The current study attempted to determine the appropriate distribution of large ground-motion intensities using extreme value theory (EVT). In this regard, normal, lognormal and generalized extreme value (GEV) distributions were examined. The ground motions were extracted from the PEER NGA-West2 database and analyses were done on the three different categories of data. These categories were selected based on the block maxima method (BMM) and the following criteria: annual maxima, near-source and far-source classification and ten selected earthquakes having the greatest number of records in the database. The log-likelihood, Akaike information criteria (AIC) and Bayesian information criteria (BIC) were used for all categories to investigate the results. The results revealed that the appropriate distribution of the annual maxima of PGA, PGV, PSA ( T = 0.3 s) and PSA ( T = 1 s) was the GEV distribution. In both the near-source and far-source data, the appropriate distribution of PGA and PSA in low periods was the GEV distribution. In the last category, the GEV distribution showed appropriate goodness of fit. In addition to the mentioned criteria, a ground motion model (GMM) was developed to evaluate the mentioned distributions. Accordingly, normal, lognormal and GEV distributions were used to develop three GMMs. The GMM coefficients were obtained using the maximum likelihood (ML) method, then the GMMs were evaluated using residual analysis. On average, the standard deviation and the root mean square error (RMSE) of residuals decreased 18% and 19%, respectively, in GMMs using the GEV distribution.

中文翻译：

---

使用极值理论模拟极端地震动强度

当前的研究试图使用极值理论 (EVT) 确定大地震动强度的适当分布。在这方面，检查了正态分布、对数正态分布和广义极值 (GEV) 分布。地面运动是从 PEER NGA-West2 数据库中提取的，并对三种不同类别的数据进行了分析。这些类别是根据块最大值法 (BMM) 和以下标准选择的：年度最大值、近源和远源分类以及数据库中记录数最多的十个选定地震。对数似然、赤池信息标准 (AIC) 和贝叶斯信息标准 (BIC) 用于所有类别以调查结果。结果表明，PGA、PGV、PSA (T = 0.3 s) 和 PSA (T = 1 s) 是 GEV 分布。在近源和远源数据中，低期PGA和PSA的适当分布为GEV分布。在最后一个类别中，GEV 分布显示出适当的拟合优度。除了上述标准外，还开发了地面运动模型 (GMM) 来评估上述分布。因此，使用正态分布、对数正态分布和 GEV 分布来开发三个 GMM。使用最大似然 (ML) 方法获得 GMM 系数，然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。在近源和远源数据中，低期PGA和PSA的适当分布为GEV分布。在最后一个类别中，GEV 分布显示出适当的拟合优度。除了上述标准外，还开发了地面运动模型 (GMM) 来评估上述分布。因此，使用正态分布、对数正态分布和 GEV 分布来开发三个 GMM。使用最大似然 (ML) 方法获得 GMM 系数，然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。在近源和远源数据中，低期PGA和PSA的适当分布为GEV分布。在最后一个类别中，GEV 分布显示出适当的拟合优度。除了上述标准外，还开发了地面运动模型 (GMM) 来评估上述分布。因此，使用正态分布、对数正态分布和 GEV 分布来开发三个 GMM。使用最大似然 (ML) 方法获得 GMM 系数，然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。GEV 分布显示出适当的拟合优度。除了上述标准外，还开发了地面运动模型 (GMM) 来评估上述分布。因此，使用正态分布、对数正态分布和 GEV 分布来开发三个 GMM。使用最大似然 (ML) 方法获得 GMM 系数，然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。GEV 分布显示出适当的拟合优度。除了上述标准外，还开发了地面运动模型 (GMM) 来评估上述分布。因此，使用正态分布、对数正态分布和 GEV 分布来开发三个 GMM。使用最大似然 (ML) 方法获得 GMM 系数，然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。然后使用残差分析评估 GMM。平均而言，在使用 GEV 分布的 GMM 中，残差的标准偏差和均方根误差 (RMSE) 分别降低了 18% 和 19%。