CN117972437A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117972437A CN117972437A CN202410376201.5A CN202410376201A CN117972437A CN 117972437 A CN117972437 A CN 117972437A CN 202410376201 A CN202410376201 A CN 202410376201A CN 117972437 A CN117972437 A CN 117972437A
- Authority
- CN
- China
- Prior art keywords
- data
- earthquake
- training
- result
- 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.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 96
- 239000002689 soil Substances 0.000 claims abstract description 47
- 230000003993 interaction Effects 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 93
- 238000012360 testing method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 32
- 238000012876 topography Methods 0.000 claims description 23
- 230000003321 amplification Effects 0.000 claims description 16
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000547 structure data Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000035939 shock Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 4
- 230000010485 coping Effects 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000004566 building material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000000254 damaging effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009526 moderate injury Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种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，该预测方法通过获取待测区域的数据，基于数据获取待测区域的抗震响应结果；对所述抗震响应结果进行修正得到修正结果；解决了因为传统地震预测系统在复杂地形地质条件下受到诸多限制，包括地质异质性、多尺度、地球物理参数不确定性等导致预测结果不准确的问题。另外由于在对山地结构震后破坏进行预测时，土与结构相互影响结构的抗震响应，因此为了预测结果更加准确，需要对预测结果进行修正，修正后的结果避免了土与结构相互作用的影响，使得预测结果更加准确。本发明的方法这将有助于提前预警、科学规划城市建设、改善灾害防范措施，为应对地震灾害提供更为有效的支持。
Description
技术领域
本发明涉及地震工程、结构安全及灾害预测领域，具体涉及一种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。
背景技术
地震灾害作为一种极具破坏性的自然灾害，对人类社会造成了巨大的威胁。然而，地球上不同区域的地形和地质条件千差万别，这使得地震灾害的预测与评估变得极为复杂。
在特定地域，尤其是那些地形复杂、地质异质性强的区域，地震灾害的发生和演化涉及到多种复杂因素，存在众多难点：地形地质异质性。复杂地形地质条件下，地层结构、岩性分布、构造特征等的异质性显著增加了地震波传播的复杂性；多尺度问题。地震过程涉及多个尺度，从地震震源的微观尺度到地球的宏观尺度。复杂地形地质条件下，这种多尺度性变得尤为显著；地球物理参数不确定性。复杂地形地质条件下，地球物理参数（如地壳速度、密度等）的空间变化显著，而这些参数是地震波传播模型的重要输入。参数的不确定性会直接影响预测的准确性；观测数据的稀缺性。在某些地区，地震观测网络可能不够密集，这导致了观测数据的稀缺性；非线性地质过程。复杂地形地质条件下，地震过程可能涉及到非线性的地质过程，如断层滑动、岩土体变形等。
传统地震预测系统在复杂地形地质条件下受到诸多限制，包括地质异质性、多尺度问题、地球物理参数不确定性等。因此，目前亟需要一套更精准的预测方法来应对上述因为诸多限制导致的预测数据不准确的问题。
发明内容
本发明提供一种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，以至少解决现有技术传统地震预测系统在复杂地形地质条件下受到诸多限制，导致预测数据不准确的问题。本发明的技术方案如下：
第一方面，提供一种针对复杂地形地质条件下的区域建筑震害预测方法，包括：
获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
对所述抗震响应结果进行修正得到修正结果；
将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
在一种可能实现方式，所述获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果，包括：
将待测区域的建筑结构数据输入结构地震响应预测模型，得到待测区域的建筑结构在平坦地形下的抗震响应结果。
在一种可能实现方式，所述对所述抗震响应结果进行修正得到修正结果，包括：
将待测区域的地形地质数据输入复杂地形地质震动预测模型，得到用于修正所述抗震响应结果的地震动放大系数；
将待测区域的地形地质数据以及建筑结构数据输入土与结构相互作用预测模型，得到用于修正所述抗震响应结果的影响系数；
将所述抗震响应结果、所述地震动放大系数和所述影响系数相乘得到修正结果；
在一种可能实现方式，所述方法还包括：训练结构地震响应预测模型、复杂地形地质震动预测模型、土与结构相互作用预测模型和结构抗震性能预测模型。
在一种可能实现方式，所述训练结构地震响应预测模型包括：
基于待测区域的结构特征标签，按照预设第一比例的实测数据和仿真数据搭建地震响应数据库；
根据地震响应数据库确定第一网络模型，将所述结构特征标签输入到所述第一网络模型中，执行网络训练，待预先定义的损失函数小于等于预设阈值时，结束训练；
