|
文献速读 Earthq. Eng. Struct. Dyn.：基于小波包神经网络的城市建筑空间变异地震动模拟  题目 Simulation of spatially varying ground motion of urban buildings based on wavelet packet neural network 基于小波包神经网络的城市建筑空间变异地震动模拟 关键词 场地-结构群相互作用；空间变异地震动；频谱调制；代理模型；小波包能量比；小波包神经网络 来源 出版年份：2023 来源：Earthquake Engineering and Structural Dynamics 课题组：东南大学土木工程学院郭彤课题组 研究背景 基于城市尺度的建筑震害模拟与评估可以为城市抗震设防、紧急震害避险及灾后重建提供更为合理的参考依据。然而，随之而来的挑战是如何保证模拟结果的准确性与及时性。由于密集分布的建筑群体与场地间存在显著的动力相互作用，且对不同区域内的结构地震反应和地震动产生不同程度的扰动，导致采用传统方法（即采用自由场台阵所采集的强震记录作为底部输入，基于刚性地基假定进行动力时程分析）得到的计算结果与实际存在偏差。因此，该项任务同时面临两个问题：一是由于结构数量庞大而激增的计算成本，二是场地-结构群相互作用（SSCI）所引起的地震响应变化。此外，该效应所产生的复杂波场难以通过解析法充分考虑。上覆结构群体不仅在地震过程中作为次生振源形成多点振动能量辐射，且改变了原始自由场的质量分布和动力特性。因此，有必要提出高效且保真的代理计算方法，用以低成本地考虑SSCI对结构地震反应的影响，并进一步完善城市震害评估体系。 目前解决上述问题的方法有两种：通过引入SSCI的作用机制对结构地震反应计算结果进行修正，或在动力时程分析前调制结构基底的地震动输入。后者作为计算模型的预处理方法则更具优势，能够在时间域和空间域更真实地展现结构群的地震响应和损伤演化。通常情况下，采用解析模型对城市尺度下的地震动进行修正更容易实现和推广，但一系列假定加剧了计算结果的随机性，且无法充分考虑SSCI效应中众多耦合因素的影响。近年来，机器学习和数据驱动方法因其在精确映射和代理计算方面具有巨大潜力，故在地震工程和快速震害评估领域得到了广泛应用。在城市震害评估中，通过训练预先计算的数据样本，可快速获得高保真的地震反应和震害指标。这有助于监管部门做出更优决策，以减轻地震灾害所带来的生命财产损失。 研究出发点 目前囿于计算成本，在对数以万计的城市建筑进行动力时程分析时未能有效考虑SSCI效应的影响，容易造成灾情误判。因此，需要提出一种高效且保真的城市建筑群空间变异地震动模拟方法，使其能够应用到城市震害模拟与快速评估当中。 研究内容 本文提出了一种新型分解集成框架，能考虑SSCI效应对原始自由场地震动的影响并快速模拟城市区域中的空间变异地震动；通过确定SSCI效应的主要影响因素，采用松散型小波包神经网络作为代理模型工具，提出小波包能量比来描述地震动特征变化，并将其作为唯一输出指标对原始自由场地震动进行多分辨频谱调制。SSCI代理模型的开发基于1080个虚拟实验结果所生成的数据样本，并从小波包能量比谱、加速度时程曲线、峰值地面加速度（Peak Ground Acceleration，简称PGA）和能量变异指数（Energy Variation Index，简称EVI）等方面评价模型性能。  图1 不同布局下的结构群扰动面积计算方法  图2 土-结构动力系统简化示意图  图3 不同场地条件下各类型结构扰动半径的二次非线性拟合  图4 地震信号的小波包分解过程  图5 结构群地震动与自由场地震动在全频段与各子频段内的加速度时程对比  图6 考虑SSCI效应的空间变异地震动模拟流程  图7 未优化人工神经网络性能  图8 遗传算法优化后的人工神经网络性能   图10 数值模拟地震动与代理模型预测地震动的加速度时程对比 主要结论 本文基于松散型小波包神经网络与机器学习，提出了一种能快速模拟城市建筑空间变异地震动的分解集成框架。