基于机器学习的填充墙RC框架震后损伤快速评估

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6 600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。

关键词

填充墙RC框架 / 机器学习 / 损伤状态 / 损伤评估 / 有限元模型