基于多头注意力增强时序卷积网络的结构响应反演地面运动方法研究

针对地面运动(GM)测量设备成本高、维护难的问题，研究人员提出多头注意力增强时序卷积网络(MHA-TCN Net)，通过建筑结构响应(SR)数据反演GM时间历程。该模型融合多头注意力机制与重叠子集策略，在弹性/塑性变形范围内均实现高精度预测(MAE≤0.063，R2达0.95)，为城市地震监测提供经济高效的AI解决方案。

　　

地震灾害评估的核心在于获取精确的地面运动(Ground Motion, GM)时间历程，但传统GM记录设备如加速度计存在部署成本高、维护困难等问题，导致城市区域监测数据稀疏。与此同时，大量建筑已安装用于结构健康监测的微机电系统(MEMS)传感器，这些结构响应(Structural Response, SR)数据能否反推GM成为学界关注焦点。传统方法如地面运动预测方程(GMPEs)依赖统计模型且难以捕捉非线性行为，而基于卡尔曼滤波或贝叶斯更新的物理方法又受限于计算复杂度。

针对这些挑战，中国国家自然科学基金支持的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果，开发了多头注意力增强时序卷积网络(MHA-TCN Net)。该模型通过三个关键技术突破实现GM反演：1)采用重叠子集策略(OSS)处理SR数据集，保留局部时序特征；2)整合因果膨胀卷积的时序卷积网络(TCN)与多头注意力机制，并行捕捉长短期依赖关系；3)引入动态权重调整优化训练过程。研究选用5层非线性多自由度(MDOF-5)结构和实际桥梁作为验证案例，输入SR加速度时间历程，输出GM预测结果。

【Overlapping subset strategy for dataset processing】
通过将SR_T数据集分割为重叠子序列，解决长时序数据的信息丢失问题。每个子集包含1024个时间步长，重叠率50%，确保局部特征完整性。

【Temporal convolutional network】
TCN模块采用膨胀系数为2ⁿ的因果卷积堆叠，配合ReLU激活和残差连接，有效提取多尺度时序特征。多头注意力层则通过8个并行注意力头聚焦关键时间节点。

【Case 1 and Case 2】
在MDOF-5模型中，MHA-TCN Net对El Centro波的反演MAE仅0.052，较传统TCN模型误差降低41%。实际桥梁案例中，即使输入含5%高斯噪声的SR数据，预测GM与实测数据的相关系数仍达0.93。

【Results for case 1】
训练曲线显示MHA-TCN Net的收敛速度比LSTM快3倍，验证损失稳定在0.038。在塑性变形阶段(PGA>0.4g)，其MSE保持在0.28以下，显著优于Transformer等对比模型。

【Conclusions】
该研究证实MHA-TCN Net具有三大优势：1)直接学习数据特征，摆脱对结构参数的依赖；2)动态注意力机制提升噪声鲁棒性；3)无需重新调参即可适应新数据集。这项技术为SR传感器密集但GM设备稀缺的城市区域提供了可行的地震监测替代方案，其工程应用价值体现在：可实时反演GM场、辅助建筑安全评估，并为抗震设计提供数据支持。研究团队特别指出，该方法未来可扩展至三维结构体系，并探索与物理模型的混合增强策略。