CN109447460A - 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 - Google Patents
一种基于数据挖掘的地震影响房屋建筑易损性评价方法 Download PDFInfo
- Publication number
- CN109447460A CN109447460A CN201811259565.6A CN201811259565A CN109447460A CN 109447460 A CN109447460 A CN 109447460A CN 201811259565 A CN201811259565 A CN 201811259565A CN 109447460 A CN109447460 A CN 109447460A
- Authority
- CN
- China
- Prior art keywords
- building construction
- earthquake
- vulnerability assessment
- vulnerability
- earthquake effect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009435 building construction Methods 0.000 title claims abstract description 122
- 230000000694 effects Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007418 data mining Methods 0.000 title claims abstract description 13
- 230000006378 damage Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012876 topography Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013316 zoning Methods 0.000 claims abstract description 8
- 238000009412 basement excavation Methods 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 239000004035 construction material Substances 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 abstract description 7
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000002265 prevention Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，综合考虑地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身因素等多方面的影响，将其作为地震影响房屋建筑易损性评价的输入层，同时将房屋建筑损毁程度作为地震影响房屋建筑易损性评价的输出层。构建地震影响房屋建筑易损性评价因子的时空数据库。应用人工智能分析方法，完成历史数据挖掘和模型训练，建立地震影响房屋建筑易损性评价模型。最后，应用GIS（地理信息系统）平台，得到待研究区域的房屋建筑易损性评价区划图。本发明具备准确、高效和可视化强等优点，能够为房屋建筑的震害防治和工程建设选址规划提供科学的依据。
Description
技术领域
本发明涉及土木工程建筑抗风险情况的研究领域；特别是涉及一种基于数据挖掘的地震影响房屋建筑易损性评价方法。
背景技术
地震是一种对人类生命以及社会财富具有严重危害的自然灾害。我国地处世界上两个最活跃的地震带───环太平洋地震带和欧亚地震带之间，受太平洋板块、印度板块和菲律宾海板块的挤压，地震断裂带十分活跃，地震区域广阔而分散，是遭受地震灾害最为严重的国家之一，需要进行抗震设防的国土面积约占全国国土面积的60％。强烈的地震能够产生巨大破坏力，给人类的生命安全、社会的经济发展带来极其严重的威胁，其中地震影响下房屋建筑的损毁是生命、财产直接损失的主要原因。
地震影响下房屋建筑的易损性是指房屋建筑在地震影响下多种内、外因素耦合作用下的可能损毁程度。目前国内外对房屋震害与抗震的研究，主要集中于房屋建筑自身材料、建筑结构特性等方面，对地基条件、地形地貌等因素与震害之间的关系上关注偏少，更少见上述多因素耦合分析房屋建筑震害的评价方法。因此，如何综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的耦合作用，提出一种全面分析地震影响房屋建筑易损性的评价方法，为房屋震害的预防、工程建设规划选址提供指导建议，成为当下房屋建筑地震防灾预警技术亟需解决的问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：怎样提供一种地震影响房屋建筑易损性的评价方法，使其能够方便快捷地完成对待研究区域内房屋建筑在地震影响下易损性的判别和评价分析，并且具备较高的评定准确性和评价效率，能够为房屋震害的预防、工程建设规划选址提供指导建议。
为了解决上述技术问题，本发明采用了如下基于数据智能挖掘分析的技术方案：
一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，包括以下步骤：
(1)从多个方面考虑设定评价因子作为地震影响房屋建筑易损性评价的输入层；所述多个方面包括但不限于地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身属性方面；
