融合结构元数据与地震特性的建筑结构非线性地震反应数据驱动预测方法

《Engineering Structures》：Data-driven nonlinear seismic response prediction method for building structures by synthesizing structural metadata and seismic characteristics

　　

•提出了一种结合结构元数据和地面运动数据的地震响应预测方法。
•大量的结构元数据大数据提高了方法的预测准确性和泛化能力。
•该方法能够可靠地预测层间位移和层加速度峰值。
•通过非线性时程分析进行的全面验证证明了该方法的鲁棒性和准确性。

引言

地震仍然是最具破坏性的自然灾害之一，在全世界范围内反复造成严重的人员伤亡和巨大的经济损失 [1,2]。近期的大震事件表明，即使现代建筑存量在面对强地面运动时仍然容易受损 [3,4]，特别是在承受余震序列等复杂加载条件时。在地震后场景中，快速可靠地评估结构安全性对于应急响应、重新入住决定以及确定抗震加固策略的优先级至关重要 [5,6]。然而，传统的震后损伤评估方法主要依赖于现场检查和专家判断，这些方法耗时费力，在地震事件发生后立即对大量结构进行应用往往不切实际 [7]。尽管非线性时程分析（NLTHA）提供了高精度的抗震性能评估，但其巨大的计算成本和建模工作量大大限制了其在快速决策环境中的应用 [8]。这些挑战激发了人们对基于数据驱动和机器学习方法的日益增长的兴趣 [9,10]，旨在利用从地震记录和数值模拟中提取的信息来高效地近似非线性地震响应和损伤。

为了克服基于物理的地震评估相关的巨大计算成本局限性，提出了许多数据驱动和机器学习方法来预测地震响应和结构损伤。早期的基于机器学习的研究 [11,12] 主要依赖于地面运动强度指标（IMs），例如峰值地面加速度（PGA）、峰值地面速度（PGV）、峰值地面位移（PGD）、Arias 强度（IA）[13] 和累积绝对速度（CAV），作为地震损伤或响应预测的输入特征。利用这些强度指标，训练了各种监督学习模型来预测非线性结构系统的响应量或损伤指数，表明梯度提升（GB）可以有效捕捉地震激励与结构行为之间复杂的非线性关系。后续研究扩大了地震特征选择的范围，并研究了不同强度指标组对预测性能的影响。特别是，从地震波中提取的与频率相关的强度指标，如小波变换或谱表示，被引入了基于机器学习方法的领域。大多数情况下，从地震波中获得的这些频率相关强度指标被用于预测模型的输入数据中。之前的研究报告指出，与纯粹时域或基于幅度的参数相比，频率相关强度指标在预测非线性地震响应（包括最大层间位移角（MIDR））方面发挥了重要作用 [14,15]。与此同时，研究努力转向了直接利用更丰富的地震表示。通过连续小波变换（CWT）或谱表示等技术获得的地面运动时频特征被引入作为卷积神经网络（CNNs）的输入特征，从而提高了地震损伤和响应预测性能 [16,17]。Alcantara 等人 [18] 引入 CNN 利用小波谱识别地震损伤。从地面加速度中提取 CWT 数据，并用于 CNN 输入信息。Park 等人 [19] 提出了使用 CWT 数据的基于 CNN 的非线性地震响应预测模型。结构加速度响应和地面加速度的 CWT 数据被用于 CNN，侧重于预测地震位移响应。最近，基于 Transformer 的深度学习架构已被应用于地震响应预测，以更好地捕捉地面运动的时频特征。Zhang 等人 [20] 提出了一种基于 Transformer 网络的地震波 Transformer（SWT）模型，用于阻尼钢框架的地震响应预测。作为所提出 SWT 的输入信息，考虑了结构相关和独立的地震特征信息，以预测阻尼结构的最大层间位移角。所提出的基于 Transformer 网络的模型的预测性能与传统机器学习模型的预测性能进行了比较，结果显示 SWT 模型表现出好得多的预测性能。这些发现证明了当地震信息以时频或谱形式表示时，基于 Transformer 的框架在地震响应预测中的有效性。

仅使用结构属性的机器学习技术已被开发用于地震响应和地震损伤状态预测。例如，Stefanini 等人 [21] 证明，利用材料特性、几何特征和侧向力抵抗部件等结构参数对钢筋混凝土（RC）框架进行抗震评估的机器学习技术，可以有效预测 RC 框架的关键抗震性能指标。同样，Asgarkhani 等人 [22] 利用包括建筑尺寸、重量和自振周期在内的结构属性，使用各种机器学习模型预测钢屈曲约束支撑框架的非线性地震响应。同时，其他研究侧重于将简化的结构描述符与地震信息结合，用于快速震后评估。Bhatta 和 Dang [23] 引入了一种混合框架，整合地震强度指标和基本结构属性来分类建筑物安全，而 Tang 等人 [24] 利用基本结构参数和区域地震灾害信息来估计建筑物级别的地震风险。Choi 等人 [25] 结合地震信息和结构属性来预测地震响应。代表刚度、强度和延性的结构属性与谱加速度一起被用于深度学习模型中，以预测最大层间位移角。这些方法证明了结合结构特征的好处，以增强模型超越单一结构配置的泛化能力。此外，几位研究人员提出了联合使用地震特征和有限结构参数的响应预测模型。Nair 和 Beena Mol [26] 以及 Tao 等人 [27] 表明，将地震记录与基本结构属性相结合可以改善与层间位移相关的响应量的预测。在关于钢结构和砌体结构的研究中也报告了类似趋势，其中纳入了自振周期、强度和材料特性等结构属性来预测最大层间位移角和损伤状态 [[28], [29], [30]]。大多数以前的研究集中在预测最大层间位移角作为主要响应指标，而与非结构损伤相关的响应量，如层加速度峰值（PFA），很少被考虑。这些局限性表明，结构信息尚未以与其在控制非线性地震行为中的物理作用一致的方式得到充分利用。

