Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2025 , Vol. 44 >Issue 2: 187 - 195

DOI: https://doi.org/10.11978/2024071

Marine Engineering

The hydrodynamic characteristics prediction of landslide-induced surge waves based on non-hydrostatic model numerical simulation and convolutional neural network

  • WANG Aoyu , 1 ,
  • QU Ke , 1, 2, 3 ,
  • WANG Xu 1 ,
  • GAO Rongze 1 ,
  • MEN Jia 1
Expand
  • 1. School of Hydraulic and Environmental Engineering, Changsha University of Science & Technology, Changsha 410114, China
  • 2. Key Laboratory of Dongting Lake Aquatic Eco-Environmental Control and Restoration of Hunan Province, Changsha 410114, China
  • 3. Key Laboratory of Water-Sediment Sciences and Water Disaster Prevention of Hunan Province, Changsha 410114, China
QU Ke. email:

Copy editor: YIN Bo

Received date: 2024-03-27

  Revised date: 2024-05-30

  Online published: 2024-06-13

Supported by

National Key Research and Development Program of China(2022YFC3103601)

Fold

Abstract

Submarine landslides, as a natural disaster with immense destructive potential and widespread distribution worldwide, often pose significant threats to the safety of human lives. The massive waves generated by these landslides can cause severe damage to marine structures. Therefore, rapidly predicting and assessing the size of the waves generated by underwater landslides is a crucial part of disaster prevention and mitigation efforts, essential for the development and utilization of marine resources, as well as for the safety of human lives and properties. In this study, numerical simulations of landslide-generated waves were conducted using the non-hydrostatic wave model NHWAVE (a non-hydrostatic wave model) to obtain wave data for different types of landslides. Subsequently, a CONV1D (1-dimensional convolutional neural network) was trained as the prediction model for landslide-generated waves. The model was trained using datasets for various monitoring points and different types of landslides, and evaluation metrics such as mean squared error were employed to assess the prediction performance of the convolutional neural network. The results indicate that, under the condition of using a limited amount of data, the convolutional neural network can effectively learn the patterns of landslide-generated waves. Moreover, it can predict reasonably well even for features that are not uniquely present in the dataset, demonstrating good generalization capability. Once the model is trained, inputting real-time water level data from the location of the landslide occurrence enables the neural network to predict the temporal wave profiles at downstream monitoring points in a short time. By using neural networks for prediction, it is possible to assess disasters in advance and take timely and effective response measures.

Key words： submarine landslide; convolutional neural network; temporal prediction; disaster warning

Cite this article

WANG Aoyu , QU Ke , WANG Xu , GAO Rongze , MEN Jia . The hydrodynamic characteristics prediction of landslide-induced surge waves based on non-hydrostatic model numerical simulation and convolutional neural network[J]. Journal of Tropical Oceanography, 2025 , 44(2) : 187 -195 . DOI: 10.11978/2024071

海底滑坡是一种极端的自然灾害, 它的发生往往伴随着巨大的涌浪波(又称海啸波), 一旦发生将会对水下基础设施造成严重破坏, 从而对海洋资源开发和利用产生严重不利影响(Jiang et al, 2015; Zhao et al, 2016; Rasyif et al, 2019)。海底滑坡灾害在全球各海域广泛分布, 特别是在美国大陆坡、加拿大大陆坡、新英格兰陆坡、挪威外陆架、西非大陆坡、地中海、日本海域和我国南海北部海域等(Gee et al, 2007; 马云, 2014; 贾永刚 等, 2017; Nian et al, 2019)。具体实例包括: 1958 年发生在利图亚湾的滑坡事件、1946年阿留申群岛发生的海底滑坡海啸以及文莱婆罗洲西北陆缘海底滑坡等。在我国辖区4大海域(渤海、黄海、东海和南海)也均有大量海底滑坡群分布, 如黄河口海底滑坡群(杨作升 等, 1994; 贾永刚 等, 2000)、南黄海海底滑坡群(戴晨 等, 2015)、冲绳海槽西部海底滑坡群(刘保华 等, 2005; 胡光海, 2010)和台湾西南部海底滑坡群(Hsu et al, 2008)等。由此可见滑坡灾害对我国的近远海地区的影响十分重大, 特别是近年来我国海洋工程的建设逐渐加快, 因此为了保护海洋建筑物免受海底滑坡灾害的影响, 在我国海洋经济开发与建设相关工程中必须开展有关海底滑坡问题的研究。
本研究通过卷积神经网络训练了一种时序预测模型, 该模型通过数值模拟的滑坡涌浪数据(自由液面时程曲线数据)进行训练, 能够准确地对不同滑坡产生的涌浪大小进行预测, 并且具有良好的泛化能力(Namekar et al, 2009; Graves et al, 2012; Makinoshima et al, 2021)。本文的研究思路是基于先验知识对某一特定地域可能发生的滑坡灾害进行评估, 从而使用少量的训练样本达到不错的预测效果, 并且一维卷积神经网络的计算复杂度较低, 因此, 本文所提出的方法能够大大节省计算资源, 同时也为滑坡涌浪灾害的预警提出了新思路和新方法。

