基于机器学习的框架结构地震易损性分析方法研究

摘要

既有建筑的地震易损性评估是保障城市地震安全的基础工作。经验类方法和解析计算方法是目前主要的两类易损性评估手段，前者依托于历史震害数据，通过样本统计得到结构的破坏概率模型，后者通过力学理论推导或者数值模拟，对结构的地震易损性进行分析。然而，经验类方法只考虑宏观层面是不够精确的，解析方法因费时费力对于群体建筑的评估显得效率低下。为此，针对量大面广的钢筋砼框架结构，提出了一种基于机器学习的地震易损性分析方法。该方法基于微观层次体现结构个体的差异，且能够用于群体建筑快速易损性评估。
　　考虑3、6、9及12层四类典型框架结构，选取柱尺寸、柱配筋率、层高、跨度以及梁高/跨度比5个结构微观特征，对不同特征取值的43560个结构进行静力推覆分析，得到基底剪力，顶点位移曲线，据此应用能力谱法评估抗震性能，建立震害样本库。
　　机器学习是目前兴起的有效统计手段，其能深刻挖掘数据特征和类别之间的内在逻辑，从而进行准确地数据分类或回归，已在诸多领域的应用崭露头角。决策树和支持向量机(SVM)是其中两个经典高效的机器学习方法，以这两个算法为统计方法构建地震易损性分析模型。
　　首先选取决策树算法建立易损性分析模型。从样本库中选取训练集和测试集进行多次试验，并对影响决策树模型性能的因素展开研究。结果表明，决策树模型具备较高的预测准确率和稳定性，同时方法的性能与训练样本数量、样本代表性以及类别平衡相关。
　　进一步的，选取SVM算法构建易损性预测模型，并与决策树模型进行对比研究。结果表明，SVM同样具有较高的预测准确率和稳定性，但相比于决策树模型，SVM的预测性能有所欠缺，这在训练样本有效性不足时尤为明显。本文的研究环境下，决策树易损性模型具备更好的预测性能，工程实际中应根据数据特点选取合适的机器学习算法。

目录

声明

致谢

摘要

第1章 绪论

1．1 研究背景、意义及目标

1．1．1 研究背景

1．1．2 研究意义

1．1．3 研究目标

1．2 地震易损性分析方法的研究现状

1．2．1 基于经验的地震易损性分析方法

1．2．2 半经验半计算的地震易损性分析方法

1．2．3 基于计算分析的地震易损性分析方法

1．3 基于机器学习的地震易损性分析方法

1．4 论文主要内容

1．5 本文的创新点

2．1．1 机器学习概述

2．1．2 机器学习类别

2．1．3 机器学习模型

2．2 分类算法

2．2．1 决策树算法

2．2．2 支持向量机算法

2．3 本章小结

第3章 机器学习系统设计

3．1．1 结构模型

3．1．2 能力谱法简介

3．1．3 震害样本库

3．2 机器学习算法的选择

3．3 地震易损性分析模型

3．4 本章小结

第4章 基于决策树的地震易损性分析方法

4．1 数据预处理

4．2 易损性分析模型

4．3 结果与分析

4．3．1 决策树易损性模型的预测性能

4．3．2 训练样本数量对预测性能的影响

4．3．3 训练样本代表性对预测性能的影响

4．3．4 训练样本类别平衡对预测性能的影响

4．4 讨论

4．4．1 不同层数结构准确率差异的原因

4．4．2 结构特征的选取问题

4．5 本章小结

第5章 基于SVM的地震易损性分析方法

5．1 数据准备

5．3 结果与分析

5．3．1 核函数的选择

5．3．2 易损性预测性能

5．4 与决策树模型的结果对比

5．4．1 不同训练样本数下的结果对比

5．4．2 降低训练样本代表性后的结果对比

5．4．3 不同训练样本类别平衡下的结果对比

5．5 本章小结

第6章 总结与展望

6．1 主要工作和结论

6．2 进一步工作与展望

参考文献

附录

作者简历及在学校期问所取得的科研成果