尽管数据驱动的地震响应预测取得了实质性进展，但在如何整合地震和结构信息以及如何处理多种响应需求方面，仍然存在明显的研究差距。大多数现有研究主要关注预测最大层间位移角，因为它是公认的整体结构损伤指标，而与非结构损伤和地震损失评估相关的层加速度峰值则受到较少关注。Wen 等人 [31] 试图通过结合地震信息和有限的一组易于获取的结构参数，使用深度学习模型同时预测最大层间位移角和层加速度峰值。尽管他们的方法证明了将层加速度峰值纳入数据驱动预测框架的可行性，但层加速度峰值的预测准确率仍然相对较低，特别是在非线性响应范围内，这凸显了使用传统输入表示可靠捕捉基于加速度的需求的难度。更根本的是，在大多数现有框架中，结构属性由少量标量描述符表示，当这些描述符在深度学习架构中与高维地震输入结合时，其贡献变得微不足道。此外，地面运动的频率特征与结构动力学特性之间的相互作用通常仅被隐含考虑，而不是显式嵌入到模型输入中。同时，地面运动具有不同的频率特征，并根据结构动力学特性引起不同程度的地震响应放大。即使对于具有固定动力学特性的结构，其响应放大也会根据地面运动频率特征与结构频率特征之间的关系而变化。然而，大多数以前的框架在其模型输入中并未明确考虑这种地面运动 - 结构相互作用。最近，物理信息神经网络和物理约束神经网络被引入，通过将控制方程或本构关系纳入学习过程，以提高数据驱动地震响应预测的物理一致性 [[32], [33], [34]]。尽管这些方法在非线结构响应、场地响应和地震波传播分析中表现出了令人前景的性能，但它们主要关注将物理约束嵌入网络训练，而不是在输入表示中显式整合结构元数据和地震特征。因此，当前模型难以在各种结构和地震条件下同时可靠地预测基于变形和加速度的地震响应。这些局限性揭示了一种计算框架的迫切需要，该框架能够显式表示频率一致的地震 - 结构相关性，同时实现对最大层间位移角和层加速度峰值的准确同时预测。

本研究提出了一种数据驱动的非线性地震响应预测方法，该方法显式地整合了频率一致的地震 - 结构相关性和具有物理意义的结构元数据。虽然以前的研究主要以最大层间位移角作为预测目标，但本研究旨在更全面地预测地震响应，包括地震损失评估所需的层加速度峰值。代表刚度、强度和延性的结构元数据，即自振周期（T）、强度比（SR）和延性（μ），从大量非线性结构系统中推导得出，并与表示为 Sa(T1) 的谱加速度信息一起纳入预测模型。这些地震和结构特征通过条件向量公式嵌入到 CNN 中，从而能够有效地学习最大层间位移角和层加速度峰值。所提出方法的有效性通过应用于各种地震激励下的非线性单自由度系统和钢筋混凝土多自由度框架结构得到验证。所提出的框架旨在建立一种通用预测方法，而不是专门针对特定类型建筑的模型。因此，结构数据集是通过 T、SR 和 μ 的各种组合系统生成的，以代表多样的非线性结构特征。

章节片段

方法论

本研究提出了一种利用结合地震特征和结构元数据的信息对建筑结构进行非线性地震响应预测的方法。为此，使用了多个地震波，并选择地震的 Sa 作为地震特征。此外，利用对应于刚度、强度和延性的信息作为结构元数据，以反映结构的非线性地震行为。特别是，为了考虑相关性

非线性示例单自由度系统的描述

本节提出了一种等效非线性单自由度系统的非线性地震响应预测模型。要应用本研究提出的基于 CNN 的地震响应预测模型，模型构建需要多个数据集。在提出的模型中，数据集包含了结构元数据，并且需要结构模型来获取元数据。本节的示例结构如图 7 所示。多自由度非线性

结论

本研究提出了一种针对建筑结构的数据驱动非线性地震响应预测方法。在提出的地震响应预测模型中，地震特征数据、结构元数据和地震 - 结构相关数据以条件向量的形式用于 CNN 的输入层。所提出的模型采用同时预测最大层间位移角和层加速度峰值的策略，从而允许更全面的抗震性能评估。本研究生成了大量

CRediT 作者贡献声明

Insub Choi：撰写 - 原稿，验证，方法论，调查，资金获取，数据管理，概念化。
Han Yong Lee：可视化，验证，方法论，形式分析，数据管理。
Byung Kwan Oh：撰写 - 审阅与编辑，撰写 - 原稿，验证，监督，方法论，资金获取，概念化。

利益冲突声明

作者声明他们没有任何已知的竞争经济利益或个人关系，这些利益或关系可能会影响本论文中报告的工作。

致谢

本研究由国家内部与安全部（MOIS, 韩国）资助的国家地震灾害风险分析与管理技术项目（编号 RS-2025–02315139）支持。
本研究由延世大学 2024 年研究基金（2024–22–0470）支持。

Insub Choi|Han Yong Lee|Byung Kwan Oh