1 数值模型

滑坡涌浪的过程可由不可压缩的纳维-斯托克斯方程控制, 应用非静压单项流模型(non-hydrostatic wave model, NHWAVE)模拟在滑坡的影响下涌浪的产生和传播的过程, 该模型使用的是基于 σ坐标的连续性方程和动量方程, 其守恒形式的表达式为
∂ D ∂ t + ∂ D u ∂ x + ∂ D v ∂ y + ∂ ω ∂ σ = 0
∂ U ∂ t + ∂ F ∂ x + ∂ G ∂ y + ∂ H ∂ σ = S h + S p + S τ + S c
式中: U , F , G , H为通量项, 表达式为
U = D u D v D w           F = D u u + 1 2 g D 2 D u v D u w G = D u v D v v + 1 2 g D 2 D v w           H = u ω v ω w ω
S h为静压力源项, S p为动压力源项, S τ为湍流应力项, S c为拖曳力项, 其表达式为
S h = g D ∂ h ∂ x g D ∂ h ∂ y g D ∂ h ∂ z           S P = − D ρ ∂ P ∂ x + ∂ P ∂ σ ∂ σ ∂ x − D ρ ∂ P ∂ y + ∂ P ∂ σ ∂ σ ∂ y − 1 ρ ∂ P ∂ σ S τ = D S τ x D S τ y D S τ z                 S c = 1 2 D C f ù ù
式中: t是时间(单位: s); x , y , z是笛卡尔坐标; u , v , w是在 x , y , z方向的速度分量。 ω为 σ坐标方向上的速度(单位: m·s-1); σ = z + h / D, z为笛卡尔坐标系下垂直坐标的位置(单位: m), h为静水深(单位: m), D = h + η, η为波面高程(单位: m); P为动压(单位: N·m-2); g是重力加速度; ù为流速矢量(单位: m·s-1); ρ是水的密度(单位: kg·m-3)。 D S τ x  , D S τ y, D S τ z是湍流应力项, C f为拖曳力系数。
在离散方法上, 该模型使用戈杜诺夫(Godunov)格式的有限体积法对方程进行离散, 使用了交错网格, 其中速度被定义在网格中心, 而压力 P 被定义在网格边界中心上(Bradford et al, 2011), 时间离散采用了非线性龙格-库塔(Runge-Kutta)方案进行。此外, 模型将非线性 k − ε湍流模型(Ma et al, 2013)应用于湍流闭合, 其保守形式的控制方程可表示为
∂ D k ∂ t + ∇ ⋅ （ D u k ） = ∇ ⋅ D ν ′ + ν ′ τ σ k ∇ k + D P s − ε
∂ D ε ∂ t + ∇ ⋅ D u ε = ∇ ⋅ D ν ′ + v ′ τ σ ε ∇ ε + ε k D C 1 ε P s − C 2 ε ε
式中: k为体积平均的湍动能(单位: m2·s-2); ν ′为运动黏度(单位: m2·s-1); ν ′ τ是湍流运动黏度(单位: m2·s-1); P s是剪切力(单位: m2·s-3); σ k = 1.0, σ ε = 1.3, C 1 ε = 1.44, C 2 ε = 1.92, C μ = 0.09 ε为湍流耗散率, 其计算公式可表示为
ν τ = C μ k 2 ε           k = 1 2 U ′ U ′ ¯           ε = C μ 0.75 k 1.5 l
式中: 湍流经验系数; l为湍流长度(单位: m); U′为流速分量的脉动部分(单位: m·s-1 )。
在该模型中, 滑坡的几何形状和运动由下方公式表示:
ξ = H 1 − ε sech ( k b x ) sech ( k W y ) − γ
s t = s 0 ln cosh t t 0
式中: ζ用来控制滑坡的几何特征; C = arcosh 1 / γ k b = 2 C / L, k W = 2 C / B, L、B、H分别为滑坡的长度、宽度、厚度(单位: m); γ 是其截断参数, 等于0.717。s为滑块的位移(单位: m); s 0和 t 0可由下方公式表示:
s 0 = u 0 2 a 0 ,   t 0 = u 0 a 0
式中: u0为滑坡的速度(单位: m·s-1); a0为加速度(单位: m·s-2)。

