新论文：基于机器学习方法的多元地震动强度指标比选与实时震害预测 / 开普饭

DOI：

https://doi.org/10.1080/13632469.2020.1826371

太长不看版本

地震灾害后，快速、准确的完成地震动破坏力预测，对指导震后应急救援意义重大。传统易损性分析方法“准确性”相对有限，且地震动强度指标（Intensity Measure, IM）如何选取尚缺乏统一的结论；而非线性时程分析方法需要高性能的计算装备，往往耗时较长，不能满足“实时性”要求。

本研究提出了一种结合机器学习方法和多元地震动强度指标的震害实时速报方法，以平衡震害应急评估的“准确性”与“实时性”需求。该方法基于大量历史地震动记录，计算出多元地震动强度指标，随后开展准确的非线性时程分析方法获取破坏力结果，基于机器学习方法学习强度指标与破坏力的映射关系，保障准确性；此外，该方法通过“震前训练验证、震后应急预测”两步走，将耗时较长的训练、验证环节前置，保障实时性。

本研究通过12个不同的典型建筑和清华大学校园建筑群案例，验证了本文方法的准确性与实时性。此外，通过迭代的使用上述方法，本研究还开展了不同地震动强度指标对震害预测效力的比选。

问题的引入

地震灾害后，快速、准确的完成地震动破坏力预测，对指导震后应急救援意义重大。准确性不足或严重滞后的地震动破坏力预测，都可能造成严重后果。

目前，地震动破坏力评估主要基于数值模拟，常用方法包括易损性分析方法（Fragility Analysis）和非线性时程分析方法（Nonlinear Time-history Analysis，NLTHA）等。易损性分析方法简单高效，在世界多国的近实时震损评价系统得到了应用，但：

（1）简单的低维地震动强度指标（主要是1维和2维）难以全面反映地震动的复杂时频域特性，而高维地震动强度指标研究较少、应用不便；

（2）诸多学者提出了各异的地震动强度指标，而如何选取最佳指标，尚无统一的结论；

非线性时程分析方法近年来得到了愈加广泛的关注，例如本公众号开展震后应急速报所采用的城市抗震弹塑性分析方法（新论文：城市抗震弹塑性分析方法开源框架）。此类方法不依赖历史震害资料，且能够更全面的考虑建筑、地震动的特性，因此可以较好的解决前述易损性分析方法的缺陷。不过，基于此类方法开展震害预测，计算量较大，“实时性”有所欠缺。

近年来，伴随着软硬件技术的进步，机器学习方法在计算机视觉、自然语言处理等诸多领域超越了传统方法，得到了广泛的关注。目前，课题组已在机器学习相关研究方面开展了一些工作，包括：

（1）基于Logistic Regression的震害情景选取方法（新论文：利用震后遥感图像提升近实时震损预测精度，2018）；

（2）基于卷积神经网络（CNN）和无人机的震害快速评估方法（新论文：基于无人机与深度学习的建筑震害评估方法，2019）；

（3）基于卷积神经网络、小波时频图和LQR算法的振动控制方法（新论文：给振动信号拍个照，可以提升振动控制效果，2020）；

（4）基于Decision Forest的城市建筑物属性确定方法（论文：这栋楼是什么结构的，元芳，你怎么看？，2020）；

为解决上述“准确性”与“实时性”的矛盾，本研究提出了一种综合机器学习方法和多元地震动强度指标的应急震害评估方法。其中，多元地震动强度指标的组合可以更全面的表征地震动特征，提升准确性；机器学习方法可以采取“震前训练验证、震后应急预测”两步走策略，将耗时较长的训练、验证环节前置，保障实时性。

此外，本研究还通过迭代优化，比较了不同地震动参数（及其组合）对地震动破坏力的解释、预测效力。基于机器学习的比较方法引入的人为假定较少，目标明确、指标组合自由、维度更高、新指标引入灵活，因此较传统方法（例如调幅法与回归法）具有更好的效果。

方法框架

本文方法可以划分为以下6个关键环节：

（1）建立地震动数据库，计算地震动强度指标

基于开源地震动数据库（例如美国PEER NGA-West2、日本K-NET等）获取65229条地震动时程记录；随后，开展广泛的文献调研，选取满足震后应急需求的地震动强度指标（筛选要求见03节），计算得到地震动强度指标数据库（作为样本数据）。

（2）选取建筑并建立模型，开展非线性时程分析

选取典型建筑/建筑群，基于城市抗震弹塑性分析方法，建立相应的结构分析模型，并以前述地震动加速度时程为输入，开展非线性时程分析，计算地震动破坏力（作为样本标签）。

（3）机器学习模型的训练与测试

选取合适的机器学习算法（本研究选取了Logistic Regression、Decision Tree和Support Vector Machine），将上述样本（数据+标签）划分为训练集、验证集和测试集，完成模型的训练与测试。