获取所述结构特征标签的权重值，将所述权重值大于预设阈值的标签作为第一目标标签；
将第一目标标签输入到第二网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构地震响应预测模型。
在一种可能实现方式，所述训练复杂地形地质震动预测模型包括：
基于地形地质特征标签，按照预设第二比例的实测数据和仿真数据搭建地震数据库；
根据地震数据库确定第三网络模型，将所述地形地质特征标签输入到所述第三网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述地形地质特征标签的权重值，将所述权重值大于预设阈值的标签作为第二目标标签；
将第二目标标签输入到第四网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到复杂地形地质震动预测模型。
在一种可能实现方式，所述训练土与结构相互作用预测模型包括：
基于结构特征标签和土体特征标签按照预设第三比例的训练数据和测试数据搭建土与结构相互作用数据库；
将所述结构特征标签和土体特征标签输入到第五网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述结构特征标签和土体特征标签的权重值，将所述权重值大于预设阈值的标签作为第三目标标签；
将所述第三目标标签输入到第六网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到土与结构相互作用预测模型。
在一种可能实现方式，所述训练结构抗震性能预测模型包括：
基于结构数据按照预设第四比例的训练数据和测试数据搭建结构性能数据库；
将所述结构数据的特征标签输入到第七网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述结构数据的特征标签的权重值，将所述权重值大于预设阈值的标签作为第四目标标签；
将所述第四目标标签输入到第八网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构抗震性能预测模型。
第二方面，提供一种针对复杂地形地质条件下的区域建筑震害预测系统，包括：
结果获取模块，用于获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
结果修正模块，用于对所述抗震响应结果进行修正得到修正结果；
成像展示模块，用于将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
第三方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述针对复杂地形地质条件下的区域建筑震害预测方法。
第四方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述针对复杂地形地质条件下的区域建筑震害预测方法。
本发明的实施例提供的技术方案至少带来以下有益效果：获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；对所述抗震响应结果进行修正得到修正结果；通过修正解决了因为传统地震预测系统在复杂地形地质条件下受到诸多限制，包括地质异质性、多尺度问题、地球物理参数不确定性等导致预测结果不准确的问题。另外由于在对山地结构震后破坏进行预测时，土与结构相互影响结构的抗震响应，因此为了预测结果更加准确，需要对预测结果进行修正，修正后的结果避免了土与结构相互作用的影响，使得预测结果更加准确。本发明的方法这将有助于提前预警、科学规划城市建设、改善灾害防范措施，为应对地震灾害提供更为有效的支持。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
图1是根据一示例性实施例示出的针对复杂地形地质条件下的区域建筑震害预测方法的流程示意图；
图2是根据一示例性实施例示出的另一种针对复杂地形地质条件下的区域建筑震害预测方法的流程示意图；
图3是根据一示例性实施例示出的一种结构地震响应预测模型训练过程的流程示意图；
图4是根据一示例性实施例示出的一种复杂地形地质震动预测模型训练过程的流程示意图；
图5是根据一示例性实施例示出的一种土与结构相互作用预测模型训练过程的流程示意图；
图6是根据一示例性实施例示出的针对复杂地形地质条件下的区域建筑震害预测系统结构示意图；
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的装置和方法的例子。
还需要说明的是，本发明所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
图1为根据一示例性实施例示出的一种针对复杂地形地质条件下的区域建筑震害预测方法的流程示意图，如图1所示，该方法包括以下步骤：
S101、获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
S102、对所述抗震响应结果进行修正得到修正结果；
S103、将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
上述针对复杂地形地质条件下的区域建筑震害预测方法通过获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；对所述抗震响应结果进行修正得到修正结果；通过修正解决了因为传统地震预测系统在复杂地形地质条件下受到诸多限制，包括地质异质性、多尺度问题、地球物理参数不确定性等导致预测结果不准确的问题。另外由于在对山地结构震后破坏进行预测时，土与结构相互影响结构的抗震响应，因此为了预测结果更加准确，需要对预测结果进行修正，修正后的结果避免了土与结构相互作用的影响，使得预测结果更加准确。本发明的方法这将有助于提前预警、科学规划城市建设、改善灾害防范措施，为应对地震灾害提供更为有效的支持。
图2为根据一示例性实施例示出的一种针对复杂地形地质条件下的区域建筑震害预测方法的流程示意图，该地震灾害预测方法包括以下步骤：
S201、将待测区域的建筑结构数据输入结构地震响应预测模型，得到待测区域的建筑结构在平坦地形下的抗震响应结果。
获取待测区域的所需基础数据，包括地形数据、地质数据、建筑数据（包括建筑分布数据、建筑类型数据、建筑设计数据）及真实地震动数据。
S202、将待测区域的地形地质数据输入复杂地形地质震动预测模型，得到用于修正所述抗震响应结果的地震动放大系数；
采用地形数据和地质数据，换算出地形坡度，地形高度，地形局部特征及相关地形地质参数，并结合真实地震动数据输入至山地复杂地形地质地震动预测模型，输出待测区域各场地的地震动反演系数及加速度时程曲线。
S203、将待测区域的地形地质数据以及建筑结构数据输入土与结构相互作用预测模型，得到用于修正所述抗震响应结果的影响系数；
采用待测区域的地质特性和结构特性，输入至土与结构相互作用预测模块，输出结构动力特征修正系数；
S204、将所述抗震响应结果、所述地震动放大系数和所述影响系数相乘得到修正结果；
S205、将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
