用于大跨度空间结构地震易损性分析的多模态深度学习

《Computers & Structures》:Multimodal deep learning for seismic fragility analysis of large-span spatial structures

【字体: 大 中 小 】 时间:2026年08月28日 来源:Computers & Structures 5.6

编辑推荐:

   **摘要** 大跨空间结构广泛应用于重要公共设施中,但基于增量动力分析(IDA)的传统地震易损性评估计算量巨大。本研究提出了一种多模态深度学习框架,以提高效率和可解释性。针对三种代表性结构体系——球形网壳、圆柱形网壳和平网格结构——建立了基于IDA的数据库。该框架通过多分支

  

**摘要**

大跨空间结构广泛应用于重要公共设施中,但基于增量动力分析(IDA)的传统地震易损性评估计算量巨大。本研究提出了一种多模态深度学习框架,以提高效率和可解释性。针对三种代表性结构体系——球形网壳、圆柱形网壳和平网格结构——建立了基于IDA的数据库。该框架通过多分支融合架构,集成了归一化时域波形、频域频谱图和物理强度指标。采用两阶段分类-回归策略和数量加权损失函数,以解决损伤状态分布不平衡的问题。利用中值参数θ、对数离散度β、误差百分比和曲线吻合度对易损性预测进行评估。在仅使用40%数据集(480个样本)的情况下,多模态特征模型对三种结构的R2值分别为0.9116、0.8990和0.8757,θ和β的平均误差分别为6.41%和20.81%。将训练比例增至80%后,精度进一步提升,凸显了多模态融合的优势。SHAP分析表明,物理指标(特别是Sa(T1))是主要贡献因素,而时域和频域特征则提供了补充信息。与完整IDA相比,所提出的框架在保持可接受精度的同时,将计算时间减少了约59.98%。

**引言**

大跨空间结构(LSSS)包括体育场、机场航站楼和展览中心等,是城市基础设施的关键组成部分[1]。此类设施通常用于满足大规模集会活动和公共服务需求。此外,在突发灾害情况下,这些结构可被用作应急避难所。因此,它们具有重要的功能意义和深远的社会属性[2]。若结构因地震激励而受损,可能导致严重的人员伤亡。此外,还将不可避免地造成巨大的经济损失和深远的社会影响。因此,必须对大跨空间结构进行严格的地震性能评估。该过程被视为提升城市韧性和保障公共安全的关键机制[3]、[4]。

为定量评估大跨空间结构在不确定地震激励下的安全水平,地震易损性分析目前被公认为最广泛采用的评估框架之一[5]、[6]、[7]。通过该方法,可计算结构在给定地震动强度下达到或超过特定损伤状态的概率。随后,建立地震动强度指标(IM)与结构损伤指标(DM)之间的概率映射关系。由此,为结构地震性能评估和防灾减灾决策提供了可靠的定量依据。最终,地震易损性分析的结果通常以易损性曲线的形式表达。通过这些曲线,可直观反映结构在不同地震动水平下的损伤概率分布特征[8]、[9]。

目前,增量动力分析(IDA)、云方法和条带方法被认为是构建地震易损性函数的主要方法[10]、[11]、[12]。这些方法通常需要大量的非线性时程分析(NTHA),其中地震动逐步放大以模拟结构从弹性到倒塌的响应。虽然这些方法通常提供可靠的结果,但其计算需求可能限制了它们在时间敏感工程评估中的应用。因此,针对NTHA的替代方法已被广泛研究。Bergami等[13]提出了用于桥梁结构的增量模态分析方法,该方法考虑了高阶模态的影响,并实现了桥梁的地震易损性分析。Cucuzza等[14]提出了针对关键基础设施的改进多模态推覆分析方法,以增强地震易损性分析和加固优化。

近年来,随着机器学习(ML)技术的快速发展,数据驱动的地震易损性分析方法受到广泛关注[15]、[16]、[17]。Pinasco等[18]利用机器学习技术分析了历史城市中心砌体建筑的地震损伤数据,识别了关键易损性参数,实现了高效且可推广的地震风险评估。He等[19]以机器学习模型替代传统的IDA流程,直接预测填充式钢筋混凝土框架的地震响应并构建易损性曲线,从而在地震易准性分析中同时实现高效率和准确性。Cao等[20]开发了基于机器学习的预测模型作为传统IDA的替代方案,便于高效评估跨断层液压隧道的非线性地震响应和易损性曲线。通过直接建立地震动强度指标与结构损伤指标之间的非线性映射关系,这些数据驱动方法有效规避了传统方法中高成本的重复计算过程[21]、[22]、[23]。然而,尽管机器学习显著提升了计算效率,但现有模型在特征表示的全面性和样本分类的精细化方面仍需进一步加强。

深度学习(DL)模型能够捕获复杂的非线性关系,并可能降低地震易损性分析的计算成本。因此,这些模型已成为该领域的重要研究方向[24]、[25]、[26]。具体而言,Saida等[27]开发了基于高斯过程回归与迁移学习相结合的替代建模方法,利用源分析信息和参数可解释性,实现了结构可靠性和地震性能的高效近似计算。Park等[28]使用时域、频域和时频域特征作为卷积神经网络的输入,预测三维钢筋混凝土框架结构的非线性地震位移响应。Hoang等[29]引入了一种基于深度学习并采用频域特征的替代模型,实现了对不规则结构多分量地震响应的同步预测及后续地震易损性分析。此外,该领域深度学习方法的可解释性和可解释性也日益受到关注[30]、[31]。Esteghamati等[32]综述了可解释深度学习在结构工程中的应用,强调其在提升模型透明度和提供面向工程的解释方面的作用。Saida等[33]提出了可解释地震响应网络,通过将频率分解与注意力机制相结合来预测结构地震响应,并将模型强调的频率特征与结构的模态特征相关联。