在该框架中，通过小波包变换将二维时间序列简化为与地震动谱能分布直接相关的一维特征参数，提出小波包能量比来描述地震动变异特征并将其作为唯一输出，以实现对原始自由场地震动的多分辨频谱调制。代理模型的开发基于1080个虚拟实验结果所生成的数据样本，并涵盖广泛的输入参数及因素水平，能充分考虑SSCI对地震动的影响并对目标区域中每个结构的地震动输入进行修正。本文从小波包能量比谱、加速度时程曲线、PGA和EVI（该指标在此项研究任务中定量表征代理模型所预测地震动与目标地震动间的谱能分布误差）等方面评价了代理模型的性能。该模拟方法的可行性和应用潜力总结如下： （1）SSCI代理模型的输入参数包括覆土层厚度、场地剪切波速、场地周期和PGA等常用的工程参数，以及可通过地理信息系统（GIS）获取信息并按规范或经验公式计算的与结构群物理属性相关的参数，即结构质量、结构自振频率、结构影响系数、结构群平均质量密度；因此，采用该代理模型模拟城市大规模建筑物的空间变异地震动是可行的。 （2）在实际应用中，利用GIS获取或识别建筑物的下部构造、结构相对位置以及结构非线性行为较为困难；代理模型在累积训练样本过程中不考虑基础尺寸、结构频率和阻尼时变特性，以位于结构群中心和垂直于地震方向边缘中点的结构地震动作为数据样本；通过验证，舍弃的参数对结构地震动影响有限，所开发的SSCI代理模型仍然是合理可靠的。 （3）采用小波包变换对地震动进行分解、特征提取、调制、重构等操作，能最大限度地考虑信号频域特征变化，同时保留原始信号的时域非平稳特征；此外，通过对样本数据进行预处理，简化输入与输出间的映射关系，有效降低了代理模型预测结果的随机性，优化了数据集规模与模型训练时间；所开发的SSCI代理模型具有良好的预测精度，均方差控制在0.002以下，相关系数稳定在0.978 ~ 0.998之间。 （4）预测地震动的波形和谱能分布与虚拟实验结果吻合良好，EVI为0.0146，PGA误差仅为1.23%。在结构群中针对不同位置所预测的结构地震动，其EVI均处于较低水平（小于0.076）；当面对多高度结构群时，EVI会有所上升，在后续模型改进时可以通过增加样本规模使其能够适应更为复杂的城市环境。 （5）在获取目标区域内场地和结构相关信息的前提下，利用所开发的代理模型对结构地震动进行修正，并考虑SSCI的影响，成本几乎为零。此外，结构群的地震反应能够更真实地在时间域和空间域上展现；上述优点使该方法其代理模型在城市震害模拟与快速评估中具有广阔的应用前景。 此外，在采用该模拟方法时应注意： （1）本文仅在等厚均质地基和SH波垂直入射的条件下考虑了SSCI对地震动的影响；但该方法同样适用于其他情况下的地震动修正，如沉积盆地、坡地、峡谷以及地震波通过其他形式入射等，只需要对训练集变量和神经网络结构进行相应地调整即可。 （2）使用不同的小波基函数将得到不同的信号小波包分解结果；因此，在训练样本特征提取和地震动频谱调制这两个阶段，须保证所使用的小波基函数一致；本文建议采用Daubechies小波系，在不引起信号边界效应的前提下，尽可能提高小波基函数的消失矩以缓解各频域子空间的能量混叠，有利于提高地震动的调制精度。 （3）各频段的小波包能量比需分别预测；相较于小波包能量比随各种SSCI影响因素的变化，该指标在频域内的逻辑关系较为复杂；因此，不建议额外将小波包序列或小波包中心频率作为神经网络的输入层指标来预测小波包能量比谱；因为在该情况下，预测结果的随机性和误差显著增加，并且由于过拟合效应，无法通过增加隐含层神经元数量来有效提高代理模型的性能。 |
|
|