采用建筑类型数据、建筑设计数据，输入复杂地形地质震动预测模型，输出建筑结构的刚度、自振周期、承载力极限值及层间位移角等相关性能指标值；通过获得的结构极限性能进行对比，输出各区域结构的损伤等级；分别按照建筑分布数据，逐点结合建筑破坏等级进行绘图，获得区域建筑损坏分布图。
在结构地震响应预测模型中输入待测区域各建筑结构相关信息特征，逐一输出各建筑结构在平坦地形下的抗震响应。山区地形复杂多变，改变地震波的传播，影响地表运动剧烈程度。仅按照平坦地形进行预测，将导致山区结构预测失准。为考虑山区复杂地形地质条件的影响，从而引入复杂地形地质地震动预测模型，输入地形地质相关信息特征，输出各建筑场地的地震动放大系数，对预测出的结构抗震响应进行修正。此外，由于土与结构之间存在相互作用，也会影响结构的抗震响应，从而导致经过地形效应修正后的结构抗震响应预测结果与实际响应有偏差，故采用土与结构相互作用预测模型对结构抗震响应预测结果做进一步修正，通过输入地形地质与结构相关信息特征，输出影响系数。最后将各建筑结构的土与结构相互作用影响系数、地震动放大系数与结构预测抗震响应相乘的结果与该结构在抗震性能预测模块获得的结构极限性能进行对比，对待测区域内建筑结构逐一预测与对比，从而实现对待测区域建筑结构的损伤预测，并通过百分比的形式划分损伤等级，评估区域建筑损伤情况。
该方法通过复杂地形地质震动预测模型，得到待测区域的抗震响应结果后，由于地形地质震动预测模型考虑到了复杂地形地质条件下对地震波传播和地震发生过程的影响，因此解决了因为传统地震预测系统在复杂地形地质条件下受到诸多限制，包括地质异质性、多尺度问题、地球物理参数不确定性等导致预测结果不准确的问题。另外由于在对山地结构震后破坏进行预测时，土与结构相互影响结构的抗震响应，因此为了预测结果更加准确，需要对预测结果进行修正，修正后的结果避免了土与结构相互作用的影响，使得预测结果更加准确。本发明的方法这将有助于提前预警、科学规划城市建设、改善灾害防范措施，为应对地震灾害提供更为有效的支持。
下面通过具体的实施例对上述方法进行详细举例说明。
在上述步骤中结构地震响应预测模型训练过程的方法，如图3所示：
S301、基于待测区域的结构特征标签，按照预设第一比例的实测数据和仿真数据搭建地震响应数据库；
根据典型结构的分类，按不同类型分别制作试件，并进行振动台试验，获取试件在不同输入地震波强度下的结构地震响应。结构特征指标包括但不局限于结构类型、结构刚度、自振周期、建筑材料强度等级等，试验结果收集数据包括但不局限于层间位移、峰值荷载、能量耗散数据等。并从以往文献及数据库中收集相关的试验数据，作为补充；
以试验数据为依据，建立有限元模型，验证模型，按试验样本与仿真样本为1：50的比例进行参数扩展。其中，仿真模型的变量包括不同地震波和结构自身特性，获得结构的地震响应。并结合试验数据、文献数据，建立结构地震响应数据库；
S302、根据地震响应数据库确定第一网络模型，将所述结构特征标签输入到所述第一网络模型中，执行网络训练，待预先定义的损失函数小于等于预设阈值时，结束训练；
建立神经网络模型，确定初始网络模型，从结构地震响应中随机选取样本数据，按5：1划分训练数据集和测试数据集。定义损失函数为，其中，/>为测试数据集样本总数量，/>为预测结果，/>为真实结果；
S303、获取所述结构特征标签的权重值，将所述权重值大于预设阈值的标签作为第一目标标签；
将结构地震响应数据库中所有特征标签输入神经网络中，执行神经网络训练，待损失函数小于设定值，结束训练。输出各特征标签最终的权重值，判断各结构性能特征标签在神经网络中的重要程度，定义权重值大于1%的特征标签为主要标签；
S304、将第一目标标签输入到第二网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构地震响应预测模型。
重新建立神经网络模型，以结构自身特性和地震波参数的主要特征标签为神经网络的输入特征，再次执行训练，待损失函数小于设定值，结束训练，保存训练结果，最终的模型即为结构地震响应优化神经网络模型。
根据待测结构的设计参数及地震波参数，将所需数据输入结构地震响应优化神经网络模型中，输出结构的地震响应，实现对结构响应的预测。
其中，结构自身性能是评价其震后损坏程度的重要依据。结构整体性能与组成部分的性能参数呈现高度非线性关系，需采用神经网络技术处理这种非线性关系，实现结构性能的预测。
在上述步骤中建立复杂地形地质地震动预测模型的方法，如图4所示：
S401、基于地形地质特征标签，按照预设第二比例的实测数据和仿真数据搭建地震数据库；
获得分辨率为5m（或精度更高）的DEM全国地形数据，利用软件ArcScene读取地形数据，并筛选相关区域；
相关区域的高程图转化为黑白高程图，定义RGB为（0，0，0）为地形最低点，真实地形高度为，RGB为（255，255，255）为地形最高点，真实地形高度为/>；
区域内，任意场地的地形高度，可以换算为，其中，/>为该地形的R、G、B值中的任意一项。
其中，在研究复杂地形地质条件下的地震动时，由于大部分的地震波都是地表所记录的，如果将地表测得的地震波输入至基岩处，这会导致结果存在较大的误差。因此需对复杂地形地质条件下的地震动时程曲线进行反演，并以实测场地的地震波数据为基础，结合地形及地质特征，推测出临近场地的真实地震响应，减小区域建筑震害预测的误差。
按照地形种类，分别收集实测地震加速度时程曲线，以此为依据，验证有限元模型，并进行参数拓展，获得仿真地震加速度时程曲线。确定地形地质特征标签，按实测数据与仿真数据为1：50的比例搭建基于复杂地形地质条件下的地震动数据库；其中实测数据与仿真数据的比例为预设比例，本实施例仅用于举例说明，不对其进行限定。其中地形可以包括山脊、台地、盆地、河谷等。
S402、根据地震数据库确定第三网络模型，将所述地形地质特征标签输入到所述第三网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
构建神经网络模型，确定第一网络模型即初始网络模型，从地震动数据库中随机选取地震动数据，按5：1划分训练数据集和测试数据集。定义损失函数为，其中，/>为测试数据集样本总数量，/>为预测结果，/>为真实结果。
S403、获取所述地形地质特征标签的权重值，将所述权重值大于预设阈值的标签作为第二目标标签；
将地震动数据库中所有特征标签输入神经网络中，执行神经网络训练，待损失函数小于设定值，结束训练。输出各特征标签最终的权重值，判断各地形地质特征标签在神经网络中的重要程度，定义权重值大于1%的特征标签为主要标签。
S404、将第二目标标签输入到第四网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到复杂地形地质震动预测模型。
重新建立神经网络模型，以地形地质主要标签为神经网络的输入特征，再次执行训练，待损失函数小于设定值，结束训练，保存训练结果。
在对山地结构的震后破坏进行预测时，土与结构的相互作用关系会影响结构的抗震响应，从而导致结构的损伤情况有所差异，故而土与结构的相互作用不可忽略。在上述步骤建立土与结构相互作用预测模型训练的方法，如图5所示：
S501、基于结构特征标签和土体特征标签按照预设第三比例的训练数据和测试数据搭建土与结构相互作用数据库；
