《International Journal of Disaster Risk Reduction》：A Bayesian belief network model for seismic damage assessment of masonry buildings
编辑推荐：
研究人员提出了一种用于既有砌体建筑地震损伤评估的贝叶斯信念网络（Bayesian Belief Network, BBN）模型。该模型能够处理地震动强度、结构易损性及其因果关系中固有的不确定性。通过两步验证方法，研究人员分别对地面振动强度预测和损伤预测进
研究人员提出了一种用于既有砌体建筑地震损伤评估的贝叶斯信念网络（Bayesian Belief Network, BBN）模型。该模型能够处理地震动强度、结构易损性及其因果关系中固有的不确定性。通过两步验证方法，研究人员分别对地面振动强度预测和损伤预测进行了评估。模型分别在不同地震数据集上进行训练与测试，以检验其准确性和稳健性。研究结果表明，所提出的自适应BBN模型在损伤预测方面能够提供准确的结果，其性能优于基于易损性的传统方法。
**论文解读文章：**
**一、研究背景与存在问题**
意大利历史上频繁遭受地震、火山、滑坡、洪水等自然灾害，其中地震按年均死亡率排名居首。大量老旧砌体建筑按照过时规范或无抗震设防要求建造，是造成人员伤亡和经济损失的主要原因。因脆弱建筑数量庞大，基于风险的地震评估方法成为优先实施抗震加固的关键。地震危险性可从地震危险图获得，建筑重要性可根据用途和占用情况确定，但建筑易损性评估涉及建筑特征和状态，面临诸多挑战。
自20世纪80年代以来，研究者提出了多种易损性评估方法，可分为经验方法、解析/力学方法和混合方法。解析方法基于结构模型分析，在大规模应用中需简化处理，难以充分反映既有砌体建筑的复杂地震响应。经验方法基于震后观测数据建立易损性曲线，能够涵盖建筑类型和地震特征的变异性，但存在数据不完整、主观判断等模糊性不确定性。此外，经验易损性曲线通常基于地震动预测方程（Ground Motion Prediction Equation, GMPE）生成的ShakeMap，受GMPE不确定性影响，且常忽略事件内残差的空间相关性。
近年来，贝叶斯信念网络（Bayesian Belief Network, BBN）因其能处理多源信息集成、数据不完整和不精确问题，并支持专家知识参与，被应用于桥梁和基础设施系统的可靠性评估。模拟类BBN方法如蒙特卡洛（Monte Carlo, MC）和马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）虽提供有价值的见解，但计算需求大，依赖解析或力学理想化模型，可能无法充分捕捉观测震害模式的复杂性。
**二、研究开展与主要结论**
为克服上述方法的局限，研究人员提出了基于BBN的既有住宅非加固砌体建筑（含楼板系统）地震损伤评估模型。模型采用专家知识构建结构，利用意大利民防部大数据库（Database of Observed Damage, Da.D.O.）中的丰富震害数据进行校准，减少了对模拟方法中建模假设的依赖。中央意大利2016/2017数据集被用于校准模型，因其损伤等级分布更均衡；拉奎拉2009数据集用于独立验证。
研究表明，该BBN模型能同时考虑结构易损性参数和地震动强度不确定性，在保持较高分类精度的同时，对不同数据集的泛化能力优于传统易损性曲线方法。模型在中等损伤（D2–D3）预测方面表现更佳，且从训练集到独立测试集时准确率下降幅度更小。该模型可作为大尺度地震风险评估和加固优先级排序的有效工具。
**三、关键技术方法**
研究主要采用了以下关键技术方法：（1）**贝叶斯信念网络（BBN）**框架用于概率推理与不确定性传播，结构基于专家判断构建；（2）**期望最大化（Expectation-Maximization, EM）算法**用于从中央意大利2016/2017数据集学习条件概率表（Conditional Probability Tables, CPTs），处理隐性节点（建筑易损性和PGA）；（3）**方差缩减方法**进行敏感性分析，识别关键参数；（4）基于**Bindi等（2011）GMPE**的地震动预测模块，通过多元高斯条件分布将各站点PGA估计值建立在记录观测值之上，并考虑空间相关性；（5）采用**残差偏差（Residual Bias）**等统计指标评估PGA预测精度。数据来源为Da.D.O.数据库中的中央意大利2016/2017（7236栋）和拉奎拉2009（10133栋）两类观测数据集。