然而,深入分析表明,现有研究在针对复杂大跨空间结构时仍面临重大挑战。首先,输入模态相对单一。现有模型主要依赖物理标量或单一时域波形。因此,地震动在时频域内的多维破坏力难以得到全面表征。对于具有复杂动力特性的大跨空间结构而言,这一局限性容易导致特征捕获不完整[34]、[35]、[36]。其次,建模逻辑存在瓶颈。传统回归模型通常对整个样本集进行直接拟合,从而忽略了大量未损伤样本对回归梯度的稀释效应[37]。此外,针对大跨空间结构的复杂非线性演化过程,现有模型的特征融合深度和广度仍需进一步加强。

基于上述分析,本研究提出了一种集成多模态信息的基于深度学习的地震易损性分析方法。本文其余部分的组织如下:第2节介绍易准性函数的计算方法;第3节详述三种典型大跨空间结构数值模型的构建过程;第4节描述所提出深度学习模型的架构和训练策略;第5节对比分析IDA方法与DL方法所得地震易准性分析结果的差异;最后,第6节通过Shapley加性解释(SHAP)分析揭示物理标量信息在易准性预测中的关键作用,并评估其他通道信息的贡献。

本研究的主要创新点如下:第一,通过数据处理将地震动波形转化为多模态输入,包括归一化时域波形、频域频谱图和物理标量强度指标,从而全面表征地震动的多维破坏特性。第二,构建了集时域特征、频域特征和物理特征于一体的多模态模型,通过该架构有效实现多源数据的协同学习与预测。第三,引入了基于样本数量加权的损失函数,该加权策略提升了模型对欠表示损伤水平的预测性能。第四,通过引入SHAP方法对模型进行解释,量化了各模态的贡献,并明确识别了关键物理特征。最终,对所提出模型的预测性能和潜在工程适用性进行了评估。

**第2节 地震易准性函数**

结构地震易准性定义为在给定的地震强度下,结构达到或超过特定损伤极限状态的概率。结构损伤指标(DM)与地震强度指标(IM)之间的关系通过概率性地震损伤模型建立。随后,计算在指定IM水平下的条件损伤概率,从而推导出地震易准性函数[38]:

P(DM|IM) = Φ((ln(IM) - lnθ)/β)

其中,θ为中值易准性参数;β为对数离散度……

**第3节 数值模型与损伤状态数据库**

为建立大跨空间结构损伤演化的预测模型数据库,选择了工程实践中三种代表性的大跨空间结构作为研究原型:K8型单层球形网壳(SRS)、单层圆柱形网壳(CRS)和正交方锥形平面网格结构(FGS)。为确保数值模拟的真实性,采用了包含上部空间屋面和下部支撑系统的集成建模方法……

**第4节 模型架构与融合策略**

本研究构建了一种面向多源异构信息融合的深度神经网络模型,用于结构损伤识别和损伤严重程度的定量评估任务。所提出模型的架构如图6所示。该模型的整体架构采用多分支并行特征提取与分阶段决策相结合的设计理念。通过协同建模时域动态……

**第5节 精度与效率的权衡**

在先前的研究中,当深度学习被引入结构工程分析时,生成训练数据库所需的非线性时程分析(NTHA)通常比模型训练和推理阶段具有更高的时间成本。一般而言,增加训练数据量有助于提高模型精度,而减少数据集规模往往会导致预测性能下降。为寻求计算精度与效率之间的合理平衡,本研究选择了……

**第6节 Shapley加性解释分析**

由于深度学习模型的可解释性有限,本研究采用SHAP分析来评估不同输入模态对训练好的多模态深度学习模型预测结果的贡献。首先量化了时域特征、频域特征和物理标量特征的贡献。随后,在物理标量通道内进行了进一步的SHAP分析,以评估各个物理指标相对重要性。

如图12所示,物理标量……

**结论**

为解决传统IDA依赖大量非线性时程分析且难以平衡评估精度与计算效率的问题,本研究提出了一种面向大跨空间结构的多模态基于深度学习的地震易准性分析方法。所提出的方法集成了地震动的时域、频域和物理标量信息,并采用解耦的分类-回归策略,以实现损伤状态识别、DM预测和……

**CRediT作者贡献声明**

Nie Guibo:写作—审阅与编辑,方法论,资金获取,数据整理,概念构思。Yang Qinshan:写作—初稿撰写,可视化,方法论,形式分析,数据整理。Li Xuelai:写作—审阅与编辑,验证,指导监督。Li Changkai:写作—审阅与编辑,验证,调查。

**利益冲突声明**

作者声明没有已知的竞争性经济利益或个人关系可能影响本文所报道的工作。

**致谢**

本研究获得了中国地震局工程力学研究所基本科学 research 基金重点项目(项目编号:2026A01)、国家自然科学基金面上项目(项目编号:52578616)、中国地震局工程力学研究所基本科学研究基金一般项目(项目编号:2024B02)以及国家重点研发计划……

Nie Guibo | Yang Qinshan | Li Xuelai | Li Changkai
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