基于LSTM的桥梁桩群基础地震响应与易损性快速预测:一种数据驱动设计方法

《Designs》:LSTM-Based Fast Prediction of Seismic Response and Fragility for Bridge Pile-Group Foundations: A Data-Driven Design Approach Zhenfeng Han, Deming She and Jun Liu

【字体: 大 中 小 】 时间:2026年03月28日 来源:Designs CS4.8

编辑推荐:

  快速准确地预测桥梁桩群基础(PGFs)的地震响应和易损性对于评估抗震韧性至关重要。然而,传统高保真非线性分析的高计算成本限制了概率地震风险分析的应用。为解决这一问题,研究人员提出了一种集成深度学习框架,该框架采用单向多层LSTM网络直接从地震动端到端预测结构响

  
快速准确地预测桥梁桩群基础(PGFs)的地震响应和易损性对于评估抗震韧性至关重要。然而,传统高保真非线性分析的高计算成本限制了概率地震风险分析的应用。为解决这一问题,研究人员提出了一种集成深度学习框架,该框架采用单向多层LSTM网络直接从地震动端到端预测结构响应。所提出的模型具有两项创新:首先,其多输出能力能够同时预测关键工程需求参数(如弯矩、曲率和桩帽位移)的完整响应时程和峰值;其次,网络结合了滑动时间窗和残差连接以捕捉复杂的非线性土-结构相互作用。这些预测被集成到概率地震需求模型中生成易损性曲线。该框架使用一个经受1000条地震动的实际桥梁桩群基础的高保真OpenSees模型进行验证。结果表明模型具有出色的预测精度:对于峰值弯矩,预测值与实际值之比的平均值范围为0.97至1.03,标准差低于0.12;导出的易损性曲线与基准曲线高度一致,在四个损伤状态下平均R2达到0.985。更重要的是,该框架将完成一次完整易损性评估(200次增量动力分析)的时间从约12小时缩短至约1秒——加速比达40,000倍——使数据驱动的快速和大规模地震风险评估成为现实。所提出的框架为工程师提供了一个实用的设计工具,用于快速评估替代基础构型并为抗震设计决策提供信息,从而将先进的数据驱动方法直接整合到工程设计流程中。
桥梁桩群基础(PGFs)的抗震性能评估是性能化地震工程(PBEE)和韧性框架中的关键环节,然而传统高保真非线性时程分析(NLTHA)计算成本极高(单次分析数分钟至数小时),使得概率地震风险分析(PSRA)所需的大量模拟(如1000次NLTHA需约66小时)在实践中难以实现。为弥补高精度仿真与快速风险评估之间的鸿沟,研究人员提出了一种集成深度学习框架,旨在将地震动输入直接转换为概率易损性曲线,从而实现快速、数据驱动的抗震设计决策。

研究人员开发的框架包括三个阶段:首先,基于实际桥梁桩群(上海长江大桥引桥2×3排桩,桩径1.8 m,总长61.8 m,嵌入均质黏土,不排水抗剪强度50 kN/m2)建立高保真OpenSees有限元模型,并经受1000条来自PEER NGA-West2数据库的地震动(PGA 0.1–1.2 g,经重采样至40 s/100 Hz)进行非线性时程分析,生成包含完整时程和峰值的参考数据集。其次,构建专用三层堆叠LSTM网络(采用滑动时间窗与残差连接),以10维输出(5个工程需求参数EDP的时程+各自峰值)直接学习地震动到响应的非线性映射。最后,将LSTM预测的峰值位移输入概率地震需求模型(PSDM),结合由推覆分析定义的损伤状态阈值(轻微、中等、严重、倒塌),生成易损性曲线(考虑认知不确定性采用Bootstrap重采样)。模型在独立测试集(100条未见过地震动)上验证,并在200次增量动力分析(IDA)中与OpenSees基准对比。

该论文发表在《Designs》期刊上,主要结论包括:LSTM模型在峰值预测上偏差极低(预测/实际均值0.97–1.03,标准差<0.16),时程R2达0.72–0.87,易损性曲线与基准高度吻合(平均R2frag=0.9855,失效概率预测平均绝对误差0.89%)。更重要的是,完整易损性评估时间从约12小时缩短至约1秒(加速超40,000倍),使实时大规模风险评估成为可能。

