基于机器学习的填充墙RC框架震后损伤快速评估

作     者：何坫锦 程小卫 李易 张豪友 凡亨通 HE Dianjin;CHENG Xiaowei;LI Yi;ZHANG Haoyou;FAN Hengtong

作者机构：北京工业大学城市与工程安全减灾教育部重点实验室北京100124 

出 版 物：《地震工程与工程振动》 (Earthquake Engineering and Engineering Dynamics)

年 卷 期：2024年第44卷第5期

页      面：37-49页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 081402[工学-结构工程] 081304[工学-建筑技术科学] 0835[工学-软件工程] 0813[工学-建筑学] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(52108429) 北京市科技新星计划项目(Z211100002121097) 北京市教委项目(KM202210005018) 

主　　题：填充墙RC框架 机器学习 损伤状态 损伤评估 有限元模型 

摘      要：填充墙钢筋混凝土(reinforced concrete,RC)框架是最常见的结构形式之一,实际震害和试验研究中发现填充墙对RC框架的抗震性能影响很大。为实现填充墙RC框架震后损伤状态准确、快速评估,首先根据不同的建筑结构信息(设防烈度、建造年代、层数、层高、跨数和填充率)设计了660个填充墙RC框架,结合10条地震动在OpenSees中对660个结构进行非线性时程分析,得到了6600个数据点,形成了填充墙RC框架震损评估模型建立的数据集。基于该数据集,采用朴素贝叶斯(naive Bayes,NB),K最近邻(K-nearest neighbors,KNN),决策树(decision tree,DT),人工神经网络(artificial neural network,ANN),随机森林(random forest,RF),自适应提升(adaptive boosting,AdaBoost),极端梯度提升(extreme gradient boosting,XGBoost),轻量级梯度提升(light gradient boosting machine,LightGBM),类别提升(category boosting,CatBoost)共9种机器学习的算法,建立了预测填充墙RC框架震后损伤的预测模型。研究结果表明:RF和CatBoost模型对损伤等级预测的精度最高,在测试集的准确率均达到0.93。紧随其后的是LightGBM和XGBoost模型,这些模型的准确率均超过了0.90。与实际震损数据对比,RF和CatBoost模型预测准确率均为47%,但CatBoost模型的预测误差在1个损伤等级范围内的准确率为76%,高于RF模型。基于CatBoost模型进行了不同输入变量的重要性分析,发现对填充墙RC框架震损影响最大的是设防烈度(seismic design intensity,SDI)、峰值地面速度(peak ground velocity,PGV)、0.4 s的谱加速度S_(a)(0.4 s)。此外,随着结构层数越多,楼层数量(n_(s))对结构的震损等级影响也越大。