基于机器学习的高拱坝地震损伤快速评估方法

《Applied Sciences》：Machine Learning-Based Rapid Seismic Damage Evaluation for Concrete Arch Dams

　　

快速准确地评估拱坝在地震作用下的损伤状态对于应急管理至关重要，然而传统方法（如现场调查、数值模拟和基于易损性的评估）无法满足及时可靠的损伤评估需求。本研究提出了一种基于机器学习（ML）技术的拱坝地震损伤状态快速评估框架。研究人员系统性地整合了特征筛选、机器学习算法选择与超参数优化等关键技术，以开发具有强泛化能力的预测模型。通过以中国西南地区某高拱坝为案例验证了所提方法的可行性。研究人员共进行了1000次动力模拟，生成了一个地面运动强度指标-地震损伤状态数据集用于模型训练与测试。通过考虑五种特征场景并采用六种机器学习算法，共开发并评估了30个候选机器学习模型。在所有预测模型中，采用20个特征场景下的人工神经网络（ANN）模型取得了最佳的整体预测性能，总体准确率达到0.88。训练后的模型可部署于地震预警系统中，利用监测到的地面运动数据快速评估拱坝的地震损伤状态，从而辅助应急决策。

一、研究背景与问题

混凝土拱坝是一种常见的大型挡水结构。地震作用下对拱坝损伤状态的快速准确评估，对于大坝的应急管理（如泄洪、加固、下游居民疏散）至关重要。传统的震后损伤评估方法包括现场调查、利用记录地震动进行数值模拟以及基于地震易损性曲线的估计。然而，现场调查耗时费力；非线性时程分析因三维拱坝-地基系统的建模和计算工作量大而无法满足效率要求；易损性估计只能提供超过某一损伤状态的概率，无法明确预测损伤状态本身，且通常依赖单一的峰值地面加速度作为强度指标，难以充分捕捉地震动的复杂时频特性，限制了准确性。因此，传统方法无法满足及时且准确的震后损伤评估需求。近年来，机器学习及其应用引起了广泛关注，基于机器学习的预测模型已成为一种快速准确评估地震损伤的有前景的方法。尽管该方法已在建筑和桥梁结构中得到广泛应用，但由于拱坝作为大体积混凝土结构的抗震行为与建筑和桥梁显著不同，其应用仍需进一步研究。

二、研究内容、结论与意义

针对上述问题，研究人员提出了一种基于机器学习的拱坝地震损伤状态快速评估新方法。该方法的核心在于构建具有强泛化能力的机器学习模型。通过以中国西南地区强震区的白鹤滩双曲拱坝为案例，验证了该方法的可行性。研究共进行了1000次动力模拟，生成了包含地面运动强度指标与对应损伤状态的数据集。通过考虑五种特征场景（1、5、10、20、120个特征）并采用六种机器学习分类算法（逻辑回归LR、决策树DT、K近邻KNN、支持向量机SVM、人工神经网络ANN、随机森林RF），开发并评估了30个候选模型。研究得出结论：在所有模型中，20特征场景下的人工神经网络模型表现最佳，总体准确率达0.88。该模型可部署于地震预警系统，利用监测到的地震动数据快速评估拱坝损伤状态，从而辅助应急决策。这一研究的重大意义在于提供了一种能够替代传统耗时方法的快速、可靠评估手段，显著提升了震后应急管理的时效性和科学性。

三、关键技术方法概述

研究人员采用了以下关键技术方法：

1. 1.
   有限元数值建模：建立了白鹤滩拱坝-地基系统的三维有限元模型，采用六面体单元为主，并在截断边界施加粘弹性人工边界以模拟辐射阻尼效应，使用Westergaard附加质量法模拟动水压力。
2. 2.
   地震动选取与缩放：从PEER NGA-West2数据库中选取250条天然地震动记录，依据工程场地条件设定筛选标准（矩震级4.5-7.5、震中距10-100km、剪切波速>500m/s），并通过2.0、3.0、4.0倍振幅缩放将记录扩充至1000条。
3. 3.
   损伤状态判定准则：采用Yusof Ghanaat提出的混凝土坝抗震性能评价方法，基于应力需求能力比（DCR）、累积非弹性持续时间（CID）和损伤空间分布比（DSDR）三个指标，将损伤状态划分为无损伤（DS0）、中等损伤（DS1）和严重损伤（DS2）。
4. 4.
   特征筛选：采用递归特征消除（RFE）方法，从120个初始地面运动强度指标（IM）中筛选出最具代表性的子集，设定了1、5、10、20、120个特征的五个场景。
5. 5.
   机器学习模型训练与超参数优化：使用scikit-learn库实现六种分类算法，通过网格搜索结合五折交叉验证进行超参数优化，并引入类别权重以缓解数据不平衡问题。

