一种用于城市建筑组合地震预警结构响应预测的概率深度学习框架

《Engineering Applications of Artificial Intelligence》：A probabilistic deep learning framework for predicting structural response in earthquake early warning in urban building portfolios

　　

摘要 地震预警（EEW）系统能够有效减轻地震事件造成的人员伤亡和经济损失。然而，大多数现有EEW系统对目标区域内的所有建筑发布统一的预警信息，忽视了在同一地震激励下建筑可能表现出显著不同的地震响应这一事实。本研究提出了一种基于长短期记忆（LSTM）网络的面向城市建筑组合的建筑特异性EEW概率性结构响应预测框架。该框架将基本建筑属性与早期P波信息相结合，用于预测结构响应的均值和方差。结合自助采样法，该方法在概率性预测中显式考虑了随机不确定性和认知不确定性。因此，可以获得结构响应的概率性估计，以支持基于风险的结构EEW决策。为了增强特征交互，引入了一种跨模态注意力机制，以显式捕捉结构特征与地面运动特征之间的相互依赖关系。所提出的模型主要使用数值模拟数据库进行训练和评估，并进行了额外测试以评估其泛化性能。此外，从14栋实际建筑收集的171条地震监测记录被用于真实监测条件下的补充验证，由于传感器布置的限制，真实数据验证主要聚焦于顶层峰值加速度（PTFA）预测。结果表明，所提出的模型达到了合理的预测精度，并且不确定性估计总体上具有良好的校准效果。这些发现凸显了所提出方法在实现有效的概率性结构响应预测和面向城市建筑组合的基于风险的EEW方面的潜力。引言 地震预警（EEW）系统利用P波传播速度更快的特点，在更具破坏性的地震波到达之前向公众或关键基础设施发出警报。这提供了数秒到数十秒的准备时间，对于减少地震造成的人员伤亡和经济损失至关重要（Hsu等，2016；Lin等，2020；Jozinovi?等，2022）。现场EEW方法利用安装在目标场地的地震仪记录的P波信息来估计当地可能发生的最大地面运动参数，如峰值地面加速度（PGA）（Zhu等，2022；Joshi等，2025；Zheng等，2025）。当台站的预测或观测地面运动超过预设阈值时，发出警报提示用户采取适当的应急行动，从而减少伤亡并防止二次灾害（Adams等，2024），如控制电梯紧急停止（Wu等，2016）和自动制动高速列车（Zhu等，2024）。基于机器学习的EEW方法可以有效地通过使用多个P波特征或P波序列作为输入来减少预测误差（Ren等，2023）。例如，Y. Wang等（2023）引入了LSTM神经网络模型进行PGA预测，使用八个表示能量和其他物理参数的顺序台站特征作为输入。A. Wang等（2023）提出了一种基于CNN的用于累积绝对速度（CAV）预测的EEW模型，利用P波记录以及震中距、震源深度和场地条件等额外辅助信息持续估计CAV。然而，大多数EEW方法为目标区域内的所有建筑提供统一的预警信息。与地面运动不同，建筑的动态特性会自然放大振动，导致不仅同一区域内不同建筑之间，而且同一建筑不同楼层之间的震动强度存在显著差异（Kubo等，2011；?elebi等，2020；?elebi等，2021）。因此，简单的基于区域的阈值警报无法准确告知 occupants 其建筑的实际状况（Wang等，2024）。这一局限性凸显了需要一种可扩展至建筑特异性响应的EEW框架，从而增强EEW系统对城市建筑组合的适用性。结构响应预测方法一般可分为两类：基于有限元（FE）模型时程分析（Zou等，2024），以及数据驱动方法如经验预测方程或机器学习技术（Jia等，2025；Guo等，2026；Liu等，2026a）。然而，两种方法都需要完整的地面运动记录，意味着它们只能在地震发生后实施。这一局限性使它们不适合EEW，而EEW要求在破坏性地震波到达之前进行预测。目前，应用于建筑的EEW方法通常将地面运动预警参数（如PGA）与建筑特异性峰值层加速度（PFA）预测模型或易损性模型相结合，以估计结构PFA和损伤状态（Wu等，2013；Ghahari等，2022；Ghahari等，2024）。例如，Cheng等（2014）开发了一个将EEW应用于建筑的框架，并提出了基于PFA的电梯控制决策系统。Pitilakis等（2024）将EEW系统与经结构健康监测校准的易损性曲线相结合，实现了关键建筑的实时风险评估。然而，这些方法需要开发建筑特异性PFA模型或易损性曲线，工作量大，限制了其在处理城市建筑组合时的适用性。相比之下，利用简单且易于获取的结构参数开发的机器学习模型可以应用于区域性城市建筑组合，从而克服这一局限性（Gong等，2025；Xiong等，2025；Liu等，2026b）。Zhang等（2023）提出了一种满足EEW需求的基于机器学习的实时地震损伤预测框架。Cheng等（2025）引入了一种深度神经网络（DNN）用于EEW应用，实时预测高层建筑的地震响应。尽管这些方法结合了基本建筑信息和P波数据以满足EEW对城市建筑组合的需求，但它们通常依赖于剪切模型构建训练数据库（Xiong等，2016b）。