×
黄鹏飞;葛、韩斌;陈志毅

使用机器学习技术对地铁车站进行快速震害评估。 （英语） Zbl 07747953号

国际期刊计算。方法 20，第7号，文章ID 2143017，28 p.（2023）。
总结：地铁站的快速地震损伤评估对于有效决策地震损坏地铁站的修复方法和快速恢复地铁网络至关重要。然而，目前评价地铁车站震后破坏状态的方法主要是通过人工或计算机视觉进行现场调查，既危险又耗时。基于此，提出了一种采用机器学习技术作为分类模型快速准确评估地铁车站震后破坏状态的新方法。采用人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和逻辑回归（LR）四种机器学习技术。将地震动相关强度测度（IM）及其不相关主成分（PC）分别作为输入，以找到最合适的分类模型，并研究IM之间的相关性如何影响这些模型的性能。结果表明，以IM为输入的LR具有最高的精度（87.7%）和稳定的性能，因此性能最好。此外，以PC作为输入可以提高RF的性能，而对于ANN、SVM和LR，以PC为输入会降低其预测性能。研究结论可为建立地铁车站震后破坏状态快速评估模型时机器学习技术及其输入的选择提供参考。

MSC公司：

68倍 计算机科学
92至XX 生物学和其他自然科学

关键词：

快速风险评估;机器学习;地铁站;主成分分析

软件：

PhyCNN（美国有线电视新闻网）;阿巴夸斯;亚当
PDF格式BibTeX公司 XML格式引用
\textit{P.Huang}等人，《国际计算杂志》。方法20，第7号，文章ID 2143017，28页（2023；Zbl 07747953）
全文： 内政部