2 数值验证

本文参考了Ma等人进行的数值模拟验证(Ma et al, 2012), 试验数据源自François的物理试验(Enet et al, 2007)。本文布置的工况与François 的物理试验基本相同, 具体布置如图1所示。
图1 数值验证计算区域布置图

a. 侧视图; b. 俯视图。G1和G2(3)为测点1和测点2(3)。图a中半椭圆表示滑块侧面的形状; 图b中的椭圆表示滑块俯视的形状

Fig. 1 Computational domain for numerical validation

a. Side view; b. Top view. G1 and G2 (3) are measurement points 1 and 2 (3). The semi ellipse in Figure A represents the shape of the side of the slider; The ellipse in Figure B represents the shape of the slider when viewed from above

水槽x方向长度为10m, y方向长度为1.8m, 底坡长度为5.687m, 角度为15°; 滑块中心位于流场x = 0.651m, y = 0m处, 其H = 0.082m, L = 0.395m, B = 0.680m, 滑块的初速度u0 = 1.7m·s-1, 加速度a0 = 1.12m·s-1, 其中x方向使用了500个网格, y方向使用了90个网格, 网格大小为0.02m。测点1, 2, 3分别位于流场x = 1.469m, y = 0.35m; x = 1.929m, y = 0m; x = 1.929m, y = 0.5m位置, 其验证结果分别见图2。从模拟结果可以发现NHWAVE能够对滑坡产生涌浪的波幅、相位进行准确的模拟, 与试验结果相比具有很高的拟合度, 并且涌浪的振幅在滑坡轴线位置最大, 并且随着中心轴线距离的增加而减少。
图2 测点1 (a)、测点2 (b)、测点3 (c)数值模拟结果验证图

图中横纵坐标均进行了无量纲化处理, 纵坐标标目为表面高程(η)/滑块宽度(B), 横坐标标目为时间(t)/式(10)中的t0

Fig. 2 Validation of numerical simulation results for monitoring point1(a), point2(b) and point3(c)

The horizontal and vertical coordinates in the figure have been dimensionless, with the vertical axis marked as surface elevation (η)/slider width (B), the horizontal axis is time (t) divided by t0 in equation (10)

