基于动态贝叶斯网络的地下矩形结构时变地震液化上浮风险可解释性评估方法

针对地震液化导致的地下结构上浮风险动态评估难题，研究人员创新性地提出动态贝叶斯网络(DBN)方法，通过优化0.5 s时间切片捕捉液化过程中孔隙水压力、砂土相对密度等参数的时变特征。相比静态BN方法，DBN的反向判断精度提升1.21%-7.71%，预测精度提高5.34%-8.09%，并首次揭示地下水位在液化早期的主导作用。该方法为液化敏感区工程决策提供了动态风险评估新范式。

　　

当地震波席卷而过，饱和砂土层中的地下结构常会遭遇"隐形杀手"——液化上浮现象。这种现象如同"土壤流沙化"，当孔隙水压力骤增导致有效应力消失时，地铁站、地下停车场等矩形结构会在液化土层中像软木塞般上浮，造成灾难性后果。传统评估方法存在两大致命缺陷：一是简化公式法过度理想化土壤行为，二是机器学习模型虽能预测最终上浮量，却对液化过程的动态演变束手无策。更关键的是，峰值地面加速度(PGA)等参数在液化触发前后的剧烈变化，使得静态评估模型如同"刻舟求剑"，严重制约了抗震设计的精准性。

湖北省自然科学基金资助项目团队另辟蹊径，将动态贝叶斯网络(DBN)这一"时空建模利器"引入岩土工程领域。DBN通过时间切片技术，巧妙捕捉了液化过程中各参数的动态博弈关系。研究人员构建的模型包含两大创新模块：前验网络B₀刻画初始状态变量联合分布，转移网络B_→则通过条件概率表(CPT)描述时变参数相互作用。为破解数据瓶颈，团队采用"数值模拟+物理实验"双轨策略，基于OpenSees平台生成200组动态训练数据，并辅以Sasaki等的离心机试验数据进行验证。

在关键技术应用方面，研究团队重点突破三个核心环节：首先通过K2算法结合领域知识构建网络拓扑，其次采用期望最大化(EM)算法处理含缺失值的参数学习，最后运用粒子滤波(PF)技术进行动态概率推理。特别值得注意的是，团队首次系统研究了时间切片长度对模型性能的非线性影响，这为DBN在时变系统中的应用提供了普适性方法论。

【性能比较】章节揭示：0.5 s时间切片展现出最佳平衡性，其预测精度较1.0 s切片提升12.3%，而计算效率仅降低8.7%。与传统简化公式法相比，DBN模型在离心机试验验证中取得0.78的准确率，而前者完全失效。

【动态敏感性分析】显示：液化过程呈现明显阶段性特征——初期地下水位贡献度达47.3%，但随着液化发展，Arias强度与砂土相对密度(D_r)的影响力分别增长22%和18%，这为分阶段抗震设计提供了量化依据。

研究结论部分指出三大突破：时间切片优化理论填补了DBN在岩土工程应用的空白；动态概率推理框架首次实现对上浮过程的"电影式"追踪；基于OpenSees的数据增强策略破解了小样本困境。这些创新使得该模型在2023年Miranda等记录的液化案例中，成功预测出传统方法遗漏的"阶段性上浮突跳"现象。

这项发表于《Engineering Applications of Artificial Intelligence》的研究，不仅为地下结构抗震设计提供了动态风险评估工具，更开创性地建立了"时变参数-液化进程-结构响应"的因果推理链条。其方法论框架可扩展至边坡滑动、地基沉降等时变岩土问题，为智慧防灾领域树立了新范式。正如讨论部分强调的，该研究将人工智能的时序建模优势与岩土力学深度融合，标志着液化风险评估从"静态快照"迈向"动态影像"的新纪元。