## 研究背景与问题

传统基于力的抗震设计正向性能化、韧性化转变,要求对深基础系统(尤其桥梁桩群基础)进行概率化评估,但复杂非线性土-结构相互作用(SSI)导致高保真模型计算负担极重(单次分析数分钟至小时),而易损性分析需数百至数千次模拟,形成关键瓶颈。现有机器学习替代模型多仅预测标量峰值或孤立时间点响应,缺乏完整时程预测,且与易损性分析脱节,导致工作流碎片化。为此,本文提出一种将LSTM响应预测与概率地震需求模型无缝集成的端到端框架。

## 关键技术与方法

1. **高保真实体建模**:基于上海某引桥2×3排桩群原型(桩径1.8 m,总长61.8 m,黏土不排水抗剪强度50 kN/m2),在OpenSees中建立纤维梁柱单元模型,采用非线性p-y、t-z、q-z弹簧模拟土-桩相互作用,并通过p-乘数考虑群桩效应(前排0.8,后排0.4)。经敏感性分析确定参与土体质量为5倍桩径。2. **地震动数据集**:从PEER NGA-West2数据库选取1000条地震动(含Chi-Chi、Northridge等事件),经振幅缩放至PGA 0.1–1.2 g,重采样至100 Hz/40 s,随机划分为训练80%、验证10%、测试10%。3. **LSTM网络架构**:采用三层单向堆叠LSTM,引入残差连接和滑动窗口(窗长9 s/900步,步长450步,每记录生成7窗),多输出设计(5个EDP时程+5个对应峰值通道),使用Adam优化,早停正则。4. **概率易损性分析**:基于20条独立地震动进行IDA(20×10=200次),建立ln(Dmax)对ln(PGA)的PSDM回归,结合由推覆分析确定的位移阈值(屈服位移Dy=0.37 m,损伤状态对应延性2.0/2.7/4.4),计算对数正态易损性曲线。采用Bootstrap(B=50)量化代理模型认知不确定性。

## 研究结果

**3.1 地震响应预测精度**
- **时程预测**:五个EDP的序列R2在0.72–0.87之间,归一化RMSE低于16%。可视化显示预测时程与OpenSees基准在低、中、高强度下均吻合,捕捉屈服、滞回和残余位移。
- **峰值预测**:峰值R2介于0.81–0.92,预测/实际均值0.97–1.03,标准偏差0.07–0.16,MAPE对弯矩/曲率<18%,位移约22%。散点图显示数据点密集于45°线附近,极端位移略有低估。
- **误差分布**:峰值弯矩2的相对误差呈对称正态分布(均值0.01,标准差0.07,K-S检验p=0.23),无系统依赖PGA或谱加速度的偏差。异常值(误差>25%)占比<3%。
- **计算效率**:单记录推理8.6 ms(CPU),相对OpenSees加速25,000倍;完整100条测试集0.86 s vs. 6.0 h。
- **架构比较**:与双向LSTM+注意力机制对比,所提残差LSTM在峰值预测上整体更优(平均R2 0.86 vs. 0.72),训练时间更短(85 min vs. 776 min)。消融研究显示残差连接和滑动窗口均显著提升性能。

**3.2 集成易损性框架性能**
- **概率地震需求模型**:LSTM对IDA数据(200点)的峰值位移预测R2=0.83,MAPE=21.3%,预测/实际=0.98±0.15。PSDM参数与OpenSees基准高度一致:截距ln(a)差异3.04%,斜率b差异5.73%,中值需求在PGA=0.5 g低估4.00%,关键参数βD|IM差异仅2.65%(0.5289 vs. 0.5433)。
- **易损性曲线与验证**:四个损伤状态(轻微、中等、严重、倒塌)易损性曲线几乎完全重叠,视觉不可区分。定量指标:R2frag整体0.9855(各状态>0.97),失效概率平均绝对误差0.89%。Bootstrap认知不确定性分析表明,95%置信区间半宽最大仅±0.062(倒塌状态、PGA=1.0 g),均小于地震需求固有变异性(βD|IM≈0.53对应约55%变异系数),表明代理模型不确定性可忽略。
- **计算效率增益**:单记录加速25,000倍,完整IDA(200次)加速43,000倍以上,总流程从~12 h降至~2 s(含推理与PSDM计算),实现五数量级加速。

