada no desempenho é a escassez de séries temporais de movimentos do solo tridimensionais (3C) compatíveis com a perigosidade sísmica, necessárias para análises não lineares no domínio do tempo (NRHA). Os modelos empíricos de movimento do solo (GMMs) preveem medidas de intensidade de forma fiável, mas não geram séries temporais; os métodos de simulação estocástica produzem formas de onda completas, mas são difíceis de condicionar a objetivos de perigosidade sem comprometer o realismo físico e as correlações entre componentes; e as abordagens de aprendizagem automática (ML) puramente orientadas por dados podem generalizar mal quando treinadas com os conjuntos de dados reduzidos típicos da prática de engenharia. Esta dissertação propõe uma abordagem unificada para gerar movimentos do solo estocásticos 3C, compatíveis com a perigosidade sísmica e fisicamente consistentes, sem recorrer a registos históricos de referência nem a ajuste espectral posterior à simulação. A abordagem integra simulação estocástica, modelação estatística multivariada e ML informada pela física. A primeira contribuição é um método melhorado de simulação estocástica totalmente não estacionária, capaz de reproduzir movimentos de banda larga — incluindo efeitos de diretividade de falhas próximas, de bacias sedimentares e de múltiplas fases de movimento forte — numa formulação unificada, validado com a sequência sísmica de Kahramanmaraş, Turquia (2023), e um subconjunto de registos impulsivos da base PEER NGA-West2. A segunda contribuição é um enquadramento modular de regressão multivariada com efeitos mistos (MMER) para a modelação conjunta dos parâmetros estocásticos, captando tendências medianas, variabilidade aleatória hierárquica e a estrutura de covariância entre parâmetros correlacionados, com uma arquitetura que admite regressão clássica ou algoritmos de ML. Com base nestes desenvolvimentos, a dissertação apresenta um enquadramento de simulação condicional em que os parâmetros estocásticos são previstos por um modelo aditivo neuronal informado pela física, aplicado às três componentes ortogonais do movimento. O enquadramento gera formas de onda sintéticas que satisfazem objetivos de perigosidade escalares ou vetoriais, preservando relações empíricas de escala, dependências entre componentes, características espectrais e variabilidade entre registos. A abordagem proposta estabelece uma ligação prática entre a avaliação da perigosidade sísmica e a geração realista de movimentos do solo estocásticos, permitindo produzir diretamente séries 3C compatíveis com a perigosidade para aplicações de engenharia. As metodologias desenvolvidas estão disponibilizadas como pacotes Python de código aberto (SGSIM, MMER e PINAGMM), apoiando investigação reprodutível e extensível em engenharia sísmica baseada no desempenho.

A fundamental challenge in performance-based earthquake engineering is the limited availability of hazard-consistent three-component (3C) ground motion time series required for nonlinear response history analysis (NRHA). While empirical ground motion models (GMMs) reliably predict intensity measures (IMs) for seismic hazard assessment, they do not generate acceleration time series. Conversely, stochastic simulation methods can produce full waveforms but are difficult to condition directly on prescribed hazard targets while preserving physical realism and inter-component correlations. In addition, purely data-driven machine learning (ML) approaches for GMM development may exhibit limited generalization when trained on the relatively small datasets available in engineering practice. This thesis addresses these limitations by developing a unified end-to-end approach for generating hazard-compatible, physically consistent 3C stochastic ground motions without relying on historical seed records or post-simulation spectral matching. The proposed approach integrates stochastic simulation, multivariate statistical modelling, and physics-informed ML within a conditional generation framework. The first contribution is an enhanced fully nonstationary stochastic simulation method capable of reproducing broadband earthquake motions, including low-frequency features associated with near-fault directivity, basin effects, and the evolution of multiple strong-motion phases within a unified formulation. The method improves the representation of temporal and spectral nonstationarity while maintaining computational efficiency, and is validated using recorded earthquakes, including the 2023 Kahramanmaraş, Türkiye, earthquake sequence and a pulse-like subset of the PEER NGA-West2 database. The second contribution is a modular multivariate mixed-effects regression (MMER) framework for jointly modelling the stochastic parameters governing ground motion simulation. Unlike conventional approaches that estimate parameters independently, the proposed framework captures median trends, hierarchical aleatory variability, and the covariance structure among correlated parameters. Its modular structure allows the predictive component to use either classical regression models or ML methods while preserving statistically consistent variance decomposition. Building on these developments, the thesis introduces a conditional simulation framework in which stochastic parameters are predicted using a physics-informed neural additive model across the three orthogonal ground motion components. By combining physically constrained learning with multivariate statistical conditioning, the framework generates synthetic waveforms that satisfy prescribed scalar or vector-valued hazard targets while preserving empirical scaling relationships, inter-component dependencies, spectral characteristics, and record-to-record variability. Overall, the proposed approach provides a practical link between seismic hazard assessment and realistic stochastic ground motion generation, enabling the direct production of hazard-compatible 3C time-series for engineering applications. The methodologies developed in this research are released as open-source Python packages (SGSIM, MMER, and PINAGMM), supporting reproducible and extensible research in performance-based earthquake engineering.