根据山区典型结构的分类，按不同类型分别制作一组土与结构相互作用试件及对比试件，并进行振动台试验，获取山区结构与土体相互作用对结构抗震响应的影响系数。土与结构的性能指标包括土体的物理性质、土体的力学性质、结构的形状和刚度、自振周期、结构的受力形式等。并从以往文献及数据库中收集相关的试验数据，作为补充。
以试验数据为依据，建立有限元模型，验证模型，按试验样本与仿真样本为1：50的比例进行参数扩展。其中，仿真模型的变量包括结构自身特性和土体自身特性，获得结构与土体相互作用对结构抗震响应的影响系数。并结合试验数据、文献数据，建立土与结构相互作用数据库。
S502、将所述结构特征标签和土体特征标签输入到第五网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
建立神经网络模型，确定初始网络模型，从土与结构相互作用数据库中随机选取样本数据，按5：1划分训练数据集和测试数据集。定义损失函数为，其中，/>为测试数据集样本总数量，/>为预测结果，/>为真实结果。
S503、获取所述结构特征标签和土体特征标签的权重值，将所述权重值大于预设阈值的标签作为第三目标标签；
将土与结构相互作用数据库中所有特征标签输入第四网络模型即神经网络中，执行神经网络训练，待损失函数小于设定值，结束训练。输出各特征标签最终的权重值，判断各结构性能特征标签在神经网络中的重要程度，定义权重值大于1%的特征标签为主要标签。
S504、将所述第三目标标签输入到第六网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到土与结构相互作用预测模型。
重新建立神经网络模型，以结构自身特性和土体自身特性的主要特征标签为神经网络的输入特征，再次执行训练，待损失函数小于设定值，结束训练，保存训练结果，最终的模型即为土与结构相互作用优化神经网络模型。
根据待测场景的地质情况及建筑结构的设计参数，将土与结构相互作用所需数据输入优化神经网络模型中，输出土与结构相互作用影响系数，实现结构与土体相互作用对结构抗震响应影响的预测。
其中，建立结构性能预测模型的方法为：
S601、基于结构数据按照预设第四比例的训练数据和测试数据搭建结构性能数据库；
对山区典型结构进行分类，并按不同类型进行拟静力试验、振动台试验，获取山区结构的抗震性能指标值，指标包括结构自振周期、刚度、承载能力及耗能能力，试验主要参数包括布置方案、建筑材料强度、截面形式、锈蚀、温度及服役年限。并从以往文献及数据库中收集相关的试验数据，作为补充。
以试验数据为依据，建立有限元模型，验证模型，按试验样本与仿真样本为1：50的比例进行参数扩展，获取结构刚度、承载能力、耗能能力、损坏等级。结合试验数据、文献数据，建立结构性能数据库。
S602、将所述结构数据的特征标签输入到第七网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练。
建立神经网络模型，确定初始网络模型，从结构性能综合数据库中随机选取结构性能数据，按5：1划分训练数据集和测试数据集。定义损失函数为，其中，/>为测试数据集样本总数量，/>为预测结果，/>为真实结果。
S603、获取所述结构数据的特征标签的权重值，将所述权重值大于预设阈值的标签作为第四目标标签；
将结构性能数据库中所有特征标签输入神经网络中，执行神经网络训练，待损失函数小于设定值，结束训练。输出各特征标签最终的权重值，判断各结构性能特征标签在神经网络中的重要程度，定义权重值大于1%的特征标签为主要标签。
S604、将所述第四目标标签输入到第八网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构抗震性能预测模型。
重新建立神经网络模型，以结构性能主要特征标签为神经网络的输入特征，再次执行训练，待损失函数小于设定值，结束训练，保存训练结果，最终的模型即为结构性能优化神经网络模型。
震后根据真实的结构性能指标，将待测结构所需数据输入结构性能优化神经网络模型中，输出结构抗震性能，实现山地结构在不同地震作用下抗震性能的预测。
其中，在上述步骤得到待测区域建筑结构的损坏等级的方法为：
S1031、根据地震场地的真实地形地质条件和真实地震波参数，输入复杂地形地震动预测模块所需数据，预测不同建筑场地的地震动放大系数；
S1032、根据待测结构的真实设计参数和真实地震波参数，输入结构地震响应预测模块所需数据，预测结构的抗震响应。其中，地震波的强度需根据步骤S1031输出的地震动放大系数进行调整；
S1033、根据待测结构特性与土体特性，输入结构与土相互作用预测模块所需数据，预测土体与结构相互作用的影响系数。随后，利用获得的影响系数对步骤S1032中获得的结构地震响应进行修正；
S1034、根据待测结构设计参数，输入结构自身性能预测模块所需数据，预测结构自身极限性能；
S1035、将S1033中获得的结构修正地震响应与S1034中获得的结构极限性能进行对比，输出结构的损坏等级。其中，以结构极限性能的25%、50%、75%、100%、125%及150%为临界，划分损伤等级：无损伤、轻微损伤、中度损伤、严重损伤、破坏、严重破坏、完全破坏。
其中，步骤S103中建立后处理成像模块的方法为：
S2031、根据所述地形数据以及地质地形特征标签，在所述待测区域的地形上进行标注；
复现待测区域的地形特征，并按预测获得的地震动放大系数，在区域地形上进行标注，以不同颜色深度划分区域内地震动强弱；
S2032、按不同结构类型，建立典型结构模型，根据损伤等级分类，分别制作结构损坏模型，并建立结构损坏模型数据库；
S2033、按照对结构破坏等级的分类，分别从结构损坏模型数据库中调用结构损坏模型。其中，结构损坏模型还需按颜色区分不同的损坏等级；
S2034、在不同的标注区域基于待测区域的损坏等级进行成像展示。
按照待测区域内真实建筑分布，将步骤S2031中获得的三维区域地形模型与S2033中调用的结构损坏模型进行结合并输出组合模型，实现新型地形地质的区域建筑震害预测的可视化。
下面通过具体的实例对上述方法进行举例说明。
在结构地震响应预测模块中输入待测区域各建筑结构相关信息特征，逐一输出各建筑结构在平坦地形下的抗震响应。山区地形复杂多变，改变地震波的传播，影响地表运动剧烈程度。仅按照平坦地形进行预测，将导致山区结构预测失准。为考虑山区复杂地形地质条件的影响，从而引入复杂地形地质地震动预测模块，输入地形地质相关信息特征，输出各建筑场地的地震动放大系数，对预测出的结构抗震响应进行修正。此外，由于土与结构之间存在相互作用，也会影响结构的抗震响应，从而导致经过地形效应修正后的结构抗震响应预测结果与实际响应有偏差，故采用土与结构相互作用预测模块对结构抗震响应预测结果做进一步修正，通过输入地形地质与结构相关信息特征，输出影响系数。最后将各建筑结构的土与结构相互作用影响系数、地震动放大系数与结构预测抗震响应相乘的结果与该结构在抗震性能预测模块获得的结构极限性能进行对比，(对待测区域内建筑结构逐一预测与对比)，从而实现对待测区域建筑结构的损伤预测，并通过百分比的形式划分损伤等级，评估区域建筑损伤情况。
对比的极限性能可以为结构极限承载能力、层间位移或耗能能力。此处以极限承载能力为例进行说明。
