适用于区域建筑群实时震害模拟的LSTM-FC组合深度网络模型研究

摘要

建筑物破坏在地震灾害中往往会导致巨大损失，对城市建筑群进行灾前灾时的震害预测具有重要意义。传统BP(back propagation)网络和CNN(convolutional neural networks)网络等人工智能方法在进行震害预测时多集中于提取建筑物信息。然而，这些方法在处理地震波的时序数据方面有所不足，导致其在整合和分析对地震灾害预测至关重要的时序相关因素时效果有限。因此，本文提出一种耦合LSTM(long short-term memory)和FC(fully connected)神经网络的震害预测方法。LSTM网络擅长处理具有时间序列特性的地震波信息，能够捕捉和分析随时间变化的地震波动模式。同时，全连接网络可用于综合分析所有相关的震害因子。通过对云浮地区265栋典型钢混建筑进行指标量化并确定输入指标(震害影响因子)和输出指标(震害指数),利用LSTM-FC组合深度网络、CNN网络和BP网络模型对数据进行训练并优化。通过将LSTM-FC网络模型的预测结果与弹塑性时程分析比较，发现该模型在拟合效果和精度方面优于传统的BP和CNN模型。拟合效果提升了36.8%和10.6%,精度分别提升了77.6%和91.7%,表明LSTM-FC网络在地震损害预测上更为有效。同时，将该方法应用于广东省云浮市钢混结构群震害预测，构建的易损性矩阵与华南地区的易损性矩阵均值进行了对比，显示误差相对较小，说明该模型不仅理论上可行，在实际应用中也能表现出较高的准确性和有效性。

关键词

震害预测 / LSTM网络 / 全连接网络 / 钢混建筑物