四、研究结果

4.1 数据集生成

研究人员利用1000条地震动记录对拱坝进行时程分析，基于应力响应采用Ghanaat法确定损伤状态。每条三分量记录（横河向H₁、顺河向H₂、竖向V）由40个IM表征，共计120个特征。Spearman相关系数分析显示部分IM间存在强相关性。通过RFE进行特征筛选，结果显示所选IM主要来自H₁和H₂分量而非V分量，表明水平分量对拱坝地震损伤影响更大；谱型IM占主导地位；单特征场景下唯一选中的是H₂分量的Sa(T₁)（第一周期谱加速度），表明其与拱坝地震损伤关联最强。

4.2 机器学习模型的训练与测试

将数据集按分层抽样方式以70%/30%比例划分为训练集和测试集。对六种算法进行超参数优化，并在五种特征场景下训练了30个模型。

4.3 结果与讨论

测试结果表明：

• •
  所有30个模型中，DS1的精确率和召回率普遍低于DS0和DS2，归因于DS1样本数量较少。
• •
  20特征场景下的ANN模型被确定为最优模型，总体准确率为0.88，DS0、DS1、DS2的精确率分别为0.94、0.61、0.82，召回率分别为0.92、0.66、0.83。
• •
  对于DS2的误分类分析显示，60个实际DS2样本中50个被正确分类，5个误判为DS1，5个误判为DS0，召回率达到0.83，表明模型识别严重损伤状态的能力较高。
• •
  单特征场景下的模型性能明显较差，表明单一IM不足以进行可靠预测。尽管120个IM中存在高度相关，但120特征场景下的模型性能并未显著下降，说明所用算法能有效处理相关特征。
• •
  通过宏平均精度、召回率和F1分数进一步比较，20特征场景下的ANN模型仍为最优。
• •
  研究人员还汇总了一组性能优异的模型（主要为SVM和ANN算法），这些模型的总准确率和DS2精确率均超过0.8，可同时部署于地震预警系统，通过多数投票机制确定最终损伤状态。

五、讨论与结论

讨论部分总结：

尽管所提出的框架具有良好的预测性能，但仍存在一定局限性。首先，开发的预测模型可以评估拱坝的整体地震损伤状态，但无法识别损伤在大坝结构内的具体位置。未来的研究将致力于将损伤位置信息纳入数据集，以实现更详细的损伤评估。其次，该预测模型仅通过白鹤滩拱坝的案例研究进行了验证，其对其他具有不同结构特性和场地条件的拱坝的泛化能力有待进一步研究。此外，本研究使用了经典的机器学习算法，未来可探索深度学习算法（如卷积神经网络CNN和循环神经网络RNN）以进一步提升预测性能。

研究结论翻译：

(1) 在特征筛选中，所选IM主要来自H₁和H₂分量，表明水平分量在表征拱坝地震损伤方面比V分量更重要。H₂分量的Sa(T₁)与拱坝地震损伤的相关性最强。

(2) 在单特征场景下开发的六个模型性能始终较差，表明仅考虑单一最重要的IM不足以开发预测模型，应考虑多个IM。

(3) 在5、10、20和120特征场景下，SVM和ANN算法在总准确率和DS2精确率方面均优于其他四种算法。因此，推荐这两种算法用于开发拱坝地震损伤预测模型。

(4) 在所有开发的预测模型中，20特征场景下的ANN模型取得了最佳的整体预测性能，总准确率达到0.88。该模型可部署于地震预警系统，利用地震期间监测到的地震动数据快速评估拱坝的地震损伤状态，从而辅助大坝应急决策。