（4）基于迭代方法，开展指标比选

通过迭代的开展上述训练与测试，逐步剔除对预测准确率影响较小的若干地震动强度指标，降低输入维度；在此过程中，指标剔除顺序反映了指标效力的强弱。

（5）选取表现良好的机器学习模型

基于优化后的输入指标，完成模型训练、测试，获取表现良好的机器学习模型，准备应用于实际地震的震害应急预测。

（6）应急震害评估

实际地震来临时，根据监测台网获取实测地震动，并快速计算选定的地震动强度指标；随后，输入机器学习模型，即可预测地震动破坏力。

图1 本文方法框架

研究要点

（1）地震动指标选取

文献调研表明，目前存在定义各不相同的诸多地震动强度指标。但限于计算效率、可获取性等，并非所有地震动强度指标均适用于开展震后应急评估。本研究在广泛调研的基础上，筛选得到了48个地震动强度指标（详见论文）。筛选的原则包括：

① 指标不依赖于断层特征（一般难以第一时间获取，需要现场调查）；

② 指标不依赖于高阶周期、骨架线、建筑详细布局等复杂的建筑特征（同样难以第一时间获取）；

③ 指标的计算不依赖于Pushover分析或非线性时程分析（计算复杂，影响效率；且一般难以马上获取准确的建筑模型）。

（2）建筑选取

为了更好地体现本文方法的优势，本研究选取了12个属性各异的建筑，如图2所示。此外，本研究还选取了清华大学校园建筑群这一典型案例，验证本文方法的普适性（特别是在目标建筑与典型建筑不完全一致的情况下）。

由于高层、超高层建筑数目较少，且设计、施工要求严格，安全余量一般较大，因此本研究暂不涉及高层、超高层建筑，也未将主要在高层、超高层建筑中应用的剪力墙结构、框架-核心筒结构、筒中筒结构等纳入考虑。未来，可以进一步的针对上述建筑开展研究。

图2 典型建筑及其属性

（3）地震动筛选与预处理

本研究首先基于PGA，从K-NET数据库中筛选得到65229条地震动；随后对部分地震动进行了调幅（加速度时程乘以1.0、2.0、3.0和4.0的放大系数），提升强破坏力地震动比例，使地震动数据库相对更为均衡；最后，基于地震动对典型3层框架（图2中的建筑9）的破坏力，筛选了3万条地震动，形成样本集（训练、验证与测试集）。

方法验证

本研究首先基于前述12个典型建筑案例，分别开展了模型参数调整、训练与测试。不同案例的测试准确率如图3所示。可以看出，本文方法平均预测准确率超过93%，具有较好的准确性。

此外，为了验证本文方法的普适性，特别是目标建筑不完全等同于典型建筑案例时的预测效果，本研究首先开展了不同模型之间的交叉预测效果验证（详见论文），并基于清华大学校园的435栋建筑开展了实际案例验证。校园建筑群的建筑属性如图4所示。预测结果表明，在目标建筑属性和12个典型案例有明显不同的情况下，预测准确率依然可以达到81.12%。

除准确率验证外，本研究还开展了预测效率的统计分析，以证明本文方法的实时性。分析表明，本文方法完成单次预测所需时间可以控制在5.0s以内，具有较好的实时性。

图3 不同案例的测试准确率

图4 校园建筑群建筑属性

指标比选

基于前述方法，可以开展不同地震动指标对其破坏力的预测效力比选。具体而言，迭代的训练机器学习模型（出于效率和解释性，选取Logistic Regression和Decision Tree），并在每一轮迭代中逐步剔除对预测准确率影响最小的一个或多个地震动强度指标，直至迭代结束。

本研究首先给出了基于传统多项式回归方法的指标比选结果作为对照，随后基于Logistic Regression方法开展了地震动强度指标比选，并基于Decision Tree方法开展了解释与补充验证，详见论文。综合各组比选结果，可以得出结论：

（1）频域地震动强度指标（例如反应谱）较时域更为重要，但若要进一步提高预测精度，时域指标也不可或缺；时域指标中，峰值指标（例如PGA、PGV）较累积指标更为重要（例如CAV）；

（2）预测特性复杂的结构的震害（若要达到相同准确率，本研究取90%），需要更多的地震动强度指标，反之亦然；

（3）在指标选取任务中，基本周期对应的反应谱值是在各个案例中普遍表现良好的指标，EPA（Effective Peak Acceleration）、HI（Housner Intensity）对低层建筑较为重要，而EPV（Effective Peak Velocity）、PGV（Peak Ground Velocity）对中层建筑较为关键；

（4）若要实现更加精确地预测，应当考虑反应谱中基本周期对应区段之外的部分，特别是那些更长周期对应的区段；

（5）PGA指标虽然常见，但在很多案例中表现不佳，效力存疑。

结论

本研究提出了一种结合多元地震动强度指标和三种机器学习方法的应急震害预测方法，并通过12个典型建筑案例和清华大学校园建筑群案例，开展了方法的准确性、实时性与普适性的验证。此外，通过迭代的使用上述方法，本研究还从新的角度开展了地震动强度指标比选，提出了针对指标选取的若干建议。

徐永嘉

---End---

相关研究

新论文：基于机器学习方法的多元地震动强度指标比选与实时震害预测

相关推荐