**四、研究结果**
**4.1 数据集关键审查与选择**
对Da.D.O.平台中1976—2019年间十二次地震事件的约40万栋建筑数据进行了全面梳理。因不同时期调查表（如AeDES表格）的字段差异导致数据异质性，研究人员基于完整性比（Completeness Ratio, CR）阈值0.9筛选数据，排除经过抗震加固的建筑，最终从中央意大利2016/2017数据集中选出7236栋（仅含楼板系统），从拉奎拉2009数据集中选出10133栋。因中央意大利数据集损伤等级分布更均衡（未损伤建筑仅占27%，而拉奎拉占47%），选择中央意大利数据集用于校准，拉奎拉数据集用于验证。
**4.2 标准化的损伤状态定义**
将AeDES调查表中的定性损伤描述（包含损伤等级和损伤范围）依据Rota等提出的转换规则映射为EMS-98宏观地震烈度等级（D0–D5），取各结构构件（竖向结构、水平结构、楼梯、屋顶、填充墙）损伤等级的最大值作为建筑整体损伤等级，并进一步分为低（D0–D1）、中（D2–D3）、高（D4–D5）三个类别。
**4.3 基于专家判断的BBN结构开发**
BBN结构包含三大模块：损伤节点、建筑易损性节点和地震动强度节点。建筑易损性由竖向结构质量（MGQ/MPQ）、水平结构类型（柔性/半刚性/刚性楼板）、屋盖类型（有无推力）、圈梁或拉杆（有无）、建造年代（四个时期）、建筑类型（独立/角部/端部/内部）、层数（低层/中高层）等变量定义；地震动强度以峰值地面加速度（Peak Ground Acceleration, PGA）为指标，受矩震级（Mw）、震源距（Rjb）、断层类型和场地土类别（A–D）影响，并引入空间相关性参数scμ和scVAR。损伤节点预测三个损伤类别（Low/Medium/High）的概率分布。
**4.4 基于EM算法的条件概率表学习与敏感性分析**
利用中央意大利2016/2017数据集，通过EM算法学习BBN的条件概率表。敏感性分析采用方差缩减方法，识别出对损伤预测影响最大的参数依次为建造年代（4.19%）、PGA（4.12%）、竖向结构质量（3.07%）、水平结构类型（1.65%）、圈梁或拉杆（1.19%）、层数（0.76%）、屋盖类型（0.54%）和建筑类型（0.01%）。整体而言，结构易损性相关参数的不确定性对损伤预测的影响大于地震动强度参数。
**4.5 地震动预测验证**
将BBN模型在台站位置提供的PGA预测值与中央意大利2016/2017和拉奎拉2009主震期间记录的PGA实测值进行对比。结果表明预测值与实测记录吻合良好。加入空间相关性后，残差偏差从?0.04g降至?0.01g，表明考虑空间相关性能够减少地面运动强度的系统性低估。
**4.6 经验易损性曲线对比**
将BBN模型的预测性能与Rota等（2008）、Del Gaudio等（2019）和Rosti等（2021）三种经验易损性曲线方法进行对比。采用混淆矩阵评估模型的准确率、精确率、召回率和F1分数。结果显示：BBN模型在中央意大利数据集上达到最高准确率（69%）和F1分数（0.59），拉奎拉数据集上准确率为67%和F1分数（0.48），模型稳定性（准确率变化2%）优于对比方法。BBN模型在中等损伤（D2–D3）类别的预测上显著优于其他经验方法，后者对中等损伤类别的召回率极低（0%或4%）。
**4.7 稳健性评估**
以随机森林（Random Forest）作为额外基准，其训练准确率91%在独立测试集上降至68%，显示过拟合；BBN模型仅从69%降至67%，泛化能力更强。将拉奎拉测试集按PGA区间划分（0.0–0.2g、0.2–0.4g、0.4–0.6g），模型准确率分别为69%、67%和72%，表明在不同地震动强度水平下预测性能一致。逐市排除验证中，排除约30%校准数据的阿马特里切市后，训练准确率从69%降至65%，测试准确率从67%降至63%，表明模型具有稳健性和泛化能力。对scμ、scVAR和PGA的备选离散化方案测试显示性能变化有限，模型对离散化方案不敏感。
**五、讨论与结论**
**讨论部分总结**：与既有经验易损性曲线方法相比，所提出BBN方法具有以下方法学优势：其一，无需预定义建筑类别，可同时考虑多种结构和地震变量，避免了大量组合类型的繁琐管理；其二，框架内考虑了场地特定PGA估计的不确定性，规避了ShakeMap校准经验曲线中的部分局限；其三，在所研究案例中，BBN模型在中等损伤类别预测上表现更优，从训练集迁移到独立测试集时准确率下降幅度更小。
**研究结论**：本研究所提出的BBN模型是一种适用于大尺度地震损伤评估的工具，专为具有普通特征（非纪念性建筑）的既有砌体建筑设计，在意大利中部地区（亚平宁山脉中部）的建筑类型和构造背景下经过校准和验证，预期适用于该区域的地震损伤评估，并为震后应急状态分析（condizione limite di emergenza, CLE）提供决策支持。
