用于交通网络地震脆弱性评估与加固优先级确定的图神经网络

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Graph neural networks for seismic vulnerability assessment and retrofit prioritization of transportation networks

　　Md Shoaib Mahmud|Mohammad Nafis Ikbal|Himadri Sen Gupta|Dylan Sanderson|Saptadeep Biswas

摘要：城市交通与应急救援的效率依赖于地震发生后仍能保持功能可靠的交通网络。本研究提出了一种基于物理原理的双分支图神经网络框架——DualGINE-HGT，该框架整合了网络拓扑结构、几何特征以及概率性地面运动数据，用于预测道路网络的失效概率，从而评估其在地震中的脆弱性。该框架结合了能够捕捉节点间拓扑关系的线图同构网络与边特征模型（GINE），以及能够分析节点与交叉点之间几何相互作用的异构图变换器（HGT），并通过基于物理原理的对数正态脆弱性标签进行端到端训练；由于脆弱性指标本身的单调特性，无需额外的惩罚项即可确保模型的物理合理性。为提升模型稳定性，研究采用了空间五折K均值交叉验证方法（10种聚类种子下的调整后兰德指数均为0.9987），通过五种子深度集成方法处理认知不确定性，还需通过周期性温度缩放来校准概率值。在俄勒冈州的海岸测试区域（包含585个路段、438个交叉点、6种地震回归周期以及3510组观测数据），该集成模型实现了0.0158的平均绝对误差、0.9777的决定系数、0.0049的预期校准误差，以及0.24%的单调性违反率；其性能分别比XGBoost和LightGBM基准模型高出22.3%和27.1%，效应量较大（科恩’s d值为-1.35和-1.50，配对t检验的p值分别为0.039和0.028）。架构对比实验表明，双分支设计在平均绝对误差方面比单一架构的图神经网络（如图注意力网络GAT、GraphSAGE、图卷积网络GCN）具有12–13%的优化优势；而基于GCN和GAT架构构建的物理信息神经网络基准模型（PINN-GCN、PINN-GAT）的平均绝对误差则比DualGINE-HGT高83–88%，这进一步体现了脆弱性监督设计的重要性。此外，通过SHapley加性解释方法结合排列重要性分析，该模型还能实现结果的可解释性。系统级的连通性可靠性分析则揭示了不同地震场景下网络的非线性退化规律及关键的碎片化阈值。结合多准则后果指数，并通过四种不同的权重方案以及400组样本的蒙特卡洛压力测试进行验证（斯皮尔曼相关系数为0.982），该框架可为沿海交通基础设施的加固工作提供基于风险的分析依据。