3 滑坡涌浪运动分析

为了更好地进行后续预测工作, 本研究分析了滑坡和涌浪的运动。图3与图4分别展示了不同时刻滑坡涌浪的剖面与三维云图, 可以发现在滑坡开始运动时水深较浅, 自由表面在滑坡的带动下呈现出明显的加速趋势, 形成了涌浪。从图3a可以观察到, 当时间为1.0s时, 涌浪的波速和波峰在滑坡的带动下不断变大。当时间达到1.5s时, 在图3b中可以清晰地观察到随着滑块的运动涌浪的波速和波峰高度达到最大值, 但相比1.0s, 此时涌浪与滑块之间的相对距离不断增加。通过图3c可以观察到, 在时间为2.0s时, 尽管滑块仍然保持较快的速度, 但涌浪的波峰和波速却逐渐减小, 这可能是水深以及滑块与涌浪相对距离的增加导致滑块难以对涌浪的运动产生影响导致的。通过图3d可以发现, 在时间为3.0s时, 随着滑块对涌浪的影响减弱, 涌浪的波速和波峰降至较小水平, 并将以较低的波速和较小的波峰继续传播。根据以上研究结果, 不难发现在滑坡发生位置附近的涌浪往往具有更大的振幅和流速, 并且在滑坡涌浪灾害中, 涌浪所达到的最大浪高通常也是防灾减灾工作中的重要指标, 因此本文后续的预测工作将重点在滑坡发生位置附近进行。
图3 滑块中心剖面云图

Fig. 3 Contour plots of the cross-section at the slider center

a. t = 1.0s; b. t = 1.5s; c. t = 2.0s; d. t = 3.0s

图4 2.0s (a)和3.0s (b)时三维滑块运动图

Fig. 4 Three-dimensional slider motion chart at 2.0 s (a) and 3.0 s (b)

4 神经网络和运行环境配置以及预测评价指标

卷积神经网络是一个经典的神经网络模型, 主要由卷积层、池化层、全连接层以及激活函数组合而成。输入数据经过归一化处理首先被输入到卷积层中, 卷积层的主要作用是对输入数据进行卷积计算, 从而提取输入数据的局部特征。卷积计算是通过在输入数据上滑动卷积核(kernel)来执行的, 可以通过改变卷积核的大小、个数和滑动步长控制卷积层的特征提取能力和输出特征大小。池化层的作用是进一步提取卷积层检测的特征, 可以有效减小数据的空间维度, 减少计算复杂度。常见的池化操作有最大池化和平均池化, 它们通过在每个区域中选择最大值或平均值来提取主要特征。全连接层常用于神经网络的末尾, 该层的每个神经元与前一层的所有神经元相连接, 每个连接都有一个权重, 这样每个神经元都能接收到前一层所有神经元的输出, 可以将前面卷积层或其他层提取的特征映射到最终的输出。激活函数存在于神经网络的各个层, 它的作用是为了引入非线性, 使得神经网络能够学习和表示更复杂的函数。本文是基于监督学习的多样本回归任务, 具体而言, 神经网络通过反向传播不断地更新参数, 以拟合输入和输出之间的关系。通过学习训练样本的规律, 神经网络能够预测新样本的输出(高榕泽 等, 2024)。卷积神经网络提取特征的具体过程可以参考图5。本文使用的一维卷积神经网络是基于谷歌的Tensorflow.keras库搭建的, 训练是在Nvidia Rtx3070 laptop上进行的, 本文使用的卷积神经网络结构由6个卷积层、2个池化层、1个展平层以及2个全连接层和1个随机丢弃层(Murphy et al, 2014)组成, 其中每个卷积层都使用Relu作为激活函数(Krizhevsky et al, 2012), 相应的卷积核数量为128。在训练过程中使用huber loss function 作为损失函数, 并使用Adam优化器(Kingma et al, 2014)来控制神经网络的收敛。
图5 卷积神经网络(CONV)的结构示意图

Fig. 5 Schematic diagram of the convolutional neural network (CONV) structure

本文使用了3个指标来评价神经网络的预测效果, 分别是MSE、RMSE和MAE。MSE (mean squared error)为均方误差, 它是计算每个预测值与实际值之差的平方, 然后取平均值得到的, 可以通过式(10)计算。RMSE (root mean square error)为均方根误差, 它是直接对MSE取平方根得到的。MAE (mean absolute error)为平均绝对误差, 它是计算每个预测值和实际值之差的绝对值然后取平均值得到的, 其计算公式如式(11)所示。上述指标是评价模型拟合程度的通用标准, 后续本文将结合上述指标对预测效果进行分析。
MSE = 1 n ∑ i = 1 n y i − y ^ i
MAE = 1 n ∑ i = 1 n y i − y ^ i
式中: n是样本数量, y i是实际值, y ^ i是预测值。