(2)评估地震影响下房屋建筑的损毁情况，确定房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层；
(3)获取地震影响房屋建筑易损性评价的输入层、输出层的基础数据；获取基础数据的手段包括但不限于地质勘察、遥感影像、DEM(数字高程模型)和相关业务部门获取资料；
(4)将获取的基础数据进行标准化/归一化处理，根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库；
(5)采用人工智能分析方法，选取经过标准化/归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，建立地震影响房屋建筑易损性评价模型；
(6)根据研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，提取与房屋建筑易损性相关评价因子的时空信息，应用构建的评价模型，完成对待研究区域房屋建筑易损性的仿真分析，经GIS(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图。
这样，依靠本方法可以建立地震影响房屋建筑易损性的评价因子与房屋建筑受地震影响后的损毁程度之间对应关系的评价模型，将其应用于现有房屋建筑的地震受损评估，在地震发生后不需要对每个房屋建筑进行现场查验评估，从而提高了地震后房屋建筑受损情况的评估效率。另外，本方法还可以用于实现未发生地震对建筑物的危害预评估，为房屋震害防治、工程建设规划选址提供指导建议。
作为优化，步骤(1)综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的影响，能够较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制。
具体而言，步骤(1)中地震因素方面考虑的评价因子包括震级、烈度、震中距和峰值加速度中的一个或多个；地基条件方面考虑的评价因子包括地表岩性、覆盖层厚度、地下水埋深、承载力、地震液化等级和断层分布中的一个或多个；地形地貌方面考虑的评价因子包括高程、坡度、坡向、坡位和微地貌中的一个或多个；气象水文方面考虑的评价因子包括多年平均降雨量、暴雨频率和水系分布中的一个或多个；房屋建筑自身属性方面考虑的评价因子包括建筑型式、结构类型、基础类型、使用年限、建筑材料特性和房屋建筑层数中的一个或多个。
这样，可以较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制，从而很大程度上提高了评估的准确性和可靠性。
作为优化，步骤(2)中充分考虑地震影响下房屋建筑的损毁情况，把房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层，并定义房屋建筑的损毁程度，完全无损为0，完全损毁(倒塌)为1，其余按损毁程度对应为0-1之间的数值，这样能够确定地震影响房屋建筑易损性的评价标准，为后面地震影响房屋建筑易损性评价的准确性提供必要的保证。
作为优化，步骤(3)中结合地质勘察、遥感影像、DEM(数字高程模型)、获取的地震气象等资料，用于得到地震影响房屋建筑易损性评价输入层、输出层的基础数据，作为待研究区域房屋建筑易损性及时、准确评价的重要前提。
具体而言，地震因素如峰值加速度(PGA)等数据可以从美国USGS网站下载；多年平均降雨量、暴雨频率等数据可以向当地气象局等相关部门获取；高程、坡度、坡向、坡位、微地貌等数据可以通过待研究区域的DEM(数字高程模型)提取生成；水系、断层等数据可以应用地质图导出；地基条件一般通过勘察资料获取；房屋建筑自身属性(建筑型式、结构类型、基础类型、使用年限、建筑材料特性、房屋建筑层数等)以及地震影响下房屋建筑损毁程度的相关数据一般可以通过现场勘察与遥感图像解译相结合的手段获取及完善。
作为优化，步骤(4)中将获取的基础数据进行标准化/归一化处理，再根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库。数值结果均归一到[0，1]中，使各评价因子处于同一数量级上进行综合比较，转换函数如下：
式中：X为原始数据，X*为经过归一化处理后得到的数据，Xmin、Xmax分别为数据的最小值和最大值。
这样，能够实现数据的标准化表达，为接下来快速、准确的评价做出必要的准备。
作为优化，步骤(5)中采用神经网络、逻辑回归等人工智能分析方法，选取经过归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，从而建立地震影响房屋建筑易损性评价模型。这样，能够反映地震对房屋建筑损毁影响的多因子耦合作用机制。
作为优化，步骤(6)中应用GIS(地理信息系统)平台，通过数据接口，应用构建的评价模型完成对待研究区域房屋建筑易损性的仿真分析，经GIS(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图，以实现评价结果的可视化表达。
具体而言，选取地震影响房屋建筑易损性作为研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，根据步骤(4)中构建的房屋建筑易损性评价因子时空数据库，提取与房屋建筑易损性相关评价因子的时空信息，应用步骤(5)建立的评价模型，即可仿真计算每个评价单元对应的房屋建筑易损性。
进一步，参考《建(构)筑物地震破坏等级划分》(GB/T 24335-2009)中的相关条款，采用专家经验，对计算得到的房屋建筑易损性进行重分类，从而将房屋建筑的易损性划分为高、较高、中等、较低、低五个等级，最后在GIS(地理信息系统)平台上得到待研究区域的地震影响房屋建筑易损性评价区划图，实现评价结果的可视化表达。这样，就可以根据训练得到的评价模型，直接在输入层中输入房屋建筑易损性的各评价因子，即可获得该房屋建筑在地震影响下的易损性评价，用于地震下房屋建筑受损的快速评估以及实现对未来可能出现的地震引起房屋建筑产生损毁的预评估，从而为房屋震害的防治、工程建设规划选址提供指导建议。
