CN114792020A - 一种基于机器学习的建筑抗震韧性快速评估方法及系统 - Google Patents
一种基于机器学习的建筑抗震韧性快速评估方法及系统 Download PDFInfo
- Publication number
- CN114792020A CN114792020A CN202210377634.3A CN202210377634A CN114792020A CN 114792020 A CN114792020 A CN 114792020A CN 202210377634 A CN202210377634 A CN 202210377634A CN 114792020 A CN114792020 A CN 114792020A
- Authority
- CN
- China
- Prior art keywords
- building
- earthquake
- design
- evaluated
- structural
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 238000013461 design Methods 0.000 claims abstract description 201
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 238000012938 design process Methods 0.000 abstract description 6
- 230000006378 damage Effects 0.000 description 33
- 239000010410 layer Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000033001 locomotion Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 239000011229 interlayer Substances 0.000 description 7
- 230000008439 repair process Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000011150 reinforced concrete Substances 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 235000011475 lollipops Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的建筑抗震韧性快速评估方法及系统，属于建筑抗震韧性评估领域，首先获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；然后根据地理位置信息和地质条件信息，提取待评估建筑的地震危险性特征；根据建筑设计模型，提取待评估建筑的建筑设计特征；根据结构设计模型，提取待评估建筑的结构设计特征；再将待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果。该方法能够减少建筑设计过程中的迭代调整工作，提升建筑设计效率。
Description
技术领域
本发明涉及建筑抗震韧性评估领域，特别是涉及一种基于机器学习的建筑抗震韧性快速评估方法及系统。
背景技术
传统建筑抗震设计主要关注如何减轻因地震导致的建筑物倒塌破坏，从而减少由于建筑物倒塌导致的人员伤亡。近年来的大地震，例如2011年日本“3·11”大地震和新西兰基督城地震，表明按照现行规范设计的建筑基本实现了大震不倒的抗震设防目标，但建筑物在地震后遭受严重的损伤，震后修复重建难度大、成本高、时间长，造成了巨大的社会经济冲击。因此，建筑设计时对建筑的抗震韧性指标进行评估，使建筑满足抗震韧性目标，显得尤为重要。
然而，现有的抗震韧性评估方法，通常是在建筑的常规结构设计完成后，再进行抗震韧性评估，如果不满足预期的抗震韧性目标，则需要对原设计进行迭代调整，直至抗震韧性评估结果满足韧性目标，这样会大幅降低设计效率。如果能够在结构初步设计阶段，结构工程师选取结构体系、强度、刚度、延性等结构设计特征的过程中，了解这些结构设计特征对抗震韧性的影响，选取出满足抗震韧性目标的结构设计特征的组合，将大大减少对建筑设计的迭代调整工作，从而能够提高设计效率。因此，如何在结构设计的初步阶段对建筑抗震韧性进行快速评估，选取出满足抗震韧性目标的结构设计特征的组合，以减少设计过程中的迭代调整工作，从而提高设计效率，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种基于机器学习的建筑抗震韧性快速评估方法及系统，以减少建筑设计过程中的迭代调整工作，有效提升建筑设计效率。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提出了一种基于机器学习的建筑抗震韧性快速评估方法，所述方法包括：
获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征；
根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征；
根据所述结构设计模型，提取所述待评估建筑的结构设计特征；
将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
可选的，所述地震危险性特征包括设计基本地震加速度和设计特征周期。
可选的，所述根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征，具体包括：
获取所述待评估建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待评估建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值；
根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待评估建筑的设计基本地震加速度和设计地震分组；
根据所述待评估建筑所处建筑场地对应的地质勘察报告，获得所述待评估建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度；
根据土层等效剪切波速和场地覆盖层厚度，确定所述待评估建筑的场地类别；
根据设计地震分组和场地类别，确定所述待评估建筑的设计特征周期。
可选的，所述建筑设计特征包括建筑类别和建筑层数。
可选的，所述根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征，具体包括：
根据所述待评估建筑的建筑设计模型的基本参数，确定所述待评估建筑的建筑类别和建筑层数。