结构地震响应预测模型： 以某一建筑的结构类型、结构刚度、自振周期、建筑材料强度等级等相关信息特征为输出参数，对该建筑的抗震响应进行预测，获得该建筑在平坦地形下的抗震响应为2000kN。
复杂地形地质地震动预测模型：以上述建筑场地为基础，输入该场地海拔、坡度、地质参数、地震波频率等相关信息特征，对该场地的地震动放大系数（山区场地与平坦场地地震峰值加速度的比值）进行预测，获得该场地的放大系数为1.5。
土与结构相互作用预测模型：以上述建筑场地与结构为基础，输入土体的物理性质、土体的力学性质、结构的形状和刚度、自振周期、结构的受力形式等有关信息特征，对该场地下待测结构与土相互作用的影响系数进行预测，获得影响系数为0.9。
结构抗震性能预测模型：以上述建筑结构为基础，输入该结构的结构类型、建筑材料等级、相关构件（如框架柱、剪力墙）的截面参数和数量等相关信息特征，对该结构的极限承载力进行预测，获得该结构极限承载力为2500kN。
分类对比：通过上述模型的预测，获得了待测结构的抗震响应预测最终结果为2000kn*1.5*0.9=2700kN，而该结构的极限承载力为2500kN，抗震响应预测最终结果为该结构的极限承载力的108%，判定为严重破坏。以此为例对待测区域所有结构进行批量预测和对比，实现区域结构损伤预测。
成像：这个模块内，不仅需要根据地震动放大系数提示哪些区域震动强烈，还需要采用提前建立的典型结构的破坏情况进行显示。
图6是根据一示例性实施例示出的一种针对复杂地形地质条件下的区域建筑震害预测系统的结构示意图，如图6所示，该针对复杂地形地质条件下的区域建筑震害预测系统，包括：
结果获取模块61，用于获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
结果修正模块62，用于对所述抗震响应结果进行修正得到修正结果；
成像展示模块63，用于将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于执行上述地震灾害预测方法的电子设备700的框图。包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的地震灾害预测方法。例如，电子设备700可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图7，电子设备700可以包括以下一个或多个组件：处理组件702、存储器704、电源组件706、多媒体组件708、音频组件710、输入/输出（I/O）的接口712、传感器组件714以及通信组件716。
处理组件702通常控制电子设备700的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM）、电可擦除可编程只读存储器（EEPROM）、可擦除可编程只读存储器（EPROM）、可编程只读存储器（PROM）、只读存储器（ROM）、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。
电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与电子设备700管理和分配电力相关联的组件。
多媒体组件708包括在所述电子设备700和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括前置摄像头和/或后置摄像头。当电子设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括麦克风（MIC），当电子设备700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括扬声器，用于输出音频信号。
I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器，用于为电子设备700提供各个方面的状态评估。例如，传感器组件714可以检测到电子设备700的打开/关闭状态，组件的相对定位，例如所述组件为电子设备700的显示器和小键盘，传感器组件714还可以检测电子设备700或电子设备700组件的位置改变，用户与电子设备700接触的存在或不存在，设备700方位或加速/减速和电子设备700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络，如WiFi，运营商网络（如2G、3G、4G或5G），或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的针对复杂地形地质条件下的区域建筑震害预测方法。例如包括指令的存储器704，上述指令可由电子设备700的处理器720执行以完成上述方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备700的处理器720执行以完成上述方法。
需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (11)
1.一种针对复杂地形地质条件下的区域建筑震害预测方法，其特征在于，包括：
获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
对所述抗震响应结果进行修正得到修正结果；
将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
2.根据权利要求1所述的方法，其特征在于，所述获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果，包括：
将待测区域的建筑结构数据输入结构地震响应预测模型，得到待测区域的建筑结构在平坦地形下的抗震响应结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述抗震响应结果进行修正得到修正结果，包括：
将待测区域的地形地质数据输入复杂地形地质震动预测模型，得到用于修正所述抗震响应结果的地震动放大系数；
将待测区域的地形地质数据以及建筑结构数据输入土与结构相互作用预测模型，得到用于修正所述抗震响应结果的影响系数；
将所述抗震响应结果、所述地震动放大系数和所述影响系数相乘得到修正结果。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：训练结构地震响应预测模型、复杂地形地质震动预测模型、土与结构相互作用预测模型和结构抗震性能预测模型。
5.根据权利要求4所述的方法，其特征在于，所述训练结构地震响应预测模型包括：
基于待测区域的结构特征标签，按照预设第一比例的实测数据和仿真数据搭建地震响应数据库；
根据地震响应数据库确定第一网络模型，将所述结构特征标签输入到所述第一网络模型中，执行网络训练，待预先定义的损失函数小于等于预设阈值时，结束训练；
获取所述结构特征标签的权重值，将所述权重值大于预设阈值的标签作为第一目标标签；
将第一目标标签输入到第二网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构地震响应预测模型。
6.根据权利要求4所述的方法，其特征在于，所述训练复杂地形地质震动预测模型包括：
基于地形地质特征标签，按照预设第二比例的实测数据和仿真数据搭建地震数据库；
