一种利用机器学习方法对钢格构结构进行地震韧性评估的概率框架

《Engineering Applications of Artificial Intelligence》：A probabilistic framework for seismic resilience assessment of steel diagrid structures using machine learning approach

抗震性能评估代理模型研究

　　

Mohammad Reza Akbarzadeh|Vahid Jahangiri|Sina Abdolrahimi Shahamat|Babak Naeim

伊朗德黑兰沙里夫理工大学土木工程系

摘要

评估格构结构的抗震性能对于基于性能的设计至关重要，尤其是在高层建筑中。本研究提出了一种新颖的替代建模框架，使用监督机器学习（ML）算法来预测两个关键性能指标——韧性指数和总损失——在地震荷载作用下的表现。主要贡献在于通过开发基于大规模数据集训练的精确ML预测器，减少了对计算要求高的模拟的依赖。总共生成了1,350,000个数据点，这些数据点来自对不同高度（4-24层）、角度（50°、67°、78°）和开间布局（3、5、7）的格构模型进行的135次增量动态分析（IDA），使用的是OpenSees软件。使用Python训练了20个监督ML模型，输入特征包括基频下的谱加速度（Sa(T1)）、恢复时间（TRec）、层间位移（δ_i）、从初始状态到事件发生的时间（T_i）以及恢复时间比率。通过迭代试错方法选择了具有影响力的特征。通过10折交叉验证确保了模型的鲁棒性和泛化能力。在所有模型中，CatBoost、Extra Trees Regressor（ETR）、Bayesian Ridge（BReg）、Random Forest（RF）、Support Vector Regression（SReg）和K-Nearest Neighbors（KNN）表现优异（决定系数R² > 0.95，均方误差MSE较低）。相比之下，Gaussian Process Regression（GPReg）、Partial Least Squares Regression（PLSReg）和Generalized Regression（GReg）的表现较差（R² < 0.5）。结果表明，基于ML的替代模型可以提供快速、可靠且可扩展的替代方案，为格构系统的早期抗震脆弱性评估和基于韧性的决策提供实用工具。

引言

地震脆弱性评估对现代结构工程至关重要，尤其是在地震频发地区，城市发展越来越多地涉及高层建筑（Hejazi和Jalaeefar，2021；Rezaei Ranjbar和Naderpour，2020）。地震脆弱性指的是结构在地震中可能遭受损坏或功能失效的程度，这受到其设计、材料、几何形状和施工质量的影响（Nguyen等人，2022a，2022b）。准确评估这种脆弱性对于确保人员安全、最小化经济损失以及促进地震后城市基础设施的快速恢复至关重要（Hu等人，2022a，2022b）。

传统上，地震脆弱性评估依赖于计算密集型方法，如增量动态分析（IDA），该方法需要对详细的结构模型施加多个不同强度的地面运动记录（Liu和Fang，2020；Baker等人，2010）。虽然IDA可以提供关于结构性能的深入见解，但由于其高计算需求，它不适用于大规模或快速评估。当评估如格构这样的复杂结构系统时，这一限制更加明显，格构是一种现代结构形式，其特点是使用对角构件替代传统的垂直柱子（Fu等人，2021；Cascone等人，2021）。

由于其建筑吸引力和在侧向及重力荷载下的卓越结构效率，格构系统在高层建筑中越来越受欢迎（Kim和Lee，2012；Heshmati等人，2022）。格构的三角几何形状提供了增强的刚度和冗余性，使其适合抵抗地震力。许多研究专注于优化格构参数，如角度倾斜度、开间宽度和构件尺寸，以提高侧向荷载抵抗能力并最小化层间位移和加速度响应（Milana等人，2015）。然而，对其韧性的全面评估——即地震后保持或快速恢复性能的能力——受到的关注相对较少（Akbarzadeh等人，2025；Naeim等人，2024；Taghizadeh等人；Akbarzadeh等人）。

韧性指数结合了损伤程度、恢复时间和功能损失等方面，比传统的性能指标提供了更全面的衡量标准（Lee等人，2016；Bruneau等人，2003）。此外，估算总损失（包括直接修复和停机相关的费用）对于基于生命周期的决策至关重要。实际上，使用传统模拟技术对多种结构配置和地震情景进行此类评估在计算上是不可行的（Mitropoulou和Papadrakakis，2011；Wen等人，2019）。

机器学习（ML）的最新进展为克服这些限制提供了有希望的途径。ML算法可以从大型数据集中学习模式，并开发出能够以显著降低的计算成本模拟复杂系统行为的替代模型（Wang等人，2018a；Kiani等人，2019；Kazemi等人，2023a；?zyüksel等人，2025）。先前的研究已经应用ML来预测地震脆弱性曲线、损伤状态和峰值响应，使用了来自动态分析的数据（Tang等人，2022；Kazemi等人，2025；Shafighfard等人，2024）。随机森林（RF）、支持向量机（SVM）（Shafighfard等人，2022）、人工神经网络（ANN）（Bagherzadeh等人，2023）以及集成模型如自适应提升（AdaBoost）等技术在传统结构系统上显示出高预测精度（Zhang等人，2018；Sainct等人，2020；Hwang等人，2021；Huang和Burton，2019）。此外，表1总结了相关研究，用于预测脆弱性曲线。