可选的，所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数。
可选的，所述根据所述结构设计模型，提取所述待评估建筑的结构设计特征，具体包括：
根据所述待评估建筑的结构设计模型的基本参数，确定所述待评估建筑的构件材料与抗侧力体系以及构件材料、截面尺寸、楼层重力荷载代表值；
根据构件材料和截面尺寸，获得楼层抗侧刚度；
根据楼层重力荷载代表值，确定楼层地震质量；
对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期；
计算结构基本自振周期与所述待评估建筑的建筑层数的比值，得到结构周期系数；
根据构件材料和截面尺寸，获得楼层屈服强度；
采用底部剪力法或振型分解反应谱法计算得到所述待评估建筑的地震层剪力；
计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数；
对所述待评估建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移；
计算极限强度与楼层屈服强度的比值，得到结构极限强度系数；
计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
可选的，所述韧性评估结果包括所述待评估建筑倒塌后的人员伤亡、经济损失、恢复时间的韧性指标。
另一方面，本发明还提出了一种基于机器学习的建筑抗震韧性快速评估系统，所述系统包括：
待评估建筑信息获取模块，用于获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
地震危险性特征提取模块，用于根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征；
建筑设计特征提取模块，用于根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征；
结构设计特征提取模块，用于根据所述结构设计模型，提取所述待评估建筑的结构设计特征；
建筑抗震韧性评估模块，用于将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于机器学习的建筑抗震韧性快速评估方法及系统，首先获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息等基础信息；根据这些待评估建筑现有的基础信息，分别提取得到待评估建筑的地震危险性特征、建筑设计特征以及结构设计特征，再将地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，即可输出得到该建筑的韧性评估结果，实现建筑设计过程中的建筑抗震韧性评估。将机器学习技术应用于建筑设计韧性评估领域中，通过机器学习建立地震危险性特征、建筑设计特征以及结构设计特征与建筑抗震韧性指标的映射关系，能够为建筑设计人员提供实时的抗震韧性指标反馈，辅助设计人员按需合理选取相应的结构设计特征，使建筑设计人员在结构初步设计阶段，直接选择出基本满足抗震韧性目标的结构设计特征的组合，从而能够有效减少结构设计完成后的迭代调整工作，进而有效提高设计效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1为本发明实施例1提供的基于机器学习的建筑抗震韧性快速评估方法的流程图；
图2为本发明实施例1提供的多自由度集中质量层模型的示意图；
图3为本发明实施例1提供的框架结构骨架线参数确定示意图；
图4为本发明实施例1提供的钢结构滞回模型的结构示意图；
图5为本发明实施例1提供的钢筋混凝土结构滞回模型的结构示意图；
图6为本发明实施例1提供的由易损性曲线获得结构在不同地震强度下处于不同损伤状态概率的示意图；
图7为本发明实施例1提供的韧性指标概念示意图；
图8为本发明实施例1提供的本发明方法与传统基于动力增量分析的建筑抗震韧性评估方法的对比图；
图9为本发明实施例2提供的基于机器学习的建筑抗震韧性快速评估系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种基于机器学习的建筑抗震韧性快速评估方法及系统，以减少建筑设计过程中的迭代调整工作，有效提升建筑设计效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于机器学习的建筑抗震韧性快速评估方法，该方法具体包括以下步骤：
步骤S1、获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息。
本实施例中，待评估建筑的建筑设计模型指的是包含待评估建筑的建筑设计数据的模型；结构设计模型指的是包含待评估建筑的结构设计数据的模型；地理位置信息指的是待评估建筑的经纬度坐标信息；地质条件信息指的是待评估建筑的建筑场地的地质情况。建筑设计模型、结构设计模型、地理位置信息以及地质条件信息均为现成的基础数据。
步骤S2、根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征。
本实施例中，所述地震危险性特征包括设计基本地震加速度和设计特征周期。
步骤S2的具体步骤如下：
步骤S2.1、获取所述待评估建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待评估建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值。
步骤S2.2、根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待评估建筑的设计基本地震加速度和设计地震分组。
本实施例中，待评估建筑的设计基本地震加速度分别为0.05g、0.10g、0.15g、0.20g、0.30g、0.40g，其中g表示重力加速度。
本实施例中，设计地震分组分为第一组、第二组和第三组。设计地震分组是表征地震震级及震中距影响的一个专有名词，第一组、第二组、第三组分别代表近震区、中远震区、远震区。由动峰值加速度值和基本地震动加速度反应谱特征周期值共同确定。
步骤S2.3、根据所述待评估建筑所处建筑场地对应的地质勘察报告，获得所述待评估建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度。
步骤S2.4、根据土层等效剪切波速和场地覆盖层厚度，确定所述待评估建筑的场地类别。
应说明的是，建筑的场地类别可依据建筑抗震设计规范GB50011-2010进行确定。本实施例中将待评估建筑的场地类别分为I0、I1、II、III、IV五类。
步骤S2.5、根据步骤S2.2得到的设计地震分组和步骤S2.4得到的场地类别，确定所述待评估建筑的设计特征周期。
本实施例中，设计特征周期指的是抗震设计用的地震影响系数曲线中，反应地震震级、震中距和场地类型等因素的下降段起始点对应的周期值。设计特征周期值根据具体的设计地震分组和场地类别，通过查询建筑抗震设计规范GB50011-2010中表5.1.4-2可直接得到。