根据地震数据库确定第三网络模型，将所述地形地质特征标签输入到所述第三网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述地形地质特征标签的权重值，将所述权重值大于预设阈值的标签作为第二目标标签；
将第二目标标签输入到第四网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到复杂地形地质震动预测模型。
7.根据权利要求4所述的方法，其特征在于，所述训练土与结构相互作用预测模型包括：
基于结构特征标签和土体特征标签按照预设第三比例的训练数据和测试数据搭建土与结构相互作用数据库；
将所述结构特征标签和土体特征标签输入到第五网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述结构特征标签和土体特征标签的权重值，将所述权重值大于预设阈值的标签作为第三目标标签；
将所述第三目标标签输入到第六网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到土与结构相互作用预测模型。
8.根据权利要求4所述的方法，其特征在于，所述训练结构抗震性能预测模型包括：
基于结构数据按照预设第四比例的训练数据和测试数据搭建结构性能数据库；
将所述结构数据的特征标签输入到第七网络模型中，执行网络训练，待预先定义的损失函数小于预设阈值时，结束训练；
获取所述结构数据的特征标签的权重值，将所述权重值大于预设阈值的标签作为第四目标标签；
将所述第四目标标签输入到第八网络模型中，进行训练，待预先定义的损失函数小于预设阈值时，结束训练，并得到结构抗震性能预测模型。
9.一种针对复杂地形地质条件下的区域建筑震害预测系统，其特征在于，包括：
结果获取模块，用于获取待测区域的数据，基于所述数据获取所述待测区域的抗震响应结果；
结果修正模块，用于对所述抗震响应结果进行修正得到修正结果；
成像展示模块，用于将所述修正结果与所述待测区域的结构极限性能结果进行对比，得到待测区域建筑结构的损坏等级，并根据所述损坏等级进行成像展示。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如前述权利要求1-8之一所述针对复杂地形地质条件下的区域建筑震害预测方法。
11.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述权利要求1-8之一所述针对复杂地形地质条件下的区域建筑震害预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410376201.5A CN117972437A (zh) | 2024-03-29 | 2024-03-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410376201.5A CN117972437A (zh) | 2024-03-29 | 2024-03-29 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117972437A true CN117972437A (zh) | 2024-05-03 |
Family
ID=90848260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410376201.5A Pending CN117972437A (zh) | 2024-03-29 | 2024-03-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117972437A (zh) |
Citations (22)
| 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 |
| JP2009110117A (ja) * | 2007-10-26 | 2009-05-21 | Panasonic Electric Works Co Ltd | 地震報知システム |
| CN102434210A (zh) * | 2011-11-25 | 2012-05-02 | 成都畅达通地下工程科技发展有限公司 | 地下工程画像信息与监测信息安全监控的方法与系统 |
| CN106021875A (zh) * | 2016-05-11 | 2016-10-12 | 兰州大学 | 一种地震扰动区多尺度泥石流风险评估的方法 |
| CN106651041A (zh) * | 2016-12-27 | 2017-05-10 | 中国地震局工程力学研究所 | 一种民居震害矩阵动态预测方法 |
| CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
| KR20210059554A (ko) * | 2019-11-15 | 2021-05-25 | 한국건설기술연구원 | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 |
| CN112903223A (zh) * | 2020-12-28 | 2021-06-04 | 中国电力科学研究院有限公司 | 土结作用的变压器本体地震放大系数确定及抗震评估方法 |
| CN114548585A (zh) * | 2022-03-01 | 2022-05-27 | 福建九鼎建设集团有限公司 | 一种基于神经网络的城市建筑震害预测方法 |
| CN114741758A (zh) * | 2022-04-12 | 2022-07-12 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
| CN114792020A (zh) * | 2022-04-12 | 2022-07-26 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 |
| CN114925577A (zh) * | 2022-06-07 | 2022-08-19 | 中国地质科学院地质力学研究所 | 一种蠕动型滑坡体上砌体建筑物的易损性分析方法与系统 |
| CN115017591A (zh) * | 2022-06-20 | 2022-09-06 | 长沙理工大学 | 建筑结构群抗震性能评估方法 |
| CN115166815A (zh) * | 2022-06-17 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于地理信息和边缘算法的地震灾害评估决策模型 |
| CN116432499A (zh) * | 2023-04-19 | 2023-07-14 | 四川省建筑设计研究院有限公司 | 基于图像识别技术的复杂地形地震动放大系数确定方法 |
| CN116541941A (zh) * | 2023-07-05 | 2023-08-04 | 北京科技大学 | 考虑场地-城市效应的建筑易损性简化修正方法及装置 |