相比于现有技术，本发明具有如下有益效果：
1、本发明是一种基于数据挖掘的地震影响房屋建筑易损性评价方法，通过收集待研究区域地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身属性因素等多方面的数据，利用智能分析方法建立待研究区域在地震影响下房屋建筑易损性的评价模型，基于数据的深入挖掘以及模型的仿真分析，得到待研究区域地震影响房屋建筑易损性的评价结果。数据分析更为全面、针对性更强，评价结果更为可靠、实用性更好，能够为房屋震害的防治、工程建设规划选址提供准确、科学的数据信息和参考性建议。
2、本发明确立的地震影响房屋建筑易损性评价模型可应用于所有需要分析评价地震影响房屋建筑易损性的区域，需要考虑待研究区域的地震因素、地基条件、地形地貌、气象水文、房屋建筑自身属性因素等方面，将输入层中的所有因子或其中几个因子带入评价模型中，通过数据的挖掘建模，可以仿真分析得到待研究区域地震影响房屋建筑易损性的评价结果，与现有的在地震发生后到现场勘测房屋损坏情况评价方法相比较，本发明可以节省大量时间和劳动力。
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
下面结合附图，以典型的神经网络方法为例，对本发明具体实施方式作进一步的详细说明。
实施例：参见图1，一种基于数据挖掘的地震影响房屋建筑易损性评价方法，包括以下步骤：
(1)综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的影响，确定不同的评价因子作为地震影响房屋建筑易损性评价的输入层。
具体而言，从地震影响下房屋建筑损毁的复杂性出发，选取包括地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性五方面的影响因素，并且，对应不同类别的影响因素，最终确定地震因素(包括震级、烈度、震中距和峰值加速度)，地基条件(包括地表岩性、覆盖层厚度、地下水埋深、承载力、地震液化等级和断层分布)，地形地貌(包括高程、坡度、坡向、坡位和微地貌)，气象水文(包括多年平均降雨量、暴雨频率和水系分布)及房屋建筑自身属性(包括建筑型式、结构类型、基础类型、使用年限、建筑材料特性和房屋建筑层数)等20多个评价因子，从而较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制。
(2)充分考虑地震影响下房屋建筑的损毁情况，把房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层，并定义房屋建筑的损毁程度，完全无损为0，完全损毁(倒塌)为1，其余按损耗程度对应为0-1之间的数值，这样能够确定地震影响房屋建筑易损性的评价标准，为后面地震影响房屋建筑易损性评价的准确性提供必要的保证。
(3)结合地质勘察、遥感影像、DEM(数字高程模型)、获取的地震气象等资料，用于获取地震影响房屋建筑易损性评价输入层、输出层的基础数据，作为待研究区域房屋建筑易损性及时、准确评价的重要前提。
具体而言，地震因素如峰值加速度(PGA)等数据可以从美国USGS网站下载；多年平均降雨量、暴雨频率等数据可以向当地气象局等相关部门获取；高程、坡度、坡向、坡位、微地貌等数据可以通过待研究区域的DEM(数字高程模型)提取生成；水系、断层等数据可以应用地质图导出；地基条件一般通过勘察资料获取；房屋建筑自身属性(建筑型式、结构类型、基础类型、使用年限、建筑材料特性、房屋建筑层数等)以及地震影响下房屋建筑损毁程度的相关数据一般可以通过现场勘察与遥感图像解译相结合的手段获取及完善。
(4)将获取的基础数据进行标准化/归一化处理，再根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库。数值结果均归一到[0，1]中，使各评价因子处于同一数量级上进行综合比较，这样就能够实现数据的标准化表达，为接下来快速、准确的评价做出必要的准备。转换函数如下：
式中：X为原始数据，X*为经过归一化处理后得到的数据，Xmin、Xmax分别为数据的最小值和最大值。
(5)采用神经网络、逻辑回归等人工智能分析方法，选取经过归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，以完成地震影响房屋建筑易损性评价模型的建立。
具体而言，以BP神经网络为例，首先通过上述步骤的操作，建立包括输入层和输出层在内的训练样本。然后，通过迭代计算确定BP神经网络评价模型。在整个迭代过程中，通过选用均方根值(RMSE)，可以最为标准地进行相关优化。
(6)应用GIS(地理信息系统)平台，通过数据接口，应用构建的评价模型完成对待研究区域房屋建筑易损性的仿真分析，经GIS(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图，以实现评价结果的可视化表达。
具体而言，选取地震影响房屋建筑易损性作为研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，根据步骤(4)中构建的房屋建筑易损性评价因子时空数据库，提取与房屋建筑易损性相关评价因子的时空信息，应用步骤(5)建立的评价模型，即可仿真计算每个评价单元对应的房屋建筑易损性。
