基于机器学习和东日本大地震破坏数据的地震动参数筛选

摘要

地震动参数量化了地面运动的强度及其对建筑结构的影响程度，选取合理的参数对震前抗震设计与震后震害评估具有重要意义。地震动参数和结构地震反应间的统计关系常通过传统的相关性分析和回归方法建立，且数据多来源于数值模拟，难以捕捉两者间真实的非线性映射关系。为此，该文收集整理了2011年3月11日东日本大地震后近128万条房屋实际震害数据，基于XGBoost（eXtreme cradient boosting）、随机森林（random forest, RF）、LightGBM（light gradient boosting machine）和CatBoost（categorical boosting）共4种机器学习分类模型建立地震动参数与建筑破坏等级之间的复杂映射关系。引入SMOTE过采样和贝叶斯超参数优化法对模型进行优化，结合2种重要性评价方法选出包含7个参数的最优地震动参数组合。结果表明：XGBoost算法表现最佳，在测试集上的整体准确率可以达到71.39%;最优地震动参数组合为峰值地面加速度（peak ground acceleration, PGA）、T_d、V_SI、峰值地面位移（peak ground displacement, PGD）、峰值地面速度（peak ground velocity, PGV）、PGV/PGA、谱加速度S_a;地震动幅值、频谱及持时参数与震后建筑损失的相关性较强，而累积能量参数与其相关性较弱。最后，通过新西兰3次地震的实际震害数据建立基于XGBoost算法的地震损失预测模型，验证了所选参数组合的完备性、可靠性和地区泛化性能。研究成果能够为建筑抗震设计及地震风险评估等工作提供一定的理论依据和工程参考。

关键词

地震损失数据 / 机器学习 / 建筑破坏等级 / 最优地震动参数组合 / 特征重要性