5 训练结果

由于不同地区可能发生滑坡涌浪灾害的规模不一, 并且泛化地模拟全部可能发生的滑坡涌浪灾害并用其训练神经网络将产生巨大的计算成本。为了节省计算资源, 有针对性地对某一地区可能发生的滑坡涌浪灾害进行预测, 本文旨在基于先验知识对某一地区可能发生的不同规模的滑坡涌浪灾害进行数值模拟, 并且在使用少量样本的情况下达到比较好的预测效果。对于确定的某一滑坡高危区域来说, 它的水深和地形通常都是确定的, 因此接下来本文将在相同地形和水深的条件下, 使用不同体积规模和初速度的滑坡样本进行训练和预测。将图1的计算工况放大5倍作为后续训练和预测的地形, 该工况的水深为6m, 底坡角度为15°, 底坡长度为22.8m, 滑块中心位于坐标(2.6, 0.0)处, 并且所有样本的模拟时间均为12s, 本研究后续将使用分别位于(2.88, 0, 0), (4.88, 0, 0), (7.88, 0, 0), (15.88, 0, 0)位置处的测点1, 2, 3, 4来进行后续的预测工作。
首先, 本文采用了5个尺寸不同的滑块(样本1~ 5), 涵盖了不同长度、宽度和厚度的变化。本文将样本1至样本4作为训练数据用于模型训练, 而样本5则被保留用作预测。在预测过程中, 以测点1的数据作为输入, 来预测测点2的值。图6a展示了预测结果, 可以看到神经网络准确地预测了涌浪的波幅以及相位, 证明在只改变滑块大小的情况下使用少量的样本进行训练, 卷积神经网络就能达到比较好的预测效果。为了进一步验证神经网络对涌浪的预测可行性, 本文在样本1的基础上, 又训练了4个具有不同初始速度的滑坡(样本6~9), 它们的初始速度分别为2.4、2.0、1.12、2.6m·s-1。按照之前的训练策略, 本文采用样本1以及样本6~8作为训练数据, 而样本9作为预测数据来验证测试神经网络预测的稳定性。结果如图6b所示, 可以观察到, 在改变滑块初始流速的情况下, 使用少量的训练样本, 卷积神经网络仍能达到较好的预测效果, 这证明了卷积神经网络对于改变单一特征(例如大小或速度)的滑坡产生的涌浪具有良好的预测能力。为了评估模型的泛化能力, 本文选择了仅改变初始速度的4个样本以及初始样本1作为训练样本, 并选择改变滑块大小的样本2作为预测样本进行验证。从其预测结果图6c可以看到, 训练效果相比之前有些许的降低, 但是神经网络依然能做出效果不错的预测, 这证明神经网络具有良好的泛化能力。对于训练集中某些不存在的特征, 神经网络也能做出较为准确的预测。
图6 预测结果图

