编辑推荐：
实时地震损伤评估框架通过融合结构参数、地面运动特征和监测数据，采用多特征神经网络实现动态评估，支持任意长度输入并处理数据缺失，验证显示准确率达80%，延迟低于20ms。
刘波|龚茂生|王晓敏|周保峰|贾佳
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，哈尔滨，150080，中国
摘要
对地震结构损伤进行准确的实时评估对于应急响应和震后评估至关重要。然而，现有方法通常仅依赖于地面运动和结构特性或结构监测数据，缺乏多源数据的有效融合，并且常常假设地震输入具有固定的长度，这限制了它们在实时动态损伤评估中的应用。本研究提出了一种基于深度学习的实时地震损伤评估框架，用于钢筋混凝土（RC）框架，该框架将多模态深度学习与结构监测数据相结合。所提出的框架整合了易于获取的结构参数、地面运动特性和结构监测数据，并开发了一个具有多特征融合的神经网络，以实现结构损伤指数（DI）或最大层间位移比（MIDR）的快速预测。通过从地面运动中实时计算强度指标（IMs）和从结构监测数据中计算能量谱密度（ESD），该模型可以用于任何时间的地震输入，从而实现对结构损伤状态的连续和实时评估。此外，针对实际应用中多源信息可能不完整的问题，引入了一种考虑特征可用性的训练策略，以使模型在监测数据不可用时仍能保持稳定的预测性能。最后，使用具有不同特性的五个RC框架结构对所提出的模型进行了验证，并将其应用于一个实际的有监测结构的建筑。结果表明，该模型的整体DS分类准确率约为80%。此外，所提出的方法的实时推理延迟每时间步长小于20毫秒。
引言
对区域结构的地震损伤进行准确和快速的评估为震后应急响应、资源分配、伤亡估计和财产损失评估提供了关键参考[1]。专业人员进行震后结构损伤评估是一个复杂、劳动密集且耗时的过程，对于区域规模的实时建筑物损伤状态（DS）评估来说并不实际[2]。实时评估结构损伤可以持续监测地震期间的动态退化过程，为安全评估、智能控制和快速决策提供关键信息。
用于区域规模建筑物地震损伤评估的传统方法主要包括脆弱性分析[3]、[4]、[5]、能力谱方法和非线性时程分析（NLTHA）方法[6]、[7]。脆弱性方法通常只包含不到三个地面运动参数，通常限于峰值地面加速度（PGA）、谱加速度（Sa）或它们的组合。鉴于使用三个或更少参数完全描述地面运动的固有挑战，脆弱性方法不太可能产生一致准确的预测[5]、[8]。能力谱方法常常将建筑物模型简化为单自由度（SDOF）系统来生成能力曲线，这在区域地震损伤评估中既降低了准确性也降低了适用性[9]、[10]、[11]。NLTHA方法在区域规模地震损伤评估中显示出巨大潜力，因为它们能够结合多样的地震和结构特性[12]。然而，NLTHA方法需要为该区域内的每栋建筑物开发精确的有限元模型，并进行后续的时程分析，这需要大量的建模和计算工作。此外，这些方法通常需要详细的结构信息，但由于时间限制或历史数据的丢失，许多建筑物往往无法提供这些信息，只能获取诸如楼层数和立面特性等易于获得的参数[13]。因此，NLTHA方法在满足震后应急评估的及时性要求方面面临挑战[6]、[14]。需要一种利用易于获取的结构参数同时全面整合多种地面运动特性的区域建筑物损伤评估方法。
基于机器学习（ML）的结构损伤评估方法通过整合易于获取的结构参数和地面运动特性，有效地解决了快速评估大量建筑物震后损伤的挑战。Bhatta等人[15]、[16]实施了多种ML技术来评估地震后区域钢筋混凝土（RC）建筑的地震损伤，并使用真实的地震损伤数据集评估了它们的性能。Gong等人[17]提出了一种基于深度学习的方法来评估RC框架的累积地震损伤，该方法结合了震前损伤、结构特性和地面运动特征。随着ML技术的进步，Bhatta等人[18]探讨了量子增强ML在RC建筑物震后安全评估中的可行性。与传统区域建筑物损伤评估方法相比，基于ML的方法在保持准确性的同时显著提高了计算效率。
随着结构健康监测（SHM）技术的发展，越来越多的建筑物开始部署能够在地震期间捕获实时结构响应数据的监测系统[19]、[20]、[21]。许多研究将这些监测数据纳入损伤评估框架中，以提高评估的准确性和及时性。Civera等人[22]、[23]提出了一种基于瞬时谱熵（ISE）的实时损伤检测框架，其中使用连续监测数据的时间-频率表示来识别由损伤引起的结构变化。目前，使用监测数据的结构损伤评估大致可以分为两种方法。第一种方法直接使用监测数据进行损伤评估。例如，Shen等人[24]提出了一种基于耦合系数的钢框架震后损伤评估方法，该方法使用有限的监测数据和结构设计图纸来估计峰值结构响应。Jamshidi等人[25]根据结构加速度数据的时间-频率分析对结构损伤的严重程度进行了分类。一些研究人员还通过识别监测数据中的模态特性变化来评估结构损伤[26]、[27]。然而，仅依赖监测数据而不结合结构信息和地面运动特性会降低这些方法的通用性。第二种方法涉及使用监测数据校准有限元模型（FEM）以开发更准确的模型，从而通过NLTHA进行损伤评估[28]、[29]、[30]。Zhang等人[31]提出了一种基于监测数据和等效建模的结构损伤评估方法；然而，监测数据仅用于优化等效模型，在损伤评估阶段并未进一步利用地震监测数据。虽然FEM更新技术广泛用于单个结构，但在短时间内为大量建筑物更新模型仍然是一个挑战[32]、[33]、[34]、[35]。上述两种基于监测数据的方法都不适合快速评估大量建筑物的地震损伤。