## 讨论总结

论文讨论了框架成功的四个机制:滑动窗口分解局部动态使学习可处理;残差连接保持多尺度时间特征;堆叠LSTM隐态表征损伤演化(如累积塑性应变);零均值预测误差在PSDM中被吸收,不影响中值估计;端到端设计消除手动传递不一致。实践意义包括:使高保真风险分析普适化(标准台式机可用);支持震后实时评估与预警;实现设计参数快速迭代优化;推动网络级概率风险评估。局限包括:模型仅针对特定配置(2×3排桩、均质黏土、单向水平加载);外推至不同几何/土类未验证;未充分表征极端事件认知不确定性;黑箱模型缺乏可解释性;未考虑竖向分量或多方向荷载。未来方向包括物理信息迁移学习、贝叶斯深度学习、主动学习改进尾部分布、注意力机制增强可解释性、扩展至多灾害(如海啸)和多向荷载。

## 翻译关键结论

本研究开发、验证并展示了一种新型集成深度学习框架,实现了桥梁桩群基础地震易损性评估的根本性加速——该问题长期受限于高保真非线性动力分析的高昂计算成本。核心贡献与创新:框架引入专用三层堆叠LSTM架构,辅以两个关键创新——滑动时间窗以高效处理长序列并捕捉局部动态,以及残差连接以稳定训练深度网络同时保持多尺度时间特征。关键地,模型超越了仅预测标量峰值的现有范式,直接根据输入地震动加速度记录生成多个工程需求参数(弯矩、曲率、位移)的完整非线性时程预测。这些高保真预测随后通过无缝端到端自动化管道输入经典概率地震需求模型,产生系统级易损性曲线,桥接先进数据驱动学习与严格合规的风险评估。分析忠实性验证:对经受1000条地震动的详细实验标定OpenSees模型进行严格验证,提供了框架预测精度的确凿证据。LSTM模型在峰值响应预测中表现出可忽略的偏差和低离散度,所有EDP的预测/实际均值在0.97–1.03之间,标准差低于0.16。最重要的是,由其预测导出的易损性曲线与传统增量动力分析得到的基准曲线表现出近乎完美的定量一致,所有损伤状态的R2frag超过0.97。这种忠实性证实了代理模型不仅可靠地保留了逐点需求预测,还保留了给定强度测量下需求的条件分布——这是概率风险评估的关键要求。计算突破与实践意义:框架提供了范式转变的加速:完整易损性评估所需时间从传统高保真模拟的约66小时骤降至使用已训练LSTM模型推理的约1秒——效率提升超过五个数量级。这种急剧缩减将易损性评估从计算上不可行的专门任务转变为常规、近乎瞬时的操作。其影响深远:使计算资源有限的从业者能够民主化获得高保真风险分析;支持实时应用,如震后快速评估和早期预警系统;通过交互式、基于性能的优化转变设计过程;以及首次实现对整个交通或公用基础设施的网络级概率地震风险分析的可扩展性。局限与未来方向:需指出当前模型仅在均质黏土中单一桩群配置上训练和验证,直接应用于其他几何、土类或边界条件可能导致预测不准确。因此,该模型应被视为框架在特定案例上潜力的演示,而非所有桩基础的通用工具。未来研究应通过物理信息迁移学习和条件生成建模解决此领域特异性问题,其他关键方向包括通过贝叶斯深度学习量化认知不确定性、通过主动学习改进分布尾部鲁棒性、通过注意力机制等可解释AI技术增强模型可解释性,以及将框架扩展至包含海啸或风暴潮荷载的多灾害场景。结语:通过打破岩土系统地震风险分析中长期存在的计算障碍,本研究为实时、数据驱动的决策提供了一个实用而强大的引擎,标志着向未来迈出重要一步——在该未来中,先进的概率地震风险评估不再是资源密集型专业,而是用于建设和维护更具抗震韧性基础设施的常规、瞬时且富有洞察力的工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号