| CN116911148A (zh) * | 2022-11-18 | 2023-10-20 | 天津城建大学 | 一种沉积盆地建筑群震害评估方法及评估系统 |
| CN117076921A (zh) * | 2023-07-21 | 2023-11-17 | 河海大学 | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 |
| CN117251926A (zh) * | 2023-11-20 | 2023-12-19 | 东南大学 | 一种地震响应预测的地震动强度指标优选方法 |
| CN117270038A (zh) * | 2023-09-22 | 2023-12-22 | 四川省震灾风险防治中心 | 改进遗传算法优化bp神经网络的建筑物震害评估模型 |
| CN117332640A (zh) * | 2023-09-28 | 2024-01-02 | 四川省建筑设计研究院有限公司 | 基于bp神经网络的地震动放大系数预测方法及提示系统 |
| CN117763413A (zh) * | 2023-12-13 | 2024-03-26 | 上海数喆数据科技股份有限公司 | 一种基于风险普查数据的单体建筑物震害快速评估方法 |
-
2024
- 2024-03-29 CN CN202410376201.5A patent/CN117972437A/zh active Pending
Patent Citations (22)
| 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 |
| JP2009110117A (ja) * | 2007-10-26 | 2009-05-21 | Panasonic Electric Works Co Ltd | 地震報知システム |
| CN102434210A (zh) * | 2011-11-25 | 2012-05-02 | 成都畅达通地下工程科技发展有限公司 | 地下工程画像信息与监测信息安全监控的方法与系统 |
| CN106021875A (zh) * | 2016-05-11 | 2016-10-12 | 兰州大学 | 一种地震扰动区多尺度泥石流风险评估的方法 |
| CN106651041A (zh) * | 2016-12-27 | 2017-05-10 | 中国地震局工程力学研究所 | 一种民居震害矩阵动态预测方法 |
| KR20210059554A (ko) * | 2019-11-15 | 2021-05-25 | 한국건설기술연구원 | 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법 |
| CN112434951A (zh) * | 2020-11-25 | 2021-03-02 | 中国海洋大学 | 一种地震灾害等级评估方法及系统 |
| CN112903223A (zh) * | 2020-12-28 | 2021-06-04 | 中国电力科学研究院有限公司 | 土结作用的变压器本体地震放大系数确定及抗震评估方法 |
| CN114548585A (zh) * | 2022-03-01 | 2022-05-27 | 福建九鼎建设集团有限公司 | 一种基于神经网络的城市建筑震害预测方法 |
| CN114792020A (zh) * | 2022-04-12 | 2022-07-26 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 |
| CN114741758A (zh) * | 2022-04-12 | 2022-07-12 | 云昇昇安全科技(大连)有限责任公司 | 一种基于机器学习的建筑抗震韧性初步设计方法及系统 |
| CN114925577A (zh) * | 2022-06-07 | 2022-08-19 | 中国地质科学院地质力学研究所 | 一种蠕动型滑坡体上砌体建筑物的易损性分析方法与系统 |
| CN115166815A (zh) * | 2022-06-17 | 2022-10-11 | 中国人民解放军国防科技大学 | 一种基于地理信息和边缘算法的地震灾害评估决策模型 |
| CN115017591A (zh) * | 2022-06-20 | 2022-09-06 | 长沙理工大学 | 建筑结构群抗震性能评估方法 |
| CN116911148A (zh) * | 2022-11-18 | 2023-10-20 | 天津城建大学 | 一种沉积盆地建筑群震害评估方法及评估系统 |
| CN116432499A (zh) * | 2023-04-19 | 2023-07-14 | 四川省建筑设计研究院有限公司 | 基于图像识别技术的复杂地形地震动放大系数确定方法 |
| CN116541941A (zh) * | 2023-07-05 | 2023-08-04 | 北京科技大学 | 考虑场地-城市效应的建筑易损性简化修正方法及装置 |
| CN117076921A (zh) * | 2023-07-21 | 2023-11-17 | 河海大学 | 基于残差全连接网络的随钻测井电阻率曲线的预测方法 |
| CN117270038A (zh) * | 2023-09-22 | 2023-12-22 | 四川省震灾风险防治中心 | 改进遗传算法优化bp神经网络的建筑物震害评估模型 |
| CN117332640A (zh) * | 2023-09-28 | 2024-01-02 | 四川省建筑设计研究院有限公司 | 基于bp神经网络的地震动放大系数预测方法及提示系统 |
| CN117251926A (zh) * | 2023-11-20 | 2023-12-19 | 东南大学 | 一种地震响应预测的地震动强度指标优选方法 |
| CN117763413A (zh) * | 2023-12-13 | 2024-03-26 | 上海数喆数据科技股份有限公司 | 一种基于风险普查数据的单体建筑物震害快速评估方法 |
Non-Patent Citations (16)
| Title |
|---|
| 侯林锋;徐超;石树中;路建波;: "城市建筑群地震灾害风险评估技术探索及应用", 华北地震科学, no. 03, 15 July 2020 (2020-07-15) * |
| 张光明;: "基础抗震优化设计综合评价的AHP模型", 河南建材, no. 06, 20 December 2012 (2012-12-20) * |
| 张彦琪;范柱国;陈坤华;崔建文;李世成;冉华;: "Shakemap场地校正方法及其在云南地震动强度和烈度速报中的应用", 地震研究, no. 01, 15 January 2013 (2013-01-15) * |
| 张衡;朱敏;杨新格;: "地震反应谱阻尼修正系数的研究论述", 地震工程与工程振动, no. 05, 15 October 2018 (2018-10-15) * |
| 张顺圆;苏原;刘琼;: "城市地震小区划实施后结构抗震设计相关问题的探讨", 陕西建筑, no. 10, 15 October 2008 (2008-10-15) * |