a. 案例1; b. 案例2; c. 案例3; d. 案例4; e. 案例5; f. 案例6; g. 案例7

Fig. 6 Plots of prediction results

a. Case 1; b. Case 2; c. Case 3; d. Case 4; e. Case 5; f. Case 6; g. Case 7

之前的训练和预测都是在相邻测点1和2之间进行的, 由于它们波面的变化较为简单。为了验证在复杂波面变化情况下神经网络的预测效果, 下面本文使用了改变滑块体积、初速度、加速度的30个样本以及相距较远测点1和测点3进行训练和预测, 其中测点1作为数据输入测点3作为预测输出, 从预测结果图6d可以看到, 在增加了样本数量的情况下, 神经网络的预测效果仍然有所降低, 这证明复杂的流动现象会大大增加神经网络的训练难度。尽管如此, 神经网络对于波峰和波谷的预测依然能达到很好的预测效果。
在滑坡涌浪灾害中存在一种情况, 即当涌浪传播到输入测点时, 输出测点位置尚未受到滑坡运动的影响或受到的影响很小, 导致波面还未出现明显的起伏。针对这种情况, 需要对数据集进行特定处理, 具体做法是在训练样本的时程曲线中将这两个测点的波峰进行对应, 这样就能够通过滑坡发生位置涌浪的水位变化实时预测目标测点涌浪所能达到的高度。为了更好地模拟神经网络在真实涌浪灾害中的预测效果, 本文选取测点1来预测测点4。训练集包含不同初速度和大小的9个工况的滑坡样本作为训练数据。其中, 输入测点1采集了0~10s的数据, 输出测点4采集了2~12s的数据进行训练, 预测结果如图6e所示。可以观察到, 当滑坡发生时, 模型能够通过测点1的涌浪水位变化, 在涌浪传播到测点4之前实时预测出测点4的自由表面变化情况。从预测结果来看, 模型对于涌浪的振幅、相位变化能进行很好的预测, 但是在波峰和波谷的预测有些许偏差。为了进一步改善预测结果, 本文尝试在之前的基础上增加训练数据量来改善预测结果, 一种方法是同时使用测点1和测点2作为输入数据来对测点4进行预测, 预测结果见图6f, 可以发现训练效果有所改善; 另一种方法是增加训练样本数量, 使用30个样本进行训练, 预测结果见图6g, 可以发现模型对于波谷的预测效果得到了提升, 并且预测曲线也更为光滑, 因此实际应用中可以通过上述两种方法增加数据量以改善预测结果。

6 误差分析

通过观察图7中算例A~G的MSE、RMSE和MAE的大小, 可以发现神经网络的预测结果与模拟结果有着不错的拟合程度。可以观察到, 在仅使用4个样本进行训练的条件下, 算例A和算例B的MSE、MAE、RMSE数值很小, 这说明样本1到4与样本5之间的变异几乎可以完全由模型解释, 这可能是在仅改变滑块的大小或初速度的条件下样本之间的变异较小, 并且测点1与测点2之间的流动较为简单, 从而使得神经网络更容易拟合输入与输出测点曲线。与之对应的是算例C的预测效果有所降低, 这是因为作为训练数据样本的滑块均只改变了初速度, 而用于预测的样本仅改变了大小, 导致训练集与预测集之间的变异较大, 模型未能充分学习到不同大小滑块的特征。值得注意的是在同样使用30个样本进行训练的情况下, 算例D相较算例G预测效果有所降低, 可能是由于测点1和3的波面曲线变化相对较大, 使得神经网络在这两个测点上的拟合难度增加。比较算例E与算例F、算例G可以发现, 通过增加训练数据, 算例F和算例G的MSE、RMSE和MAE并无明显降低, 但是通过观察图6曲线可以发现, 增加数据量可以明显改善预测结果存在一些异常值这一现象, 使得曲线更为光滑, 从而提高模型的鲁棒性和泛化能力。
图7 算例A~G的RMSE (a)、MAE (b)和MSE (c)