步骤S2.6、将步骤S2.2中得到的设计基本地震加速度和步骤S2.5中得到的设计特征周期作为待输入的地震危险性特征。
步骤S3、根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征。
本实施例中，所述建筑设计特征包括建筑类别和建筑层数。
步骤S3的具体步骤如下：
根据所述待评估建筑的建筑设计模型的基本参数，确定所述待评估建筑的建筑类别和建筑层数。其中，建筑类别指的是待评估建筑的使用类别，例如学校、办公楼、住宅、医院等。建筑层数指的是待评估建筑的楼层数量。建筑类别和建筑层数为基础数据，均可根据建筑设计模型直接得到。
步骤S4、根据所述结构设计模型，提取所述待评估建筑的结构设计特征。
本实施例中，所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数。
步骤S4的具体步骤如下：
步骤S4.1、根据所述待评估建筑的结构设计模型的基本参数，可直接确定所述待评估建筑的构件材料(如钢、钢筋混凝土等材料)与抗侧力体系(如框架、支撑框架、剪力墙等)以及建筑结构的截面尺寸、楼层重力荷载代表值。
步骤S4.2、根据构件材料和截面尺寸，获得楼层抗侧刚度。
步骤S4.3、根据楼层重力荷载代表值，确定楼层地震质量。
步骤S4.4、对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期。
步骤S4.5、计算结构基本自振周期与所述待评估建筑的建筑层数的比值，得到结构周期系数。
步骤S4.6、根据构件材料和截面尺寸，获得楼层屈服强度。
步骤S4.7、采用底部剪力法或振型分解反应谱法计算得到所述待评估建筑的地震层剪力。
步骤S4.8、计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数。
步骤S4.9、对所述待评估建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移。
步骤S4.10、计算极限强度与楼层屈服强度的比值，得到结构极限强度系数。
步骤S4.11、计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
步骤S4.12、将步骤S4.1中得到的结构材料与抗侧力体系，步骤S4.5中得到的结构周期系数，步骤S4.8中得到的结构屈服强度系数，步骤S4.10中得到的结构极限强度系数和步骤S4.11中得到的延性系数作为待输入的结构设计特征。
步骤S5、将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
本发明基于数值模拟数据建立了建筑抗震韧性评估模型，并对建筑抗震韧性评估模型进行训练，从而得到训练好的建筑抗震韧性评估模型，利用基于机器学习技术的训练好的建筑抗震韧性评估模型对初期设计阶段设计出待评估建筑进行抗震韧性评估，评估时输入的是的待评估建筑的地震危险性特征、建筑设计特征和结构设计特征，输出的是待评估建筑的韧性评估结果，韧性评估结果包括待评估建筑倒塌后的人员伤亡、经济损失、恢复时间的韧性指标。
本发明构建并训练建筑抗震韧性评估模型的具体步骤如下：
(1)确定建筑抗震韧性评估模型的输入特征，在考虑输入特征时，一方面输入特征要反应出地震特点，即当前建筑场地遭遇不同强度地震的概率是多少；另一方面输入特征还要反应出建筑结构特征，区别不同的建筑，主要体现出与建筑设计相关的建筑用途、尺寸，与结构设计相关的选用的结构体系、强度、刚度、延性等，这些特征不同，建筑的地震响应、带来的经济损失等韧性指标随之改变。
本实施例选择的输入特征包括：用于表征设计使用年限内所有可能地震的地震危险性特征，包括设计基本地震加速度和设计特征周期等；用于表征建筑使用功能、建筑尺寸等的建筑设计特征，包括建筑类别和建筑层数等；用于表征结构体系、强度、刚度、延性等的结构设计特征，包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数等。
(2)确定建筑抗震韧性评估模型的输出特征，本实施例选择的输出特征包括人员伤亡、经济损失、恢复时间等韧性指标。
应说明的是，韧性评估结果包括但不限于人员伤亡、经济损失、恢复时间等韧性指标，输入特征和输出特征均可根据实际情况自行设定。
(3)在满足设计规范要求的前提下，随机生成地震危险性特征、建筑设计特征和结构设计特征的组合，代表不同的原型建筑，从而获取得到模型训练时使用的输入特征样本。
(4)建立原型建筑的多自由度集中质量层模型，根据各个原型建筑的结构设计参数，确定多自由度集中质量层模型的本构关系和滞回模型。
其中，多自由度集中质量层模型如图2所示，图2中左侧的弹簧结构表示水平剪切弹簧，表征剪切变形为主的结构构件，右侧的“棒棒糖”形状结构表示转动弹簧，表征弯曲变形为主的结构构件；中间的圆圈结构表示集中质量，即单层建筑的质量；水平直线以及两端的小圆圈用于使用刚性杆连接层单层建筑质量、水平剪切弹簧和转动弹簧，这种连接方式表示两个弹簧并联。
本实施例中，多自由度集中质量层模型的本构关系，指的是多自由度集中质量层模型中应力张量与应变张量的关系，即单层建筑受力与变形的关系，例如图3中示出的框架结构骨架线中，抗侧力和侧向位移之间的受力与变形的关系。滞回模型指的是建筑结构在往复地震作用下加载、卸载的地震力下所呈现出的特点，例如，通常认为钢结构是饱满的，如图4和图5所示，而钢筋混凝土结构会发生捏拢，即二四象限会向内收缩，会影响建筑结构耗散地震能量的能力，从而对地震的响应不同。本发明中，多自由度集中质量层模型的本构关系和滞回模型是结构建模的关键，是结构分析的基础，参与下一步骤中的动力增量分析中。
(5)选择与建筑场地和结构无关的大量强地震动记录，结合步骤(4)中得到的多自由度集中质量层模型的本构关系和滞回模型进行动力增量分析，直至原型建筑结构发生倒塌，获取每个地震动强度下每个地震动记录的工程需求参数，包括：层间位移角、层加速度、残余层间位移角等。
本实施例中，强地震动记录可从现有的强震记录数据库中选择，例如美国太平洋地震研究中心的PEERNGA-West2数据库以及日本防灾科学技术研究所的K-NET、KiK-net数据库等强震记录数据库。
容易理解的是，强地震动记录的来源是多样的，其具体的来源不应作为对本发明保护范围的限定，可以使用其他国家的强震记录数据库，还可以选用来自中国地震局等国内来源的强震记录数据库。
动力增量分析(Incremental DynamicAnalysis，IDA)是一种通过对地震动记录不断调幅、逐步增大地震动强度等方法，分析建筑结构在不同地震动幅值下的各个工程需求参数的数据分析方法。
(6)根据结构构件(如梁、柱等)、位移相关型非结构构件(如填充墙等)、加速度非结构构件(如吊顶等)、内容物(如办公电脑等)处于不同损伤状态(完好、轻微损伤、中等损伤、严重损伤、完全破坏等)的工程需求参数阈值，结合步骤(5)得到的工程需求参数，绘制出不同类型构件处于不同损伤状态的易损性曲线，并从中读取不同类型构件处于不同损伤状态的概率，如图6所示。