由于高层建筑表现出耦合的剪切-弯曲变形模式（Xiong等，2016a），这些模型并不完全适用于高层结构。此外，它们的P波输入仅限于提取的特征参数。如前所述，如此有限的参数无法完全捕捉P波中嵌入的丰富信息。除这些建模局限性外，大多数现有面向EEW的建筑响应预测方法仍然主要依赖确定性点估计。此类预测对实时决策的支持有限，而实时决策通常涉及基于阈值的行动，对预测误差高度敏感。为解决这一问题，Cremen和Galasso（2021）基于Iervolino（2011）开发的基于性能的EEW框架，提出了一种决策理论导向的、面向工程的EEW方法论，将警报触发表述为不确定性下的期望损失最小化问题。通过显式纳入预测不确定性并将概率性响应估计与决策后果相关联，该框架在虚假警报和漏报之间实现了最佳平衡。后续研究通过将实际EEW配置、系统级性能和相关方特定的决策标准纳入考虑，将该方法扩展至实际工程系统，包括关键港口（Cremen等，2022）和城市规模学校建筑（Galasso等，2023）的应用。最近，类似的决策理论概念已被应用于铁路桥梁（Ozer等，2024），其中EEW决策直接与运营行动和服务连续性考量耦合。然而，这些决策理论EEW框架的实际应用依赖于基于地面运动的预警参数，并需要大量结构特异性信息，这限制了其在大规模城市建筑组合中的适用性。为促进面向城市建筑组合的更明智EEW决策，Cremen等（2021）开发了将震源参数与多层建筑近似响应直接关联的经验模型。该模型能够连同其相关不确定性快速估计工程需求参数，用于警报触发。然而，所使用的结构模型被假设为线性弹性。尽管取得了这些进展，仅使用早期地震信息有效预测建筑特异性响应不确定性并将其整合到实时EEW决策中仍然是一个挑战。总体而言，现有面向建筑的EEW研究在结构建模、地震信号表征和决策方面存在若干局限性。在建模方面，简化剪切模型被广泛采用，限制了其对具有显著剪切-弯曲耦合的高层建筑的适用性。从数据角度来看，P波记录通常被压缩为有限的特征集，阻碍了对早期地震信息的充分利用。从决策角度来看，确定性响应估计占主导地位，对对不确定性敏感的基于阈值的行动提供不足的鲁棒性。尽管最近的决策理论框架显式处理了不确定性，但它们对地面运动预警参数和大量结构特异性信息的依赖阻碍了大规模城市部署。为解决上述局限性，有必要开发一种建模框架，能够有效地利用早期P波信号中嵌入的丰富时间信息，同时以可扩展的方式考虑结构参数之间的复杂相互关系。循环神经网络（RNN），特别是LSTM网络（Williams和Zipser，1989），由于其门控记忆机制非常适合序列数据建模，已成功应用于EEW处理P波时间序列（A. Wang等，2023）。近年来，基于LSTM的模型也被广泛用于地震激励下的结构响应预测（Karami等，2024；Shan等，2024；Yang等，2026）。受这些进展启发，本研究将基本结构信息作为输入特征纳入深度学习模型，并采用LSTM网络从P波时间序列中自动提取高维特征，从而避免手动特征工程的需要，并实现对早期地震信号信息更有效的利用。通过将结构特征与基于LSTM的P波序列建模相结合，所提出的方法克服了传统LSTM模型通常仅适用于单一结构配置的局限性，并将其适用范围扩展到具有不同几何特征的建筑。基于此建模策略，本研究提出了一种面向城市建筑组合建筑特异性EEW的概率性结构响应预测框架。该框架针对现场EEW配置开发，使用目标建筑场地可用的早期P波信息。所提出的框架通过多输入LSTM架构联合处理结构信息和P波时间序列，在EEW条件下实现了可扩展且灵活的建筑特异性响应概率性预测。通过显式预测响应不确定性，所提出的方法提供了Cremen和Galasso（2021）决策理论框架所需的概率性响应表征，并且可以轻松嵌入作为基于风险的EEW决策支持系统中的上游预测模块，支持城市尺度的基于期望损失的警报触发。章节摘要 所提出的建筑特异性概率性EEW方法 为使基于风险的EEW决策框架得以实施，本节提出了一种面向建筑特异性EEW的概率性结构响应预测方法（图1）。该方法旨在仅利用P波数据的前几秒以及建筑结构信息，快速预测建筑特异性结构响应的概率分布，即最大峰值层加速度（MPFA）或顶层峰值加速度（PTFA）。数据集构建 本节描述了数据集构建的过程，包括结构建模、地面运动选择与处理以及结构地震响应的计算。构建的数据库为训练用于EEW的结构地震响应预测模型提供了样本。数据预处理 开发的基于深度学习的结构地震响应预测模型的输入为建筑属性和P波数据。所选的建筑属性包括$S_t$、$P_a$、$N_s$、$B_w/B_l$、$S_h$、$C_y$和$S_{d_i}$。对$S_t$、$C_y$和$S_{d_i}$应用独热编码将分类变量转换为数值形式。例如，对于$S_t$，向量(1,0,0,0)、(0,1,0,0)、(0,0,1,0)和(0,0,0,1)分别对应四种结构类型。对于$P_a$、$N_s$和$B_w/B_l$，进行最小-最大值归一化。实验框架与概率性评估 本节考察了网络架构和其他超参数设置对模型性能的影响。为了一致性和计算效率，所有实验均在预定义的训练集、验证集和测试集上进行，不采用自助重采样。因此，本节的分析主要关注在采用数据划分下的预测性能，此处未显式探讨认知不确定性。结果与讨论 基于前述实验分析，采用学习率为0.001的两层LSTM模型作为后续评估的模型。

