-
题名基于实际震害数据机器学习的构件损伤预测研究
- 1
-
-
作者
靳格
王自法
党浩天
王昭栋
李兆焱
-
机构
河南大学土木建筑学院
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
地震灾害防治应急管理部重点实验室
-
出处
《世界地震工程》
北大核心
2025年第2期125-136,共12页
-
基金
国家自然科学基金项目(52378544)。
-
文摘
准确识别构件层面损伤是提升建筑物地震韧性的关键;但以往研究中缺乏震后详细损伤数据,构件损伤传统研究方法存在局限性,以及模拟真实复杂的地震情景较为困难。因此,根据新西兰建筑破坏记录,建立构件损伤数据库,筛选出影响构件损伤的18个关键特征,包括地震动参数(peak ground acceleration, PGA;peak ground velocity, PGV等)、建筑特性(建筑年代、建筑价值等)以及场地是否液化等。分别使用XGBoost(eXtreme Gradient Boosting)、随机森林(random forest, RF)、LightGBM(LightGradient Boosting Machine)和CatBoost(Categorical Boosting)四种机器学习模型;并采用贝叶斯超参数优化算法调整超参数,构建分类模型来预测结构构件与非结构构件的损伤等级;并使用SHAP算法分析易损性构件的敏感特征。研究结果表明:1)四种机器学习模型中XGBoost模型精度最高。2)结构构件中的桩基础和板式基础,以及非结构构件中的墙面饰品和墙面覆层为易损性最高的构件。3)结构破坏中最重要的五个特征参数分别为建筑价值、建筑面积、谱加速度(spectral acceleration, SA)、PGV和V_(S30),而非结构破坏中最重要的五个特征分别为:建筑价值、建筑面积、SA、PGV和PGA。研究结果为快速准确识别损伤构件和指导建筑物修复提供重要依据。
-
关键词
非结构构件
结构构件
损伤状态预测
机器学习
实际损失数据
-
Keywords
non-structural components
structural components
damage level prediction
machine learning
actual damage data
-
分类号
P315.9
[天文地球—地震学]
-