例如，本实施例可根据美国HAZUS报告、美国FEME-P-58报告或者中国国家标准GB/T38591-2020建筑抗震韧性评价标准等数据来源，对于填充墙的层间位移角的4个阈值0.004、0.008、0.025、0.05，分别划分出以下5个损伤状态：完好状态对应的工程需求参数阈值为0～0.004、轻微损伤状态对应的工程需求参数阈值为0.004～0.008、中等损伤状态对应的工程需求参数阈值为0.008～0.025、严重损伤状态对应的工程需求参数阈值为0.025～0.05、完全破坏状态对应的工程需求参数阈值为大于0.05。
(7)根据不同类型构件处于不同损伤状态可能造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(恢复天数)、伤亡人数的函数，确定不同地震强度水平下，由于地震动差异性导致的工程需求参数差异性而产生的不同类型构件处于不同损伤状态的概率的经济损失、恢复时间、伤亡人数等韧性指标。
本实施例中，韧性评估结果包括待评估建筑倒塌后的人员伤亡、经济损失、恢复时间的韧性指标，如图7所示，其中，人员伤亡指的是待评估建筑倒塌后的伤亡人员的数量、受伤率或死亡率等；经济损失为一个百分比数值，指的是待评估建筑倒塌损失金额与建筑总金额的比值；恢复时间指的是待评估建筑倒塌后重建使该建筑恢复原貌所需要的时间，单位为日。
本实施例中，不同类型构件处于不同损伤状态可能造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(恢复天数)、伤亡人数的函数也来源于美国HAZUS报告、美国FEME-P-58报告或者中国国家标准GB/T38591-2020建筑抗震韧性评价标准等，还可以来源于其他统计数据库，可根据实际需求自行选择。
(8)将地震危险性纳入韧性指标，获得考虑地震危险性的经济损失、恢复时间、伤亡人数等韧性指标，作为输出特征。其中，地震危险性指的是某一建筑场地上，在关心的时间范围内，由于附近发生地震的影响，而使某一选定的强度量超过某一特定的临界水平的概率。
(9)循环步骤(3)-(8)生成数据集，数据集包括地震危险性特征、建筑设计特征和结构设计特征，以及相应的人员伤亡、经济损失、恢复时间等韧性指标。然后采用留出法将数据集划分为训练集与测试集，利用训练集进行交叉验证，对建筑抗震韧性评估模型进行训练，进行机器学习算法超参数优化；利用测试集进行建筑抗震韧性评估模型的机器学习性能测试，最终基于均方根误差、平均绝对误差以及可决系数选取性能最佳的建筑抗震韧性评估模型，将其作为训练好的建筑抗震韧性评估模型，从而获得可以用于韧性指标预测的建筑抗震韧性评估模型。
在得到训练好的建筑抗震韧性评估模型后，将步骤S2-S4提取到的待评估建筑的地震危险性特征、建筑设计特征和结构设计特征同时输入到训练好的建筑抗震韧性评估模型中，即可输出韧性评估结果。
下面结合传统的基于动力增量分析的建筑抗震韧性评估方法，进一步对比出本发明方法与传统方法的区别：
基于动力增量分析的建筑抗震韧性评估方法，是产生机器学习模型训练所需数据的方法，具体包括：
步骤A1、地震危险性分析：通过随机生成的设计基本地震加速度、抗震设计分组和场地类别的组合，获得地震危险性曲线，即地震强度IM及其超越概率的曲线，可以根据多遇地震50年超越概率63％、设防地震50年超越概率10％、罕遇地震50年超越概率2％，进行地震危险性曲线的拟合，其中，超越概率是指在一定时期内，建设场地可能遭遇大于或等于给定的地震烈度值或地震动参数值的概率，地震危险性曲线的表达式为公式(1)：
λIM＝P(IM≥x)＝kzx-k (1)
其中，IM表示地震强度，λIM表示地震强度超越概率，x表示给定的地震烈度值，k和kz为待定系数；
某一地震强度的发生概率为公式(2)：
P(im)＝λ(im-Δim)+λ(im+Δim) (2)
其中，im表示某一地震强度，P(im)表示某一地震强度的发生概率，λ(im)表示某一地震强度的超越概率，Δim表示地震强度变化量，可取动力增量分析地震动记录调幅间隔的一半。
步骤A2、结构响应分析：通过随机生成的建筑设计特征和结构设计特征组合，建立多自由度集中质量层模型。如图2所示，以剪切变形为主的框架简化为水平剪切弹簧，以弯曲变形为主的剪力墙简化为转动弹簧，当同时存在框架和剪力墙时，二者通过刚性杆并联。
如图3所示，模拟框架结构的剪切弹簧骨架线可以根据结构设计特征确定，根据建筑层数N和结构周期系数Ct确定结构基本周期T，即T＝N×Ct。假设刚度和质量沿楼层均匀分布，则弹性刚度k0只与层数有关且可由特征值分析得到，根据基底剪力法或振型分解反应谱法可得各层的设计地震剪力，将其作为设计强度Vd；根据层结构屈服强度系数Ωy可得屈服强度Vy＝Ωy×Vd，根据层结构极限强度系数Ωu可得极限强度Vu＝Ωu×Vy；根据屈服强度Vy和弹性刚度k0可得屈服强度对应位移Dy＝Vy/k0；根据延性系数μ可得极限强度对应位移Du＝μ×Dy，至此完全确定结构骨架线。本实施例采用的钢结构和钢筋混凝土结构滞回模型分别如图4和图5所示。
为考虑地震动的变异性，即不同地震动由于幅值、频谱、持时特征不同，会造成不同的结构响应，同时为保证选取的地震动记录适用于生成的位于不同场地的不同结构，选取大量与结构和场地无关的地震动进行动力增量分析，获得层间位移角、残余层间位移角、层加速度等结构响应随地震强度的分布。此处，还可以采用截断的动力增量分析(truncated IDA)或多条带分析(Multiple Stripe Analysis，MSA)或者SPO2IDA软件等方法以简化分析。
容易理解的是，截断的动力增量分析法、多条带分析法以及SPO2IDA方法均是本领域的现有技术，此处不再赘述。并且，容易理解的是，本发明不限定具体的简化分析方法，除了截断的动力增量分析法、多条带分析法以及SPO2IDA方法还可以使用其他简化方法，可根据实际情况自行确定。
步骤A3、损伤分析：根据步骤A2获得的结构响应，进行易损性分析。本实施例中，损伤状态由轻至重可以分为：完好状态(ds＝0)、轻微损伤状态(ds＝1)、中度损伤状态(ds＝2)、严重损伤状态(ds＝3)、完全破坏状态(ds＝4)。各个损伤状态可以看作结构响应的连续函数，即存在四个阈值，划分不同的损伤状态。本实施例中的损伤状态阈值取值参考被广泛采用的HAZUS模型，考虑层间位移角影响结构构件、位移敏感型非结构构件损伤，以及层加速度影响到加速度敏感型非结构构件、内容物损伤，同时考虑层残余位移角大于0.5％时，结构损伤严重，此时，通常业主对建筑会选择拆除重建，认为所有构件处于完全破坏状态。
并且，损伤状态的评估可以是多层次的，例如建筑层次的评估基于所有楼层的最大响应，楼层层次的评估基于楼层的峰值响应，构件层次的评估或基于楼层的峰值响应或基于构件的局部响应，本实施例采用的是基于建筑层次的评估。由易损性曲线，可以获取不同地震强度下，结构处于不同损伤状态的概率，即P(ds＝i|im)，i＝0，1，…，4，如附图6所示。