与第 5 节的超参数研究不同，后者是在固定数据划分下进行的，且未明确量化认知不确定性，本节展示了将认知不确定性纳入概率框架后的最终模型性能。

结论

本研究提出了一种概率性结构响应预测框架，用于城市建筑组合中的特定建筑地震预警（EEW），该框架仅利用早期 P 波数据和建筑属性即可快速预测结构响应的概率分布。通过集成双向跨模态注意力机制与长短期记忆（LSTM）网络，所提出的框架对结构特征与地震信号的时变演化进行建模。

CRediT 作者贡献声明

Bo Liu：撰写 – 审阅与编辑，撰写 – 原稿，可视化，验证，软件，方法论，形式分析，概念化。
Xiaomin Wang：撰写 – 审阅与编辑，软件，资源，方法论，形式分析。
Jia Jia：可视化，调查，数据管理。
Yinan Zhao：监督，项目管理。
Maosheng Gong：撰写 – 审阅与编辑，可视化，资源，资金获取，概念化。

利益冲突声明

作者声明他们不存在任何可能影响本论文报告工作的已知竞争性经济利益或个人关系。

致谢

作者衷心感谢中国地震局工程力学研究所科研基金（资助号：2024A02）、中国国家自然科学基金（资助号：U2139209 和 52178514）、中国黑龙江省自然科学基金（资助号：LH2024E016）的支持。作者感谢通过工程强震动数据中心（CESMD）访问强震动数据，最后访问日期为 2025 年 7 月 1 日。

Bo Liu|Xiaomin Wang|Jia Jia|Yinan Zhao|Maosheng Gong
中国地震局工程力学研究所，地震工程与工程振动重点实验室，中国哈尔滨，150080