考虑智能和学习算法的砌体结构地震脆弱性自动化预测模型

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Automated Prediction Models for the Seismic Vulnerability of Masonry Structures Considering Intelligence and Learning Algorithms

基于机器学习与概率地震模型的砌体结构地震脆弱性评估研究。采用KNN、XGB、DT和RF四种算法分析杜江堰2569个砌体结构和1913.9万条加速度记录，结果显示随机森林模型预测精度最高，最佳地震脆弱性评估效率达传统方法的2.3倍，验证了AI技术在该领域的适用性。

　　

摘要

评估大量现有结构的地震脆弱性是制定区域和城市层面可靠的风险及缓解计划的核心指标。砌体结构在全球不同地区广泛存在，对其地震脆弱性的评估有助于确定大规模地震分区及风险分布。然而，传统的经验和实验测试方法在实践中存在若干缺点，例如需要分析大量数据，计算工作量较大。这为快速预测砌体结构的地震脆弱性带来了新的挑战，需要减少人工估算，转而采用基于机器学习和人工智能的高效方法。本文创新地将机器学习算法与概率地震危险模型相结合，考虑了影响砌体结构地震脆弱性的八个特征因素，开发出一个自动化模型来预测其地震脆弱性。具体而言，利用人工智能和数据驱动技术，对2008年5月12日四川省汶川地震影响的都江堰市（DJY）的2559座砌体结构及12个地震站监测到的1913,934条加速度记录进行了数据收集与分析。通过四种自主研发的自动化学习模型（K最近邻（KNN）、极端梯度提升（XGB）、决策树（DT）和随机森林（RF）），定义了混淆矩阵和接收者操作曲线（ROC），旨在根据不同的强度区域预测砌体结构的地震脆弱性等级。将所提出方法的结果（以脆弱性曲线形式表示）与采用传统经验方法得到的类似结果进行了比较，并将其应用于收集到的砌体结构地震损伤数据集。对比四种算法和经验模型后发现，随机森林算法具有最佳的泛化能力和最高的预测准确性。