步骤A4、损失分析：根据步骤A3获得的不同类型构件处于不同损伤状态概率，结合不同损伤状态对应的结果函数，进行损失分析。结果函数是指不同类型构件处于不同损伤状态，会造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(包括决策、筹备、修复时间等)、人员伤亡情况(伤亡人员数量、受伤率、死亡率)等，可表示为F(ds＝i)。
韧性指标R可以综合包括多个韧性指标，其概念如图7所示。应说明的是，这里的韧性指标R并不是特指某一种韧性指标，可以是例如人员伤亡、经济损失、恢复时间、韧性指数等业主感兴趣并认为重要的决策变量。
考虑经济损失L和恢复时间TRE的影响，公式(3)为韧性指标R的数学表达式：
其中，tOE表示地震发生时刻，TLC表示考虑时间，L表示经济损失，Q(t)表示功能函数；
功能函数Q(t)的表达式为公式(4)：
Q(t)＝1-L(I,TRE){H(t-tOE)-H[t-(tOE+TRE)]}×fREC(t,tOE,TRE) (4)
其中，TRE表示恢复时间，L(I,TRE)是损失函数，即修复或重置费用占重置费用的比例，H(·)是赫维赛德阶跃函数，fREC(t,tOE,TRE)是恢复时间函数，根据用于抗震救灾的社会资源的丰富性，可以分为线性函数、指数函数、三角函数等不同类型，本实施例采用基于指数函数的恢复时间函数，其表达式为公式(5)：
fREC(t,tOE,TRE)＝exp[-(t-tOE)(ln200)/TRE] (5)
至此，可以针对单一地震强度的韧性指标，进而考虑损伤状态概率和地震危险性，可以得到最终的韧性指标概率，可以根据需求选择概率加权平均值、中位值等，作为设计人员和业主的决策依据。
最终得到的韧性指标概率的表达式为公式(6)：
L(ds|im)＝ΣF(ds＝i)×P(ds＝i|im)×P(im) (6)
其中，L(ds|im)表示韧性指标概率，F(ds＝i)表示结果函数，P(ds＝i|im)表示不同地震强度下结构处于不同损伤状态的概率，P(im)表示地震强度的发生概率。
通过上述步骤A1-A4完成数据的收集，为消除特征量纲、绝对值大小带来的可能偏差，本实施例采用Min-Max标准化方法对其进行标准化处理，将原始特征转化为[0,1]区间内的无量纲量，表达式为公式(7)：
其中，x为原始特征值，x’为标准化的特征值。
基于标准化的数据集，获取可应用的机器学习模型。本发明涉及的机器学习主要指监督学习算法，即已知输入特征对应的输出特征作为数据标签，包括回归和分类两类算法。其中，回归算法可以用于人员伤亡、经济损失、恢复时间等韧性指标的数值预测。还需要说明的是，初步设计阶段的韧性评估结果，通常被用于结构设计方案的必选，其相对大小的意义远超绝对值意义。为了方便设计人员与业主进行沟通，提供更直观的韧性指标结果，可以进一步为韧性指标划分等级，因此也可采用分类算法对韧性指标的等级进行预测。分级标准可以参考GB/T38591-2020《建筑抗震韧性评价标准》等规范标准以及业主的具体需求进行选择。
需要说明的是，本发明不限定机器学习算法的具体类别，例如线性回归(LR)、支持向量回归(SVR)、多层感知机(MLP)、k近邻(KNN)、决策树(DT)以及极限梯度提升树(XGBoost)等算法均可作为机器学习模型算法进行训练与性能评价。
为比较各个算法的性能，本发明采用留出法对机器学习模型进行训练，例如将70％的数据作为训练集，30％的数据作为测试集，同时在训练集上通过k折交叉验证进行算法超参数的优化。例如针对回归任务采用均方根误差(RMSE)和可决系数(R2)作为性能度量，比较上述六种算法的性能，结果如表1所示：
表1六种算法的性能对比
根据表1可直观得出，极限梯度提升树算法在测试集上取得了最小的均方根误差和最大的可决系数，因此，极限梯度提升树算法表现出最佳性能，因此，本实施例优选极限梯度提升树算法，将极限梯度提升树算法作为机器学习算法应用到建筑抗震韧性评估模型的构建和训练过程中，以提升模型的评估精度和效率。
图8示出了本发明方法与传统的基于动力增量分析的建筑抗震韧性评估方法的对比图，可以看出，传统的基于动力增量分析的建筑抗震韧性评估方法需要进行地震危险性分析、结构响应分析、损伤分析以及损失分析才能输出韧性指标。而本发明提出的基于机器学习的建筑抗震韧性快速评估方法只需将提取的地震危险性特征、建筑设计特征和结构设计特征输入到预先训练好的机器学习模型即建筑抗震韧性评估模型中，即可得到数据化的韧性指标，将繁复的建模分析过程前置，在设计过程中提供实时的韧性指标预测结果，效率更高。
本发明提出了一种基于机器学习的建筑抗震韧性快速评估方法，不仅考虑到了地震危险性，即建筑全寿命周期的全部可能地震的影响，还兼顾考虑到层间位移角、层加速度、残余位移角等多种工程需求参数的影响，还考虑到结构构件、非结构构件处于不同损伤状态的概率，以及其对人员伤亡、经济损失、恢复时间等韧性指标的影响，能够输出反映该建筑抗震韧性的韧性评估结果，为建筑设计人员初步阶段设计的建筑模型提供实时的抗震韧性指标反馈，使辅助设计人员能够根据韧性评估结果按需、合理地选择出基本满足抗震韧性目标的结构设计特征的组合，从而减少结构设计完成后的迭代调整工作，进而有效提高了设计效率，更快速、高质量地完成建筑设计工作。
实施例2
如图9所示，本实施例提供了一种基于机器学习的建筑抗震韧性快速评估系统，该系统采用实施例1中的基于机器学习的建筑抗震韧性快速评估方法，系统中各个模块的功能与实施例1方法各个步骤相同且一一对应，所述系统包括：
待评估建筑信息获取模块M1，用于获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
地震危险性特征提取模块M2，用于根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征；
建筑设计特征提取模块M3，用于根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征；
结构设计特征提取模块M4，用于根据所述结构设计模型，提取所述待评估建筑的结构设计特征；
建筑抗震韧性评估模块M5，用于将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
容易理解的是，本发明实施例中提及到的建筑抗震设计规范GB50011-2010、中国国家标准GB/T38591-2020建筑抗震韧性评价标准等各种规范性文件，其中的年份仅仅是指实施例中当前采用的相应规范文件的修订年份，例如，建筑抗震设计规范GB50011-2010，其中2010指的是本发明采用的是建筑抗震设计规范GB50011的2010年修订版本。容易理解的是，各个规范文件可能会随着时间进行持续修订、更新，因此，相应的修订年份和版本不应作为对本发明保护范围的限定，本发明采用的各个规范文件可根据实际情况自行选择，均应以最新版本为准。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述方法包括：
获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征；