进一步，参考《建(构)筑物地震破坏等级划分》(GB/T 24335-2009)中的相关条款，采用专家经验，对计算得到的房屋建筑易损性进行重分类，从而将房屋建筑的易损性划分为高、较高、中等、较低、低五个等级，最后在GIS(地理信息系统)平台上得到待研究区域的地震影响房屋建筑易损性评价区划图，实现评价结果的可视化表达。这样，就可以根据训练得到的评价模型，直接在输入层中输入房屋建筑易损性的各评价因子，即可获得该房屋建筑在地震影响下的易损性评价，可以用于地震下房屋建筑受损的快速评估以及实现对未来可能出现的地震引起房屋建筑产生损毁的预评估，从而为房屋震害的防治、工程建设规划选址提供指导建议。
Claims (6)
1.一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，包括以下步骤：
(1)从多个方面考虑设定评价因子作为地震影响房屋建筑易损性评价的输入层；所述多个方面包括但不限于地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身属性方面；
(2)评估地震影响下房屋建筑的损毁情况，确定房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层；
(3)获取地震影响房屋建筑易损性评价的输入层、输出层的基础数据；获取基础数据的手段包括但不限于地质勘察、遥感影像、数字高程模型和相关业务部门获取资料；
(4)将获取的基础数据进行标准化/归一化处理，根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库；
(5)采用人工智能分析方法，选取经过标准化/归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，建立地震影响房屋建筑易损性评价模型；
(6)根据研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，提取与房屋建筑易损性相关评价因子的时空信息，应用构建的评价模型，完成对待研究区域房屋建筑易损性的仿真分析，经地理信息系统重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图。
2.根据权利要求1所述的一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，步骤(1)中地震因素方面考虑的评价因子包括震级、烈度、震中距和峰值加速度中的一个或多个；地基条件方面考虑的评价因子包括地表岩性、覆盖层厚度、地下水埋深、承载力、地震液化等级和断层分布中的一个或多个；地形地貌方面考虑的评价因子包括高程、坡度、坡向、坡位和微地貌中的一个或多个；气象水文方面考虑的评价因子包括多年平均降雨量、暴雨频率和水系分布中的一个或多个；房屋建筑自身属性方面考虑的评价因子包括建筑型式、结构类型、基础类型、使用年限、建筑材料特性和房屋建筑层数中的一个或多个。
3.根据权利要求1所述一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，步骤(2)中充分考虑地震影响下房屋建筑的损毁情况，把房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层，并定义房屋建筑的损毁程度，完全无损为0，完全损毁(倒塌)为1，其余按损毁程度对应为0-1之间的数值，这样能够确定地震影响房屋建筑易损性的评价标准。
4.根据权利要求1所述一种基于数据挖掘的地震影响房屋建筑易损性评价方法，步骤(4)中将获取的基础数据进行标准化/归一化处理，使数值结果均归一到[0，1]中，使各评价因子处于同一数量级上进行综合比较，转换函数如下：
式中：X为原始数据；X*为经过归一化处理后得到的数据；Xmin、Xmax分别为数据的最小值和最大值。
5.根据权利要求1所述的一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，步骤(5)中采用神经网络或逻辑回归人工智能分析方法。
6.根据权利要求1所述的一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，步骤(6)中参考《建(构)筑物地震破坏等级划分》(GB/T 24335-2009)中的条款，采用专家经验，对计算得到的房屋建筑易损性进行重分类，从而将房屋建筑的易损性划分为高、较高、中等、较低、低五个等级，最后在GIS(地理信息系统)平台上得到待研究区域的地震影响房屋建筑易损性评价区划图，实现评价结果的可视化表达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811259565.6A CN109447460A (zh) | 2018-10-26 | 2018-10-26 | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811259565.6A CN109447460A (zh) | 2018-10-26 | 2018-10-26 | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447460A true CN109447460A (zh) | 2019-03-08 |
Family
ID=65547654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811259565.6A Pending CN109447460A (zh) | 2018-10-26 | 2018-10-26 | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447460A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044310A (zh) * | 2019-04-29 | 2019-07-23 | 黄山学院 | 一种基于bim的建筑设计装置 |
