基于实际震害数据机器学习的构件损伤预测研究

摘要

准确识别构件层面损伤是提升建筑物地震韧性的关键；但以往研究中缺乏震后详细损伤数据，构件损伤传统研究方法存在局限性，以及模拟真实复杂的地震情景较为困难。因此，根据新西兰建筑破坏记录，建立构件损伤数据库，筛选出影响构件损伤的18个关键特征，包括地震动参数（peak ground acceleration, PGA; peak ground velocity, PGV等）、建筑特性（建筑年代、建筑价值等）以及场地是否液化等。分别使用XGBoost（eXtreme Gradient Boosting）、随机森林（random forest, RF）、LightGBM（LightGradient Boosting Machine）和CatBoost（Categorical Boosting）四种机器学习模型；并采用贝叶斯超参数优化算法调整超参数，构建分类模型来预测结构构件与非结构构件的损伤等级；并使用SHAP算法分析易损性构件的敏感特征。研究结果表明：1)四种机器学习模型中XGBoost模型精度最高。2)结构构件中的桩基础和板式基础，以及非结构构件中的墙面饰品和墙面覆层为易损性最高的构件。3)结构破坏中最重要的五个特征参数分别为建筑价值、建筑面积、谱加速度（spectral acceleration, SA）、PGV和V_S30,而非结构破坏中最重要的五个特征分别为：建筑价值、建筑面积、SA、PGV和PGA。研究结果为快速准确识别损伤构件和指导建筑物修复提供重要依据。

关键词

非结构构件 / 结构构件 / 损伤状态预测 / 机器学习 / 实际损失数据