根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征；
根据所述结构设计模型，提取所述待评估建筑的结构设计特征；
将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
2.根据权利要求1所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述地震危险性特征包括设计基本地震加速度和设计特征周期。
3.根据权利要求2所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征，具体包括：
获取所述待评估建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待评估建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值；
根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待评估建筑的设计基本地震加速度和设计地震分组；
根据所述待评估建筑所处建筑场地对应的地质勘察报告，获得所述待评估建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度；
根据土层等效剪切波速和场地覆盖层厚度，确定所述待评估建筑的场地类别；
根据设计地震分组和场地类别，确定所述待评估建筑的设计特征周期。
4.根据权利要求1所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述建筑设计特征包括建筑类别和建筑层数。
5.根据权利要求4所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征，具体包括：
根据所述待评估建筑的建筑设计模型的基本参数，确定所述待评估建筑的建筑类别和建筑层数。
6.根据权利要求1所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数。
7.根据权利要求6所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述根据所述结构设计模型，提取所述待评估建筑的结构设计特征，具体包括：
根据所述待评估建筑的结构设计模型的基本参数，确定所述待评估建筑的构件材料与抗侧力体系以及构件材料、截面尺寸、楼层重力荷载代表值；
根据构件材料和截面尺寸，获得楼层抗侧刚度；
根据楼层重力荷载代表值，确定楼层地震质量；
对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期；
计算结构基本自振周期与所述待评估建筑的建筑层数的比值，得到结构周期系数；
根据构件材料和截面尺寸，获得楼层屈服强度；
采用底部剪力法或振型分解反应谱法计算得到所述待评估建筑的地震层剪力；
计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数；
对所述待评估建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移；
计算极限强度与楼层屈服强度的比值，得到结构极限强度系数；
计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
8.根据权利要求1所述的基于机器学习的建筑抗震韧性快速评估方法，其特征在于，所述韧性评估结果包括所述待评估建筑倒塌后的人员伤亡、经济损失、恢复时间的韧性指标。
9.一种基于机器学习的建筑抗震韧性快速评估系统，其特征在于，所述系统包括：
待评估建筑信息获取模块，用于获取待评估建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
地震危险性特征提取模块，用于根据所述地理位置信息和所述地质条件信息，提取所述待评估建筑的地震危险性特征；
建筑设计特征提取模块，用于根据所述建筑设计模型，提取所述待评估建筑的建筑设计特征；
结构设计特征提取模块，用于根据所述结构设计模型，提取所述待评估建筑的结构设计特征；
建筑抗震韧性评估模块，用于将所述待评估建筑的地震危险性特征、建筑设计特征和结构设计特征输入到训练好的建筑抗震韧性评估模型中，输出韧性评估结果；所述训练好的建筑抗震韧性评估模型为以建筑的地震危险性特征、建筑设计特征和结构设计特征为输入，以建筑对应的韧性评估结果为输出训练得到的用于评估建筑抗震韧性指标的机器学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377634.3A CN114792020B (zh) | 2022-04-12 | 2022-04-12 | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377634.3A CN114792020B (zh) | 2022-04-12 | 2022-04-12 | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114792020A true CN114792020A (zh) | 2022-07-26 |
| CN114792020B CN114792020B (zh) | 2024-05-03 |
Family
ID=82461342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210377634.3A Active CN114792020B (zh) | 2022-04-12 | 2022-04-12 | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792020B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630814A (zh) * | 2023-07-24 | 2023-08-22 | 中国建筑科学研究院有限公司 | 一种基于机器学习的建筑灾害快速定位评估方法 |
| CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
| WO2024119602A1 (zh) * | 2022-12-05 | 2024-06-13 | 云南省设计院集团有限公司 | 一种智慧韧性城乡评估系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101074995A (zh) * | 2007-05-17 | 2007-11-21 | 杨仕升 | 建筑物抗震能力的评估方法及其应用 |
| JP2011118510A (ja) * | 2009-12-01 | 2011-06-16 | Asahi Kasei Homes Co | 建物耐力評価方法 |