基于ML的结构损伤评估方法通过整合结构特性、地面运动特征和实时监测数据，提供了一个有前景的解决方案。然而，大多数现有的ML方法假设地震输入具有固定的长度[9]、[13]、[14]、[17]、[36]，这限制了它们在地震事件期间进行实时动态评估的适用性。尽管研究人员已经使用地面运动切片技术进行实时结构响应预测[37]、[38]、[39]，但这种方法对于损伤评估来说是不够的，因为损伤积累是一个渐进的非线性过程。为了解决这一限制，Xu等人[40]通过使用多个地面运动强度指标（IMs）进行了实时地震损伤预测。通过计算IMs，ML模型可以适应任意长度的地震输入。然而，选择适当的IMs仍然是一个关键问题。可解释的ML算法被用来识别关键地面运动特征，这些算法揭示了各个IM的相对重要性[41]。本研究在ML模型开发中使用了PGA、峰值地面速度（PGV）、PGV/PGA比率、地震强度（SI）以及在0.3秒、1秒和3秒时的Sa，因为这些IM已被验证可以有效描述地面运动强度和潜在的结构损伤[15]、[16]、[18]。使用实时监测数据进行结构损伤预测的一个关键挑战在于处理不同长度的输入。Nguyen等人[42]通过快速傅里叶变换（FFT）将时域监测数据转换为频域，并计算能量谱密度（ESD）来解决这个问题。这种方法为本研究有效利用实时结构监测数据提供了有价值的见解。
本研究提出了一种基于深度学习和结构监测数据的实时结构损伤评估框架。所提出的框架整合了多源数据，包括易于获取的结构参数、地面运动特性和监测的结构响应数据。通过使用具有多特征融合输入的深度神经网络（DNN），实现了目标区域内多个RC框架结构的实时地震损伤评估。本文的其余部分结构如下：第2节详细介绍了所提出的方法框架。第3节阐述了RC框架结构的实时地震损伤数据集的构建过程。第4节详细介绍了所提出模型的架构及其训练和分析过程。第5节通过五个数值结构对该方法进行了验证，并将其应用于一个实际结构。最后，第6节讨论了本研究的研究结果和局限性。
节选
提出的实时地震损伤评估框架
所提出的基于深度学习的RC框架实时地震损伤评估方法的框架如图1所示。该框架由以下组件组成。
(1)训练数据集构建：首先，确定了结构参数并建立了FE模型。考虑到数据获取的便利性，选定的参数包括地震预强度、楼层数、层高、纵向跨度长度、侧向和中间跨度长度。
数据集构建
Gong等人[17]使用OpenSees软件[44]对近300次主震-余震序列下的典型RC框架[43]进行了NLTHA分析。该数据集是本研究的基础数据来源。本研究使用这些框架在主震下的部分响应来构建数据库。如图2所示，这部分数据包括不同的地震预强度（包括中国结构设计规范[43]中的6级、7级和8级）
数据预处理
所开发的基于深度学习的结构地震损伤评估模型的输入数据包括结构特性、地面运动的IMs以及屋顶处的加速度记录的ESD。地震预强度使用独热编码进行处理，将类别变量表示为数值：6级、7级和8级分别表示为（1, 0, 0）、（0, 1, 0）和（0, 0, 1）。为了减轻数据尺度的影响，进行了最大最小归一化
案例研究
为了进一步验证所建立预测模型的泛化能力，使用五个独立于上述结构数据集的RC框架结构和来自PEER的100个地面运动记录创建了一个数值模拟数据库，以验证模型在预测结构实时DS方面的准确性。此外，还使用了一个实际建筑物在地震下的监测数据来检验所提出框架的实用性。
结论
本研究提出了一种基于多模态深度学习的钢筋混凝土（RC）框架结构的地震损伤实时评估框架。该框架通过多特征融合深度神经网络（DNN）实现了结构参数、地面运动特性和实时监测数据的全面利用。此外，所提出的模型适用于任意时间的地震输入以及监测数据不可用的情况，实现了实时
CRediT作者贡献声明
王晓敏：撰写——审阅与编辑、可视化、资源、方法论。龚茂生：撰写——审阅与编辑、资源、方法论、资金获取、概念化。刘波：撰写——审阅与编辑、原始草稿撰写、可视化、验证、软件、方法论、正式分析、概念化。贾佳：可视化、监督、调查、数据管理。周保峰：监督、资源、项目管理、数据管理
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
作者非常感谢中国地震局工程力学研究所的科学研究基金（授权号：2024C17）、黑龙江省自然科学基金（授权号：LH2024E016）和国家自然科学基金（授权号：U2139209，授权号：52178514）的支持。作者还要感谢工程强震动数据中心（CESMD）提供的结构监测数据。