| 徐国栋;马东辉;吴共湖;刘文儒;王卫红;: "泉州市规划区场地抗震性能与土地适宜性分区研究", 世界地震工程, no. 04, 15 December 2007 (2007-12-15) * |
| 李书进;毛羚;: "湖北农村民居现状调查与震害预测", 灾害学, no. 03, 20 September 2010 (2010-09-20) * |
| 李帅;谭明;吴国栋;艾力夏提・玉山;宋立军;: "2013年3月11日阿图什5.2级地震灾害损失评估和房屋震害特征分析", 内陆地震, no. 04, 15 December 2013 (2013-12-15) * |
| 杨柏坡，陈庆彬，袁一凡: "地震小区划中复杂场地影响的修正方法", 地震工程与工程振动, no. 04, 28 December 1991 (1991-12-28) * |
| 杨理臣;卢宁;樊光洁;郭鹏;: "青海玉树7.1级地震灾后重建地区房屋地震易损性研究", 地震工程学报, no. 2, 28 December 2016 (2016-12-28) * |
| 段满珍;轧红颖;李珊珊;曹会云;: "震害道路通行能力评估模型", 重庆交通大学学报(自然科学版), no. 05, 31 May 2017 (2017-05-31) * |
| 王桂萱;温林莉;赵杰;尹训强;: "复杂地基条件下核电取水口结构地震响应及稳定性分析", 工程抗震与加固改造, no. 04, 5 August 2020 (2020-08-05) * |
| 王锡财, 王彬, 周光全, 非明伦, 施伟华, 卢永坤: "高层建筑震害研究", 自然灾害学报, no. 01, 29 February 2004 (2004-02-29) * |
| 蒋清国;: "液化地层下地铁工程抗地震液化措施研究", 震灾防御技术, no. 01, 31 March 2015 (2015-03-31) * |
| 谢伟;蒋良潍;罗强;: "重力式挡土墙地基抗震承载力探讨", 地震工程与工程振动, no. 01, 15 February 2020 (2020-02-15) * |
| 陈素文, 严士超: "高层建筑-地下室-桩-土系统的相互作用", 建筑结构, no. 12, 31 December 1999 (1999-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chiou et al. | An NGA model for the average horizontal component of peak ground motion and response spectra | |
| Bradley | Site-specific and spatially-distributed ground-motion intensity estimation in the 2010–2011 Canterbury earthquakes | |
| CN111325258A (zh) | 特征信息获取方法、装置、设备及存储介质 | |
| CN115116202A (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
| Parker et al. | Empirical map‐based nonergodic models of site response in the greater Los Angeles area | |
| CN112115900A (zh) | 图像处理方法、装置、设备及存储介质 | |
| US20170299424A1 (en) | Measuring and diagnosing noise in an urban environment | |
| CN115186037A (zh) | 地图显示方法、装置、电子设备和计算机可读介质 | |
| Tong et al. | Earthquake alerting based on spatial geodetic data by spatiotemporal information transformation learning | |
| CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
| Zhao et al. | Topographic uncertainty quantification for flow-like landslide models via stochastic simulations | |
| CN115935816B (zh) | 钻井参数确定方法、装置、设备及存储介质 | |
| CN117972437A (zh) | 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 | |
| Murru et al. | Real time earthquake forecasting in Italy | |
| CN114371504B (zh) | 一种地震震中位置确定方法、装置、设备及可读存储介质 | |
| CN114782845A (zh) | 爆破后建筑物新生裂缝识别方法、装置、设备及介质 | |
| Lharti et al. | Partitioning a rock mass based on electrical resistivity data: the choice of clustering method | |
| Dharmawan et al. | Tsunami tide prediction in shallow water using recurrent neural networks: Model implementation in the Indonesia Tsunami Early Warning System | |
| Wang et al. | MATLAB code to estimate landslide volume from single remote sensed image using genetic algorithm and imagery similarity measurement | |
| CN115798181B (zh) | 一种基于偏角比的滑坡预警方法、装置、设备及介质 | |
| Tu et al. | Application of a net-based baseline correction scheme to strong-motion records of the 2011 M w 9.0 Tohoku earthquake | |
| CN113705030B (zh) | 油气管道的抬升量的确定方法、装置、设备和存储介质 | |
| CN115437009B (zh) | 钻孔数据处理方法、装置、电子设备和计算机可读介质 | |
| CN111736215A (zh) | 断层断距确定方法及装置 | |
| CN115841181B (zh) | 剩余油分布预测方法、装置、设备及存储介质 |
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 |