| CN110781261A (zh) * | 2019-10-14 | 2020-02-11 | 西南交通大学 | 基于地理空间信息的建筑物损坏风险筛查方法及系统 |
| CN112465356A (zh) * | 2020-11-30 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种改进的崩滑地质灾害物质易损性定量评价方法及系统 |
| CN112580930A (zh) * | 2020-11-20 | 2021-03-30 | 深圳城安软通科技集团有限公司 | 基于gis的深基坑工程风险识别技术的方法及系统 |
| CN113313273A (zh) * | 2021-07-28 | 2021-08-27 | 佛山市东信科技有限公司 | 基于大数据环境下的公共设施检测方法、系统和存储介质 |
| CN114723993A (zh) * | 2022-04-14 | 2022-07-08 | 江苏海洋大学 | 一种基于贝叶斯网络的农村房屋鉴定等级分类方法 |
| CN115204708A (zh) * | 2022-07-25 | 2022-10-18 | 江苏海洋大学 | 一种基于多层感知器神经网络的农村房屋危险等级分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950497A (zh) * | 2010-10-08 | 2011-01-19 | 王东明 | 一种地震现场灾害评估虚拟仿真培训系统 |
| CN104346538A (zh) * | 2014-11-26 | 2015-02-11 | 中国测绘科学研究院 | 基于三种灾情因子控制的地震灾害评估方法 |
| CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
| KR20180089598A (ko) * | 2017-01-31 | 2018-08-09 | 연세대학교 산학협력단 | 구조재 및 비구조재의 수리비용을 고려한 건축물 내진성능평가 구성 방법 |
-
2018
- 2018-10-26 CN CN201811259565.6A patent/CN109447460A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950497A (zh) * | 2010-10-08 | 2011-01-19 | 王东明 | 一种地震现场灾害评估虚拟仿真培训系统 |
| CN104346538A (zh) * | 2014-11-26 | 2015-02-11 | 中国测绘科学研究院 | 基于三种灾情因子控制的地震灾害评估方法 |
| CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
| KR20180089598A (ko) * | 2017-01-31 | 2018-08-09 | 연세대학교 산학협력단 | 구조재 및 비구조재의 수리비용을 고려한 건축물 내진성능평가 구성 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 陈大川 等: "基于BP神经网络模型的村镇砖砌体结构震害预测研究", 《地震工程与工程振动》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044310A (zh) * | 2019-04-29 | 2019-07-23 | 黄山学院 | 一种基于bim的建筑设计装置 |
| CN110044310B (zh) * | 2019-04-29 | 2021-04-23 | 黄山学院 | 一种基于bim的建筑设计装置 |
| CN110781261A (zh) * | 2019-10-14 | 2020-02-11 | 西南交通大学 | 基于地理空间信息的建筑物损坏风险筛查方法及系统 |
| CN112580930A (zh) * | 2020-11-20 | 2021-03-30 | 深圳城安软通科技集团有限公司 | 基于gis的深基坑工程风险识别技术的方法及系统 |
| CN112465356A (zh) * | 2020-11-30 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种改进的崩滑地质灾害物质易损性定量评价方法及系统 |
| CN113313273A (zh) * | 2021-07-28 | 2021-08-27 | 佛山市东信科技有限公司 | 基于大数据环境下的公共设施检测方法、系统和存储介质 |
| CN113313273B (zh) * | 2021-07-28 | 2021-10-29 | 佛山市东信科技有限公司 | 基于大数据环境下的公共设施检测方法、系统和存储介质 |
| CN114723993A (zh) * | 2022-04-14 | 2022-07-08 | 江苏海洋大学 | 一种基于贝叶斯网络的农村房屋鉴定等级分类方法 |
| CN114723993B (zh) * | 2022-04-14 | 2023-07-04 | 江苏海洋大学 | 一种基于贝叶斯网络的农村房屋鉴定等级分类方法 |
| CN115204708A (zh) * | 2022-07-25 | 2022-10-18 | 江苏海洋大学 | 一种基于多层感知器神经网络的农村房屋危险等级分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447460A (zh) | 一种基于数据挖掘的地震影响房屋建筑易损性评价方法 | |
| Anbazhagan et al. | Geoinformatics in groundwater potential mapping and sustainable development: a case study from southern India | |