然而，将ML应用于特定于格构结构的韧性及损失指标的建模尚未得到充分探索。本研究通过开发基于ML的替代模型来预测格构在地震荷载下的韧性指数和总损失，填补了这一研究空白。使用135次IDA模拟生成了包含不同高度、角度和开间布局的格构建筑的综合数据集。使用该数据集训练并评估了20个ML算法，并通过决定系数（R²）和均方误差（MSE）等性能指标比较了它们的预测能力。通过识别关键预测特征和最优算法，本研究引入了一种高效、可扩展且准确的格构结构抗震性能评估框架。所提出的模型为设计师和工程师提供了实用工具，可以快速评估地震韧性和预期损失，从而在早期设计阶段避免进行计算密集型模拟。

方法

本研究采用了总共二十种ML模型，包括决策树（DT）、随机森林（RF）、支持向量机（SVM）、Extra Trees Regressor（ETR）、K-Nearest Neighbors（KNN）、人工神经网络（ANN）、AdaBoost、梯度提升机（GBM）、投票回归器（VR）、基于直方图的梯度提升（Hist GBM）、最小二乘支持向量回归（LSV）、高斯回归器（GR）、线性回归（LR）、Bagging回归器（BR）、Nu-Support Vector Regressor（NuVR）等关键模型。

结构系统的配置与设计

本研究考察了具有4层、8层、12层和24层的钢格构结构的性能。对角构件位于建筑物的围护结构内部。研究涵盖了五种不同类型的建筑，分别具有4层、8层、12层或24层。每种建筑的建造使用了三种不同的格构角度：50°、67°或78°。格构角度的选择对高层建筑的结构性能有显著影响，特别是在侧向刚度和轴力方面。

抗震性能评估

为了评估结构在地震荷载下的性能，进行了增量动态分析。该过程包括将一个或多个地震数据集应用于结构模型，每个数据集都校准到不同的地震强度。最终结果是生成一个或多个与地震强度相关的结构响应曲线（Vamvatsikos和Cornell，2002）。

在OpenSees中使用了hunt-and-fill策略来提高IM的性能（

地震损失和韧性评估方法

本研究提出了一个全面的概率框架，用于评估格构结构的抗震性能。该框架整合了脆弱性分析、损失估算和韧性评估，专门针对斜网格系统的独特几何和机械特性进行了调整。与传统框架系统不同，格构结构由于其对角主导的配置而表现出不同的刚度和荷载重分布模式。

损失和韧性评估的概率框架及数据生成

本研究调查了具有4层、8层、12层和24层五种不同高度的格构结构系统。对于每个高度，评估了三种对角构件的角度，即50°、67°和78°，以及三种不同的跨度长度，分别为5米、6米和7米。最终，对所有45个结构进行了IDA分析，考虑了FEMA-P695标准下的三组地震记录，包括远场和近场事件。

为了评估损失比和韧性

ML方法敏感性分析

在本节中，通过试错策略组织并选择了二十种ML技术来评估钢格构结构的地震响应。这些算法使用来自地震响应分析的数据点，特别针对回归难题进行了设计。采用了多种搜索技术，如k折交叉验证、网格搜索、随机搜索和二分搜索，以提高预测精度并降低不确定性。我们计算了多个模型指标，

ML方法性能评估

本节概述了使用二十种明确ML方法对所有格构结构的预测结果。从论文中对结构的描述来看，以下特征对于准确预测韧性指数R_i、T_Rec、Sa(T₁和恢复时间比率至关重要。与总损失相关的关键参数是Sa(T₁、δ_i、T_i和T_Rec。韧性指数和总损失是预测的目标特征。因此，ML模型用于预测韧性

SHapley可解释性（SHAP）

SHAP是一种ML中的可解释性工具，它提供了有关不同特征如何影响模型预测的信息。SHAP值基于合作博弈论，均匀地反映了每个特征的影响。识别偏见、提高可信度并将预测结果归因于特定特征有助于理解复杂模型。对于需要洞察决策过程的应用，例如确定特征的重要性，这非常有用。

图形用户界面

开发了一个图形用户界面（GUI），以提高研究的可用性，并使预测结果易于访问。该GUI可能考虑多个输入元素，包括层数、对角角度、开间长度、记录数据集、CS.c/ls和CNSA.c/ls、CNSD.c/ls、Deflai、T_i和Sa(T₁）。如图27所示，图形用户界面设计简单易用。任何人都可以使用这个开源软件平台。

ML预测与非线性时程分析的比较

为了验证所提出的ML模型的有效性和准确性，进行了与传统非线性时程分析（NLTHA）结果的比较分析，后者在地震工程中广泛用于捕捉地下运动输入的动态响应。选择了原始数据集的一个代表性子集，包括50种具有不同格构角度（50°、67°和78°）和建筑高度（4层、8层、12层和24层）的结构配置。

结论

本研究开发了一种算法，用于估算各种格构类型的韧性指数和总损失。本研究旨在通过训练监督机器学习（ML）算法来创建格构结构的替代模型来应对这些挑战。为此，使用Python实现了以下ML模型：ANNs、线性支持向量回归（LSVR）、GBM、RF、BReg、KNN、ETReg、GPReg、LightGBM、AdaBoost、NuSVR、PLSReg、DT、SReg、VR、LReg、GReg、HistGBR。

CRediT作者贡献声明

Mohammad Reza Akbarzadeh：验证。Vahid Jahangiri：撰写 – 审稿与编辑、监督、概念化。Sina Abdolrahimi Shahamat：撰写 – 原稿撰写、软件开发。Babak Naeim：撰写 – 审稿与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

作者姓名	所属机构
MohammadReza Akbarzadeh	伊朗德黑兰沙里夫理工大学土木工程系
Vahid Jahangiri	伊朗Ardabil大学工程学院土木工程系助理教授
Sina Abdolrahimi	土木工程系