基于可解释力学引导机器学习的摇摆基础抗震性能建模研究

《Soil Dynamics and Earthquake Engineering》：Explainable mechanics-guided machine learning-based modeling of seismic performance of rocking foundations

　　

本研究的主要目标是通过融合基于力学的模型与数据驱动的机器学习（ML）模型，开发力学引导机器学习（MGML）模型，用于预测摇摆基础的归一化地震能量耗散（NED）及由此产生的降低后加速度放大比（AAR）。研究人员利用OpenSees有限元框架中的力学模型对振动台与离心机试验进行了数值模拟，以复现摇摆结构-基础-土体系统的地震行为。OpenSees模型输出的NED与AAR被作为附加输入特征引入机器学习算法，构建了MGML模型。为进一步验证研究结论，研究人员采用相同流程开发了针对摇摆基础峰值转角（θpeak）的MGML模型。结果表明，与纯机器学习模型相比，MGML模型中引入力学信息显著提升了预测精度并降低了预测误差的变异性。XGBoost（XGB）MGML模型的测试平均绝对百分比误差（MAPE）分别为0.29（NED）和0.11（AAR），较纯机器学习模型分别提升了27%和15%的预测准确性。基于SHAP（Shapley Additive Explanations）的解释分析表明，OpenSees模型输出对MGML模型施加了基于力学的约束，与其他输入特征形成互补，并增强了MGML模型预测的物理一致性。XGB-MGML模型在测试数据与最终交叉验证中的表现显示，摇摆结构经历的最大加速度可在小于10%（8% ± 2%）峰值地面加速度的精度范围内估算，而摇摆基础的峰值转角平均预测精度可达0.4°。

论文解读：《Soil Dynamics and Earthquake Engineering》刊载的摇摆基础抗震性能力学引导机器学习建模研究

研究背景与意义

岩土地震隔离（Geotechnical Seismic Isolation, GSI）是地震工程领域的重要研究方向，其中摇摆基础作为一种非传统隔离机制，通过调动地基土的承载力并在土体中耗散地震能量，有效降低上部结构的地震响应。尽管过去二十年的研究已证实其减震效益，但在面对土体性质、地震动参数及建模技术的不确定性时，精确预测摇摆结构-基础-土体系统的性能仍面临挑战。传统的力学模型虽理论基础扎实，但常依赖简化假设且受限于特定实验场景的校准；纯数据驱动的机器学习（ML）模型虽能挖掘数据规律，却缺乏物理机制约束，预测结果可能违背力学原理。为此，研究人员提出结合两者优势的力学引导机器学习（Mechanics-Guided Machine Learning, MGML）框架，旨在提升预测精度与物理一致性。

关键技术方法

研究人员基于Design-Safe数据库中的独立实验结果，采用OpenSees有限元框架构建力学模型，模拟砂土与黏土中摇摆浅基础支撑的单自由度（SDOF）结构在地震作用下的响应。模型集成非线性土-基础相互作用宏单元（macro-element）与弹性梁柱单元，输出归一化地震能量耗散（NED）、加速度放大比（AAR）及峰值转角（θ_peak）等关键参数。这些力学输出作为附加特征与实验提取的核心输入特征共同输入至极端梯度提升回归（XGBoost, XGB）、随机森林回归（RFR）和k近邻回归（KNN）算法中训练MGML模型。研究采用平均绝对百分比误差（MAPE）、平均绝对误差（MAE）和决定系数（R²）评估性能，并利用SHAP（Shapley Additive Explanations）值解析特征贡献与模型可解释性。此外，通过mixup方法生成合成数据以探讨训练数据规模对模型的影响。

研究结果

OpenSees力学模型开发

研究人员建立了摇摆结构-基础-土体系统的数值模型，通过模拟离心机与振动台实验，验证了模型捕捉基础摇摆行为与土体非线性塑性响应的能力，为后续MGML模型提供了可靠的物理特征输入。

MGML模型构建与测试

在固定超参数优化后，MGML模型在测试集上表现出色。XGB-MGML模型对NED和AAR的预测MAPE分别达0.29和0.11，较纯ML模型精度提升27%和15%。SHAP分析证实，OpenSees输出的力学特征对其他输入特征形成补充，并对模型施加了物理约束，显著降低了预测误差的离散性。

研究局限与展望

当前模型受限于摇摆基础地震实验数据的稀缺性及现场案例的不足。研究人员尝试通过数据增强与合成数据训练模型以缓解此问题，并指出未来需进一步扩展数据集以提升模型泛化能力。

结论

研究人员成功开发了用于预测摇摆基础NED、AAR及θ_peak的MGML模型。核心结论如下：XGB-MGML在所有模型中表现最优；力学特征的引入显著提升了预测精度与物理一致性；XGB-MGML模型能以8% ± 2%的精度估算结构最大加速度，并以0.4°的平均误差预测基础峰值转角。该研究为岩土地震工程中的物理一致AI建模提供了新范式。