| CN108957528A (zh) * | 2018-04-02 | 2018-12-07 | 青岛理工大学 | 设定地震风险的性能抗震设计评估方法 |
| CN110210713A (zh) * | 2019-05-06 | 2019-09-06 | 同济大学 | 一种城市居住区防灾能力评估模型的构建方法及系统 |
| CN110321653A (zh) * | 2019-07-11 | 2019-10-11 | 东北林业大学 | 一种考虑初始损伤状态的地震序列下结构易损性分析方法 |
| CN111914454A (zh) * | 2020-07-29 | 2020-11-10 | 同济大学 | 一种基于性能的边坡地震易损性评估方法 |
| CN112329377A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 用于量化多输入多输出变电站系统地震易损性的评估方法 |
| CN114004436A (zh) * | 2021-06-10 | 2022-02-01 | 重庆大学 | 一种基于性能反应谱的自复位海上风电升压站抗震性能评估方法 |
| CN114021236A (zh) * | 2021-11-04 | 2022-02-08 | 哈尔滨工业大学 | 考虑子系统关联的城市地铁地下车站抗震韧性评估方法及设备 |
| CN114117617A (zh) * | 2021-12-08 | 2022-03-01 | 哈尔滨工业大学 | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 |
| CN114239108A (zh) * | 2021-12-17 | 2022-03-25 | 四川大学 | 基于监控物联网的城市建筑群震后损失分布计算方法 |
| CN114282294A (zh) * | 2021-12-24 | 2022-04-05 | 哈尔滨工业大学 | 一种基于数字孪生的医院建筑震害预测方法及系统 |
-
2022
- 2022-04-12 CN CN202210377634.3A patent/CN114792020B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101074995A (zh) * | 2007-05-17 | 2007-11-21 | 杨仕升 | 建筑物抗震能力的评估方法及其应用 |
| JP2011118510A (ja) * | 2009-12-01 | 2011-06-16 | Asahi Kasei Homes Co | 建物耐力評価方法 |
| CN108957528A (zh) * | 2018-04-02 | 2018-12-07 | 青岛理工大学 | 设定地震风险的性能抗震设计评估方法 |
| CN110210713A (zh) * | 2019-05-06 | 2019-09-06 | 同济大学 | 一种城市居住区防灾能力评估模型的构建方法及系统 |
| CN110321653A (zh) * | 2019-07-11 | 2019-10-11 | 东北林业大学 | 一种考虑初始损伤状态的地震序列下结构易损性分析方法 |
| CN111914454A (zh) * | 2020-07-29 | 2020-11-10 | 同济大学 | 一种基于性能的边坡地震易损性评估方法 |
| CN112329377A (zh) * | 2020-11-02 | 2021-02-05 | 同济大学 | 用于量化多输入多输出变电站系统地震易损性的评估方法 |
| CN114004436A (zh) * | 2021-06-10 | 2022-02-01 | 重庆大学 | 一种基于性能反应谱的自复位海上风电升压站抗震性能评估方法 |
| CN114021236A (zh) * | 2021-11-04 | 2022-02-08 | 哈尔滨工业大学 | 考虑子系统关联的城市地铁地下车站抗震韧性评估方法及设备 |
| CN114117617A (zh) * | 2021-12-08 | 2022-03-01 | 哈尔滨工业大学 | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 |
| CN114239108A (zh) * | 2021-12-17 | 2022-03-25 | 四川大学 | 基于监控物联网的城市建筑群震后损失分布计算方法 |
| CN114282294A (zh) * | 2021-12-24 | 2022-04-05 | 哈尔滨工业大学 | 一种基于数字孪生的医院建筑震害预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 崔瑶等: "强震作用下柱脚连接刚度对钢框架性能的影响", 《地震工程与工程振动》, vol. 36, no. 3, 30 June 2016 (2016-06-30) * |
| 崔瑶等: "滑动节点板支撑钢框架（SGBFs）的抗震设计", 《建筑钢结构进展》, vol. 24, no. 2, 28 February 2022 (2022-02-28) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024119602A1 (zh) * | 2022-12-05 | 2024-06-13 | 云南省设计院集团有限公司 | 一种智慧韧性城乡评估系统及方法 |
| CN116630814A (zh) * | 2023-07-24 | 2023-08-22 | 中国建筑科学研究院有限公司 | 一种基于机器学习的建筑灾害快速定位评估方法 |
| CN116630814B (zh) * | 2023-07-24 | 2023-09-29 | 中国建筑科学研究院有限公司 | 一种基于机器学习的建筑灾害快速定位评估方法 |
| CN117972437A (zh) * | 2024-03-29 | 2024-05-03 | 四川省建筑设计研究院有限公司 | 针对复杂地形地质条件下的区域建筑震害预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114792020B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114792020B (zh) | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 | |
| CN108256141B (zh) | 一种基于Copula理论的主余震联合易损性分析方法 | |
| Drouet et al. | A probabilistic seismic hazard map for the metropolitan France | |
| Jalayer et al. | Effects of two alternative representations of ground‐motion uncertainty on probabilistic seismic demand assessment of structures | |
| Mirrashid et al. | Innovative computational intelligence-based model for vulnerability assessment of RC frames subject to seismic sequence | |
| Jough et al. | Prediction of seismic collapse risk of steel moment frame mid-rise structures by meta-heuristic algorithms | |
| Muduli et al. | Evaluation of liquefaction potential of soil based on standard penetration test using multi-gene genetic programming model | |
| Su et al. | Efficient uncertainty quantification of wharf structures under seismic scenarios using Gaussian process surrogate model | |
| CN114741758B (zh) | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 | |
| CN114239348A (zh) | 一种桥梁抗震可靠性分析方法 | |
| Zhang et al. | Seismic collapse risk assessment of super high‐rise buildings considering modeling uncertainty: A case study | |
| Christou et al. | Effective sampling of spatially correlated intensity maps using hazard quantization: Application to seismic events | |
| Li et al. | A data-driven building’s seismic response estimation method using a deep convolutional neural network | |
| Kaveh et al. | Optimization-based record selection approach to incremental dynamic analysis and estimation of fragility curves | |
| CN112347537A (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
| Noureldin et al. | Machine learning-based seismic assessment of framed structures with soil-structure interaction | |
| Kia et al. | Assessment the effective ground motion parameters on seismic performance of R/C buildings using artificial neural network | |
| Rasheed et al. | Machine Learning‐Based Fragility Assessment of Reinforced Concrete Buildings | |
| Gholizadeh et al. | Optimal performance-based design of steel frames using advanced metaheuristics | |
| Caicedo et al. | Selection and scaling approaches of earthquake time-series for structural engineering applications: a state-of-the-art review | |
| Liang et al. | A new seismic damage assessment method for single-layer spherical reticulated shells based on structural residual displacement under sequential earthquakes | |
| Salajegheh et al. | Optimum design of structures against earthquake by discrete wavelet transform | |
| Noori et al. | Smart cities to improve resilience of communities | |
| Hancilar et al. | Earthquake risk assessment for the building inventory of Muscat, Sultanate of Oman | |
| Ching et al. | Propagating uncertainties for loss estimation in performance-based earthquake engineering using moment matching |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221018 Address after: 116024 Dalian University of Technology, 2 linggong Road, Ganjingzi District, Dalian, Liaoning Applicant after: DALIAN University OF TECHNOLOGY Address before: 116000 room 313, No. 3, Gaoxin street, high tech Industrial Park, Dalian, Liaoning Province Applicant before: Yunshengsheng security technology (Dalian) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |