如何将地震破坏力评估加速1500倍？新论文：基于LSTM的地震破坏力实时评估

DOI：

https://onlinelibrary.wiley.com/doi/abs/10.1111/mice.12628

   地震灾害后，快速、准确地完成地震动破坏力评估，对指导震后应急救援意义重大。传统易损性分析方法 “准确性” 相对有限，而非线性时程分析方法虽然准确，但一般需要高性能的计算装备且计算耗时较长，不能满足 “实时性” 要求。

   本研究提出了一种基于 长短时记忆神经网络 （Long-short Term Memory Neural Network, LSTM）的应急震害预测方法。该方法基于大量历史地震动和准确的非线性时程分析方法获取的破坏力结果，学习 地面运动加速度时程与地震动破坏力的映射关系 ，保障准确性；此外，该方法实现了 “震前训练验证、震后应急预测” 两步走，将耗时较长的训练、验证环节前置，保障实时性 。

   通过一个单体建筑（3层框架）和清华大学校园建筑群两个案例，验证了本文方法的准确 性与实时性。结果表明，在区域尺度上，本文方法平均震害预测 准确率高于80% ，绝大多数（超过96%）的预测结果误差不超过±1破坏等级；且本文方法可以 在1秒内完成一次区域尺度震害预测，较同一尺度非线性时程分析而言 加速1500余倍 。

    在上一推送中（ 新论文：基于机器学习方法的多元地震动强度指标比选与实时震害预测 ），我们介绍了一种基于多元地震动强度指标和机器学习方法的应急震害预测方法，旨在平衡应急震害预测的 “准确性” 和 “实时性” 需求。

    不过，虽然经过了准确性和实时性验证，证明了基于多元地震动强度指标开展应急震害预测是可行的思路，但我们也不难发现： 地震动强度指标都是对地震动的某部分特征的归纳总结 ，因而总有一定的片面性。而 地面运动加速度时程保留了地震动的各类特征 。我们自然可以想到，是否能以“完整地面运动加速度时程”取代具有一定片面性的“地震动强度指标”作为应急震害预测的输入？

   由于地面运动加速度时程维度高、特征复杂，传统上往往只能通过非线性时程分析方法，将地震动逐步输入并积分求解响应结果。这样的处理方式准确但计算量较大，存在实时性缺陷。传统的机器学习方法（例如上一研究中所采用的支持向量机、决策树等）也大都不擅长处理如此高维的时序数据。

   近年来，随着机器学习技术的进展，本课题组已开展了一些相关研究，包括：

（1）基于Logistic Regression的震害情景选取方法（ 新论文：利用震后遥感图像提升近实时震损预测精度 ）；

（2）基于卷积神经网络（CNN）和无人机的破坏力快速评估方法（ 新论文：基于无人机与深度学习的建筑震害评估方法 ）；

（3）基于卷积神经网络、小波时频图和LQR算法的振动控制方法（ 新论文：给振动信号拍个照，可以提升振动控制效果 ）；

（4）基于Decision Forest的城市建筑物属性确定方法（ 新论文： 这栋楼是什么结构的，元芳，你怎么看？ ）

    循环神经网络（Recurrent Neural Network, RNN）作为一种适合提取与学习高维时序数据特征的技术，近年来得到了愈加广泛的关注。而地面运动加速度时程正是典型的时序数据。因此， 本研究基于典型RNN的改进网络—— 长短时记忆神经网络（Long Short-term Memory Neural Network, LSTM, 基本架构如图1所示） ，提出了一种直接以地面运动加速度时程为输入的应急震害预测方法。

图1 长短时记忆神经网络LSTM基本结构

    本文方法可以划分为以下4个关键环节（如图2所示）：

   (1) 地震动选择与预处理

   基于开源历史地震动数据库（例如美国的PEER-NGA West / West2 / East，日本的K-NET）获取大量历史地震动数据，并采用合理的方法进行筛选、预处理（详见第3节），获取训练所需数据。

   (2) 震害指标计算与获取

   基于具有良好准确性的城市抗震弹塑性分析方法（ 新论文：城市抗震弹塑性分析方法开源框架 ），计算在以数据库中地震动为输入时，指定建筑/区域（本研究分别以3层框架和清华校园建筑群为案例）的破坏情况，并将其作为上述地震动数据的标签。在本研究中，基于最为常用的层间位移角参数标定建筑破坏等级。

   (3) 训练与测试LSTM

   搭建与训练不同的LSTM神经网络，在训练集数据上开展训练，在验证集数据上对比不同网络架构、超参数（例如dropout ratio和learning rate）的影响；最终获取具有最佳表现的网络，在测试集样本上开展准确率与效率测试，证明本文方法的准确性、实时性。

   (4) 应急震害预测

   实际地震来临时，依据广泛分布的强震台网快速获取地震动加速度时程，并经过预处理后输入预加载的LSTM模型，即可快速完成实测地震动的破坏力评估。

图2 本文方法框架

    良好的 数据筛选与预处理 有助于提升网络表现、降低计算资源消耗。本研究的预处理方法需要和LSTM网络的输入特征相匹配，因此较前述采用地震动强度指标的震害预测方法而言更为复杂， 包括调幅、频率调整和持时调整3个主要环节 （如图3所示）。具体而言：

(1) 调幅： 对加速度时程乘以1.0、2.0、3.0和4.0的放大系数，完成地震动调幅。该步预处理旨在针对天然地震动中强震比例较低的现象，提升强破坏力地震动比例，使地震动数据库相对更为均衡。

(2) 频率调整： 通过降采样方法，将地震动频率统一调整为50Hz。该步骤是为了统一“时间步”的物理含义（处理后，1时间步 = 0.02s），从而无需将时间维度输入LSTM中，提升效率、避免语义混淆。

(3) 持时调整： 截取PGA出现时刻前后30s的地震动峰值区段，舍弃其余区段。该步骤是为了在保留地震动主要区段的前提下，使所有输入LSTM的地震动时程长度一致。

图3 地震动预处理流程

    需要指出，上述预处理过程理论上会丢弃原始地震动的部分信息。但任何网络的学习能力都是有限的，统一频率与持时可以保证LSTM网络输入数据语义一致，同时避免了在大量次要区段（地震动能量微弱的区段）的计算分析浪费计算资源，降低了对网络提取、学习主要区段（前述保留的持时为30s的区段）特征的干扰。通过文献调研与对比试验，证明基于上述预处理后的样本开展LSTM网络训练时，其准确率和效率均显著高于采用原始样本的情况（ 6组对比试验表明，准确率提升6.7%，训练时间缩短90% ）。

   本研究基于 1个3层框架和清华大学校园内包含619栋建筑的建筑群 开展案例研究。其中，所用3层框架模型高度为10m，建造于2010年（依据GB50011-2010《建筑抗震设计规范》设计建造），抗震设防烈度为VII度（0.10g）。清华大学校园内619栋建筑信息各异，详见 Zeng et al. (2016) 。

   在单体建筑尺度上，本研究选取的破坏力等级为 常见的五等级方案 （即：完好，轻微破坏，中等破坏，严重破坏，毁坏）；在区域尺度上，经过文献调研，本研究选取了 “中等破坏及以上建筑比例” （适用于转移安置任务，快速评估区域内需要转移安置人员的房屋比例）和 “严重破坏及以上建筑比例” （适用于应急救援任务，快速评估区域内可能造成显著人员伤亡的建筑比例）两个区域尺度破坏指标。

   测试集上的预测结果（以混淆矩阵的形式表示）如图4所示。可以看出，无论是单体还是区域尺度，本文方法都具有较高的准确性（单体尺度上：平均准确率78.6%，误差±1等级以内的预测结果占比98.1%；区域尺度，大部分破坏力等级的预测准确率超过80%，误差±1等级以内的预测结果占比均超过96%）。

图4 测试集预测结果

   其中，图4(b)、图4(c)的破坏等级定义如图5所示：

图5 区域尺度震害等级定义

   除准确率测试外，本研究还随机选取了10条地震动，开展了实时性测试（需要指出，在应急预测时，无需再次训练网络）。对比结果表明，基于本文方法开展 单次区域震害预测耗时仅0.5秒 ，较同一尺度（清华大学校园）非线性时程分析 效率提升超过1500倍 。

   由于本方法实时性好，因此可以随着地震动信号的接收， 以较短的时间间隔（例如1秒）持续开展评估，并不断更新地震动破坏力评估结果（如图6所示） 。可以看出：地震动破坏力评估结果快速上升的区段，和地震动时程中的主要区段相吻合；中等破坏及以上建筑比例始终高于严重破坏及以上建筑比例，符合结构破坏的基本规律；且最终两项预测结果均稳定在正确等级上（60s后预测结果没有再改变）。上述结论再次证明了本文所提出的预测方法的可靠性。

   因此，在通过监测台网等获得实测地震动后，即可对地震动进行预处理并输入本文方法训练得到的LSTM模型，快速得到地震动破坏力评估结果并实时更新，为震后应急工作提供支持。

(a) 输入地震动时程

(b) 震害预测结果

图6 实时震害预测案例（以1s为时间间隔持续预测）

    本研究提出了一种 基于LSTM的地震动破坏力实时评估方法 。通过 3层框架案例和清华校园建筑群案例，证 明了该方法能兼顾准确性与实时性。结合地震动监测网络等获取实测地震动后，本研究可以为震后应急提供有力的支持。