Fig. 7 Illustrations of the RMSE (a), MAE (b), and MSE (c) for cases A to G

7 结论

1) 本文通过利用非静压模型NHWAVE建立了滑坡涌浪数值模型, 并且通过数值模型验证, 证明该模型能够准确的模拟涌浪的传播和演变形态, 该模型也是为研究滑坡涌浪问题的一种可靠的计算流体力学工具, 并且也为本文使用卷积神经网络对滑坡涌浪灾害的研究提供了可靠的数据。
2) 通过搭建CONV1D模型, 本文成功实现了对滑坡产生涌浪自由表面变化的可靠预测。在模型评估方面, 本文通过结合MSE、MAE、RMSE指标对卷积神经网络的预测结果进行了有效的评估。从预测结果可以看到, 卷积神经网络在使用少量样本的情况下就能很好学习到滑坡涌浪的物理规律, 即使对于样本中不存在的特征也具有不错的预测效果, 具有较强的泛化能力, 充分展现了该模型的鲁棒性。
3) 目前该方法也还存在一定的局限性, 对于某一滑坡灾害发生的高危地区来说, 该方法需要准确地分析该地区可能发生的滑坡灾害规模, 并结合当地的地形、水深等数据进行数值模拟, 才能使用少量的计算资源达到不错的预测效果。但是对于经常发生水位和地形变化的区域, 以及对于可能发生滑坡规模很难估计的地区就需要更多的计算量才能达到较好预测效果了。
4) 值得注意的是, CONV1D模型具有高效的计算效率的同时还拥有强大的特征提取能力, 并且计算成本相比长短期记忆神经网络、递归神经网络等其他神经网络要低。这也为提前、精准预测涌浪的波面变化提供了可行性, 从而为人们对滑坡涌浪灾害的预警提供了新的可能。
本文通过融合卷积神经网络和数值模拟, 为滑坡涌浪的预测提供了一种新颖、高效的方法, 具备广泛的应用潜力。本文目前只是针对深度学习神经网络方法在滑坡涌浪灾害的预警上做出的初步研究, 证明了深度学习方法在涌浪时序预测方面的可行性, 更完善、更具有泛化能力和应用价值的模型和方法将是接下来的研究方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
戴晨, 夏非, 张永战, 等, 2015. 南黄海辐射沙脊群海域历史地震的浅地层记录[J]. 海洋地质与第四纪地质, 35(5): 77-85.

DAI CHEN, XIA FEI, ZHANG YONGZHAN, 2015. Shallow seismic stratigraphic records of earthquakes in the radial sand ridge field of South Yellow Sea. Marine Geology & Quaternary Geology, 35(5): 77-85 (in Chinese with English abstract).

[2]
高榕泽, 屈科, 任兴月, 等, 2024. 卷积神经网络方法在岛礁类海啸波水动力特性演变的应用[J]. 热带海洋学报, 43(4): 68-75.

GAO RONGZE, QU KE, REN XINGYUE, et al, 2024. Application of convolutional neural network methods in the evolution of hydrodynamic characteristics of tsunamis like-wave over fringing reef[J]. Journal of Tropical Oceanography, 43(4): 68-75 (in Chinese with English abstract).

[3]
胡光海, 2010. 东海陆坡海底滑坡识别及致滑因素影响研究[D]. 青岛: 中国海洋大学.

HU GUANGHAI, 2010. Identification of submarine landslides along the continental slope of the East China Sea and analysis of factors causing submarine landslides[D]. Qingdao: Ocean University of China (in Chinese with English abstract).

[4]
贾永刚, 单红仙, 2000. 黄河口海底斜坡不稳定性调查研究[J]. 中国地质灾害与防治学报, 11(1): 1-5.

JIA YONGGANG, SHAN HONGXIAN, 2000. Investigation and study of slope unstability of subaqueous delta of modern Yellow River[J]. The Chinese Journal of Geological Hazard and Control, 11(1): 1-5 (in Chinese with English abstract).

[5]
贾永刚, 王振豪, 刘晓磊, 等, 2017. 海底滑坡现场调查及原位观测方法研究进展[J]. 中国海洋大学学报, 47(10): 61-72.

JIA YONGGANG, WANG ZHENHAO, LIU XIAOLEI, et al, 2017. The research progress of field investigation and in-situ observation methods for submarine landslide[J]. Periodical of Ocean University of China, 47(10): 61-72 (in Chinese with English abstract).

[6]
刘保华, 李西双, 赵月霞, 等, 2005. 冲绳海槽西部陆坡碎屑沉积物的搬运方式: 滑塌和重力流[J]. 海洋与湖沼, 36(1): 1-9.

LIU BAOHUA, LI XISHUANG, ZHAO YUEXIA, et al, 2005. Debris transport on the western continental slope of the Okinawa trough: slumping and gravity flowing[J]. Oceanologia et Limnologia Sinica, 36(1): 1-9 (in Chinese with English abstract).

[7]
马云, 2014. 南海北部陆坡区海底滑坡特征及触发机制研究[D]. 青岛: 中国海洋大学.

MA YUN, 2014. Study of submarine landslides and trigger mechanism along the continental slope of the Northern South China Sea[D]. Qingdao: Ocean University of China (in Chinese with English abstract).

[8]
杨作升, 陈卫民, 陈彰榕, 等, 1994. 黄河口水下滑坡体系[J]. 海洋与湖沼, 25(6): 573-581.

YANG ZUOSHENG, CHEN WEIMIN, CHEN ZHANGRONG, et al, 1994. Subaqueous landslide system in the Huanghe River (Yellow River) delta[J]. Oceanologia et Limnologia Sinica, 25(6): 573-581 (in Chinese with English abstract).

[9]
BRADFORD S F, AFFILIATIONS A, 2011. Nonhydrostatic model for surf zone simulation[J]. Journal of Waterway, Port, Coastal, and Ocean Engineering, 137(4): 163-174.

[10]
ENET F, GRILLI S T, 2007. Experimental study of tsunami generation by three-dimensional rigid underwater landslides[J]. Journal of Waterway, Port, Coastal, and Ocean Engineering, 133(6): 442-454.

[11]
GEE M J R, UY H S, WARREN J, et al, 2007. The Brunei slide: a giant submarine landslide on the North West Borneo Margin revealed by 3D seismic data[J]. Marine Geology, 246(1): 9-23.

[12]
GRAVES A, 2012. Long short-term memory[M]//GRAVES A, Supervised sequence labelling with recurrent neural networks. Berlin Heidelberg: Springer: 37-45.

[13]
HSU S K, KUO J, LO C L, et al, 2008. Turbidity currents, submarine landslides and the 2006 Pingtung earthquake off SW Taiwan[J]. Terrestrial, Atmospheric and Oceanic Sciences, 19(6): 767-772.

[14]
JIANG MINGJING, SUN CHAO, CROSTA G B, et al, 2015. A study of submarine steep slope failures triggered by thermal dissociation of methane hydrates using a coupled CFD-DEM approach[J]. Engineering Geology, 190: 1-16.

[15]
KINGMA D P, BA J, 2014. Adam: a method for stochastic optimization[J]. arXiv preprint arXiv: 1412. 6980.

[16]
KRIZHEVSKY A, SUTSKEVER I, HINTON G E, 2012. ImageNet classification with deep convolutional neural networks[C]// Proceedings of the 26th international conference on neural information processing systems. Lake Tahoe: 1097-1105.

[17]
MA GANGFENG, SHI FENGYAN, KIRBY J T, 2012. Shock-capturing non-hydrostatic model for fully dispersive surface wave processes[J]. Ocean Modelling, 43-44: 22-35.

[18]
MA GANGFENG, KIRBY J T, SHI FENGYAN, 2013. Numerical simulation of tsunami waves generated by deformable submarine landslides[J]. Ocean Modelling, 69: 146-165.

[19]
MAKINOSHIMA F, OISHI Y, YAMAZAKI T, et al, 2021. Early forecasting of tsunami inundation from tsunami and geodetic observation data with convolutional neural networks[J]. Nat Commun, 12: 2253.

DOI PMID

[20]
MURPHY K, SCHÖLKOPF B, SRIVASTAVA N, et al, 2014. Dropout: a simple way to prevent neural networks from overfitting[J]. The Journal of Machine Learning Research, 15(1): 1929-1958.

[21]
NAMEKAR S, YAMAZAKI Y, CHEUNG K F, 2009. Neural network for tsunami and runup forecast[J]. Geophysical Research Letters, 36: L08604.

[22]
NIAN T, GUO X, ZHENG D, et al, 2019. Susceptibility assessment of regional submarine landslides triggered by seismic actions[J]. Applied Ocean Research, 93: 101964.

[23]
RASYIF T M, KATO S, SYAMSIDIK, et al, 2019. Numerical simulation of morphological changes due to the 2004 tsunami wave around Banda Aceh, Indonesia[J]. Geosciences, 9(3): 125.

[24]
ZHAO T, UTILI S, CROSTA G B, 2016. Rockslide and impulse wave modelling in the Vajont reservoir by DEM-CFD analyses[J]. Rock Mechanics and Rock Engineering, 49(6): 2437-2456.

Options
Outlines

/

〈 〉