| Sarvestani et al. | Three decades of urban growth in the city of Shiraz, Iran: A remote sensing and geographic information systems application | |
| Pellicani et al. | Assessing landslide exposure in areas with limited landslide information | |
| Pareschi et al. | GIS and volcanic risk management | |
| Chowdhury et al. | Integrated remote sensing and GIS‐based approach for assessing groundwater potential in West Medinipur district, West Bengal, India | |
| Hadjimitsis et al. | Exploring natural and anthropogenic risk for cultural heritage in Cyprus using remote sensing and GIS | |
| CN112182234B (zh) | 流域防洪规划数据知识图谱构建方法 | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| Sadeghfam et al. | Transforming subsidence vulnerability indexing based on ALPRIFT into risk indexing using a new fuzzy-catastrophe scheme | |
| Pazzi et al. | Testing cost-effective methodologies for flood and seismic vulnerability assessment in communities of developing countries (Dajç, northern Albania) | |
| CN105354345A (zh) | 一种三维地下空间全要素模型实时浏览方法 | |
| CN111932591A (zh) | 典型地质灾害遥感智能提取的方法与系统 | |
| Patil et al. | Landslide susceptibility mapping using landslide numerical risk factor model and landslide inventory prepared through OBIA in Chenab Valley, Jammu and Kashmir (India) | |
| Maurya et al. | Land use/land cover dynamics study and prediction in jaipur city using CA markov model integrated with road network | |
| CN109784602A (zh) | 一种基于ptva模型的多灾种耦合物理脆弱性评估方法 | |
| Zhou | Application of artificial intelligence in geography | |
| Davis et al. | Post-Hurricane Michael damage assessment using ADCIRC storm surge hindcast, image classification, and LiDAR | |
| Jibril et al. | Identification of suitable landfill sites for Kumo urban area Gombe State, Nigeria | |
| Barone et al. | Ground‐penetrating Radar in the Regio III (Pompeii, Italy): Archaeological Evidence | |
| Rao et al. | Run-off and flood estimation in Krishna River Delta using Remote Sensing & GIS | |
| Lopez et al. | Identifying urban features from LiDAR for a high‐resolution urban hydrologic model | |
| Chowdhury et al. | Application of remote sensing and GIS in groundwater studies: an overview | |
| Zhang et al. | Assessment of Geological Hazards in Ningde Based on Hybrid Intelligent Algorithm. | |
| Kvamme et al. | New approaches to the use and integration of multi-sensor remote sensing for historic resource identification and evaluation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |