A spectral acceleration attenuation model for Japan is presented in the present study. The data set includes a very large number of strong ground-motion records up to the 2003 Off Tokach main and aftershocks. Site class terms, instead of individual site correction terms, are used. The site classes of recording stations are from a recent study on site classification for strong-motion recording stations in Japan according to a classification scheme that has been used in Japanese engineering design. The use of site class terms enables tectonic source-type effects to be identified and accounted for in the present model. The effects of a faulting mechanism for crustal earthquakes also are accounted for. For crustal and interface earthquakes, a simple form of an attenuation model (with respect to distance) is able to capture the main strong-motion characteristics and achieves unbiased estimates. For subduction slab events, a simple distance modification factor is employed to achieve plausible and unbiased predictions. The effects of source depth, tectonic source type, and faulting mechanism of crustal earthquakes are significant. The need for magnitude- squared terms is evaluated, and the use of magnitude-squared terms reduces the interevent error further.

As water treatment technology has improved, the amount of available process data has substantially increased, making real-time, data-driven fault detection a reality. One shortcoming of the fault detection literature is that methods are usually evaluated by comparing their performance on hand-picked, short-term case studies, which yields no insight into long-term performance. In this work, we first evaluate multiple statistical and machine learning approaches for detrending process data. Then, we evaluate the performance of a PCA-based fault detection approach, applied to the detrended data, to monitor influent water quality, filtrate quality, and membrane fouling of an ultrafiltration membrane system for indirect potable reuse. Based on two short case studies, the adaptive lasso detrending method is selected, and the performance of the multivariate approach is evaluated over more than a year. The method is tested for different sets of three critical tuning parameters, and we find that for long-term, autonomous monitoring to be successful, these parameters should be carefully evaluated. However, in comparison with industry standards of simpler, univariate monitoring or daily pressure decay tests, multivariate monitoring produces substantial benefits in long-term testing.