城市环境综合地震风险评估的AI与传统方法融合：韩国浦项市案例研究

《Results in Engineering》：Bridging AI and Conventional Methods for Comprehensive Earthquake Risk Assessment in Urban Environments: Case Study of Pohang, South Korea

　　

城市地区由于快速城市化、基础设施老化和人口密度增长，日益暴露于地震灾害之下。本研究通过结合传统的Risk-UE LM1方法与一种数据驱动的关联规则学习（Association Rule Learning, ARL）框架，提出了针对韩国浦项市的综合地震风险评估。利用全面的城市建筑清单，ARL模型被用于识别关键建筑属性（包括建造时期、结构材料、建筑高度和屋顶类型）与相应欧洲地震宏观察度98（EMS-98）脆弱性等级之间的统计关系。推导出的脆弱性代理指标与通过Risk-UE LM1方法获得的分类结果进行了比较，以评估方法的一致性和可靠性。基于ARL的模型实现了约73%的整体分类准确度，证明了其作为快速、可扩展的替代方法在城市尺度脆弱性表征方面的潜力。随后，使用预测的脆弱性分布来评估在代表区域灾害条件的确定性和概率性地震情景下的地震损伤。基于预测的损伤状态，评估了包括人员损失、经济损失和废墟产生在内的次生影响。废墟量采用标准的HAZUS/FEMA方法计算，该方法将废墟体积与结构损伤比相关联。结果表明，集中在历史城区的老旧砌体和非延性钢筋混凝土（Reinforced Concrete, RC）建筑对地震损伤表现出最高的脆弱性。在高强度情景下，分析预测了重大影响，包括大量废墟、显著的经济损失以及对人类安全的潜在风险。虽然废墟估算遵循既定的经验方法，但本研究的主要贡献在于应用ARL来改进建筑脆弱性和损伤分布的预测。所提出的框架展示了数据驱动技术如何补充传统的工程模型，以支持高效的城市地震风险评估和韧性规划。

本研究旨在评估韩国浦项市的地震风险。该市经历了2017年浦项地震（震级M_w 5.4）等显著地震事件，凸显了城市基础设施的脆弱性。浦项市位于韩国东南海岸，是主要的工业和港口枢纽，其快速城市化、多样化的建筑类型和人口密度加剧了地震风险管理的复杂性。传统的现场调查方法在大范围应用时面临时间、成本和精度方面的限制。为应对这些挑战，本研究采用了一种混合方法，将基于工程的Risk-UE LM1脆弱性评估模型与数据驱动的关联规则学习（ARL）框架相结合。

**关键方法**：研究人员首先构建了一个全面的浦项市建筑清单，包含57,000条记录，涵盖了建造时期、结构材料、建筑高度和屋顶类型等关键属性。建筑数据来源于市政记录、城市规划数据库和实地调查。该清单被用于开发基于ARL的脆弱性代理模型，该模型通过挖掘建筑属性与EMS-98脆弱性等级之间的关联规则（形式为如果X，则Y_i）来进行分类。随后，采用高斯过程回归（Gaussian Process Regression, GPR）模型评估了预测不确定性。ARL模型的训练使用了从建筑清单中随机抽取的代表性子集，并通过与基于专家判断的Risk-UE LM1分类结果进行比较来验证其性能。最终，利用预测的脆弱性分布，在确定性和概率性地震情景下估算了物理损伤、人员损失、经济损失和废墟产生量。

**研究结果**：
**城市建筑清单与脆弱性分类**：通过对浦项市建筑的调查，研究人员识别了12种主要建筑类型，并根据EMS-98标准分类。约80%的建筑为钢筋混凝土结构，约5%为无筋砌体或木结构。ARL模型在使用完整数据集时达到了约73%的分类准确度。混淆矩阵分析表明，模型在区分相邻脆弱性类别（尤其是A类和B类）时存在挑战，这主要是由于这两类建筑在建造特征上存在重叠。

**与Risk-UE LM1模型的可靠性对比**：比较ARL与Risk-UE LM1的脆弱性分类分布显示，两者在C、D、E类上高度一致，但在高脆弱性的A类和B类上存在差异，ARL模型预测的高脆弱性建筑比例更高。当合并A类和B类后，差异显著减小。这种差异源于方法论的不同：Risk-UE依赖于预定义的经验指数，而ARL直接从数据中识别统计关系，可能对本地建筑属性的细微变化更敏感。在损伤程度评估上，两种方法在低烈度（V-VI）下结果几乎相同，在高烈度（VIII-XII）下，ARL的预测略为保守（即预测更严重的损伤）。

**确定性与概率性情景下的风险评估**：确定性情景基于2017年浦项地震（烈度VII）。概率性情景对应475年重现期（50年超越概率10%），峰值地面加速度（Peak Ground Acceleration, PGA）范围为0.15 g至0.25 g。在概率性情景下，分析预测了严重影响：超过27万吨废墟（超过80%集中在以老旧砌体和过时钢筋混凝土建筑为主的历史核心区Zone 2）；直接经济损失接近3.5亿美元（主要集中在Zone 2）；以及显著的人员影响，包括数万无家可归者、超过千人受伤和近百人死亡。

**人员损失评估**：采用Jaiswal and Wald以及Daniell等人提出的全球经验模型进行估算。在烈度VIII-IX的概率性情景下，预计约5,000人无家可归，约70人受伤，15人死亡。在烈度X-XII的高烈度情景下，这些数字急剧上升至超过23,000人无家可归，超过1,200人受伤，近100人死亡。损失最严重的区域是Zone 3。

**经济损失评估**：采用Okada and Takai提出的经验公式估算直接经济损失。概率性情景下的总经济损失估计约为3.4亿美元，其中Zone 2的修复成本超过2.4亿美元，Zone 3约为7,000万美元。修复成本的计算基于建筑类型、楼面面积、损伤状态概率和单位修复成本，并区分了钢筋混凝土和砌体结构。

**废墟产生评估**：遵循HAZUS/FEMA方法，通过建筑楼面面积、结构构件平均厚度、材料密度和损伤比来估算废墟体积。确定性情景下全市废墟总量约为2万吨，而概率性情景下则激增至约27万吨，其中Zone 2产生超过21万吨，Zone 3产生约4万吨。

**结论**：本研究成功应用并比较了Risk-UE LM1和ARL两种模型。ARL作为一种数据驱动、低成本且可扩展的方法，能够从基本建筑属性中建立可靠的脆弱性代理指标，其结果与传统工程方法一致。概率性情景分析揭示了浦项市在高烈度地震下面临的严重风险，特别是在历史城区。结果强调了针对老旧砌体及非延性钢筋混凝土结构进行抗震加固的紧迫性，并提出了与联合国可持续发展目标11（SDG 11）相关的城市韧性建设建议。尽管ARL方法在训练数据质量和可转移性方面存在局限性，但其为城市尺度的快速风险筛查和综合损失评估提供了有价值的工具。未来研究可探索将物理模型与AI技术结合，以进一步提高评估精度。