参考文献：

[1] ABAQUS[2014]ABAQU用户手册：ABAQUS分析用户指南，6.14版（Dassault Systemes Simulia Corp.，Providence，RI）。
[2] Alam，N.、Alam，M.S.和Tesfamariam，S.【2012】“建筑物的地震脆弱性评估方法：比较研究”，《自然灾害》62（2），405-424，https://doi.org/10.1007网址/s11069-011-0082-4。
[3] Allali，S.A.、Abed，M.和Mebarki，A.[2018]“使用模糊逻辑对建筑物损坏进行震后评估”，工程结构166、117-127，https://doi.org/10.1016/j.engstruct.2018.03.055。
[4] Cao，Y.，Zhou，X.，Yan，K.和Li，D.[2021]“基于传感器数据的隧道地表沉降预测深度学习神经网络模型”，数学。问题。工程1-14，https://doi.org/10.1155/2021/9488892。
[5] Chakraverty，S.、Sahoo，D.和Mahato，N.【2019】软计算的概念：模糊和人工神经网络与编程（Springer，纽约）·Zbl 1415.03001号
[6] Chen，Z.和Huang，P.[2021]“通过振动台试验研究多层地铁车站的地震响应特征”，高级结构。工程242185-2200，https://doi.org/10.1177
[7] Chen，Z.和Liu，Z.[2019a]“在振动稳定试验中获得的脉冲式地震运动对典型地铁车站结构的影响”，工程结构.198，109557，https://doi.org/10.1016/j.engstruct.2019.109557。
[8] Chen，Z.和Liu，Z.[2019b]“基于概率密度演化方法的多层地铁车站结构的随机地震横向变形”，Tunn。本科专业技术94，103114，https://doi.org/10.1016/j.tust.2019.103114。
[9] Chen，Z.和Wei，J.[2013]“山地隧道地面运动参数与衬砌损伤指数的相关性”，《自然灾害》，第65期，第1683-1702页，https://doi.org/10.1007/s11069-012-0437-5。
[10] Chen，Z.，Chen，W.和Zhang，W.[2014]“基于pushover分析的多层地铁结构抗震性能评估”，Proc。《土壤动力学和基础工程进展》，ASCE，第444-454页。
[11] Chen，Z.，Chen，W.，Li，Y.和Yuan，Y.【2016】“脉冲状地面运动下多层地铁站的振动台试验”，Soil Dyn。接地。工程82，111-122，https://doi.org/10.1016/j.soildyn.2015.12.002。
[12] Chong，J.W.，Kim，Y.和Chon，K.H.[2014]“采用磁流变阻尼器的建筑物非线性多类支持向量机健康监测系统”，J.Intel。材料系统。第25街，1456-1468号，https://doi.org/10.1177/1045389X13507343。
[13] Cortes，C.和Vapnik，V.[1995]“支持向量网络”，马赫。学习20，273-297，https://doi.org/10.1023/A:1022627411411。 ·Zbl 0831.68098号
[14] Deng，Y.，Zhang，M.，Feng，D.和Li，A.[2021]“利用称重运动数据和机器学习预测公路吊桥吊架的疲劳损伤”，结构。基础设施。E.17、233-248、，https://doi.org/10.1080/15732479.2020.1734632。
[15] FEMA P-154[2015]《建筑物潜在地震危险快速视觉筛查：手册》，第3版（联邦应急管理局，华盛顿特区）。
[16] FEMA-273[1997]《NEHRP建筑物地震恢复指南》（联邦应急管理局，华盛顿特区）。
[17] Falcone，R.、Lima，C.和Martinelli，E.[2020]“结构和地震工程中的软计算技术：文献综述”，《工程结构》，2007年，第110269页，https://doi.org/10.1016/j.engstruct.2020.110269。
[18] GB50011[2010]《建筑抗震设计规范》（中国建筑工业出版社，北京）。
[19] GB50909[2014]《城市轨道交通结构抗震设计规范》（中国建筑工业出版社，北京）。
[20] Gilan，S.S.、MashhadiAli，A.和Ramezanianpour，A.[2011]“混凝土抗压强度预测的支持向量回归进化模糊函数”，2011年英国国家模拟学会第五届欧洲研讨会。计算机建模与仿真，IEEE，第263-268页。
[21] Gonzalez，D.、Rueda-Plata，D.、Acevedo，A.B.、Duque，J.C.、Ramos-Pollán，R.、Betancourt，A.和GarcíA，S.[2020]“使用街道图像上的深度学习方法自动检测建筑类型”，建筑。环境177106805，https://doi.org/10.1016/j.buildenv.2020.106805。
[22] Harirchian，E.和Lahmer，T.[2020]“通过人工神经网络改进结构地震危险性安全快速评估”，IOP Conf.Ser。马特。科学。工程897（1），12014，https://doi.org/10.1088/1757-899X/897/1/012014。
[23] Harirchian，E.、Lahmer，T.和Rasulzade，S.[2020a]“使用优化多层感知器神经网络对现有建筑进行地震危险性安全评估”，《能源》13（8），2060，https://doi.org/10.3390/en13082060。
[24] Harirchian，E.、Kumari，V.、Jadhav，K.、Das，R.R.、Rasulzade，S.和Lahmer，T.[2020b]“钢筋混凝土建筑物地震危险性安全评估的机器学习框架”，应用。科学-基础.10、7153、，https://doi.org/10.3390/app10207153。
[25] Harirchian，E.，Lahmer，T.，Kumari，V.和Jadhav，K.[2020c]“支持向量机建模在现有建筑快速地震危险性安全评估中的应用”，《能源》13（13），3340，https://doi.org/10.3390/en13133340。
[26] Harirchian，E.、Aghakouchaki Hosseini，S.E.、Jadhav，K.、Kumari，V.、Rasulzade，S.、I skinan K，E.、Wasif，M.和Lahmer，T.[2021a]“软计算技术在现有建筑快速视觉安全评估和损坏分类中的应用综述”，《建筑杂志》。工程43，102536，https://doi.org/10.1016/j.jobe.2021.102536。
[27] Harirchian，E.、Jadhav，K.、Kumari，V.和Lahmer，T.[2021b]“ML-EHSAPP:使用智能手机应用程序进行基于机器学习的结构地震危险性安全评估的原型”，《欧洲环境杂志》。公民。工程1-21，https://doi.org/10.1080/19648189.2021.1892829。
[28] Harirchian，E.，Kumari，V.，Jadhav，K.，Rasulzade，S.，Lahmer，T.和Raj Das，R.[2021c]“基于机器学习方法的综合研究，用于快速分类钢筋混凝土建筑物的地震破坏等级，”应用。科学-巴塞尔协议11（16），7540，https://doi.org/10.3390/app11167540。
[29] He，Z.，Chen，Q.和Montuori，R.[2019]“垂直地震对大空间地下结构地震易损性的影响”，高级土木工程。工程2019，9650294，https://doi.org/10.1155/2019/9650294。
[30] Hosmer，D.和Lemeshow，S.[2000]应用逻辑回归，第2版（威利，纽约）·Zbl 0967.62045号
[31] Huang，P.和Chen，Z.[2021]“利用人工神经网络对地铁站进行脆弱性分析”，J.Earthq。工程师，https://doi.org/10.1080/13632469.20217909。
[32] Huh，J.、Tran，Q.、Haldar，A.、Park，I.和Ahn，J.[2017]“浅层地下钢筋混凝土箱形结构的地震易损性评估”，应用。科学-巴塞尔协议7735，https://doi.org/10.3390/app7070735。
[33] Huo，H.、Bobet，A.、Fernández，G.和Ramírez，J.[2005]“地下结构和周围地面之间的荷载传递机制：Daikai电站的失效评估”，《岩土工程杂志》。Geoenviron.1311522-1533，https://doi.org/10.1061/（ASCE）1090-0241（2005）131:12（1522）。
[34] Iida，H.，Hiroto，T.，Yoshida，N.和Iwafuji，M.[1996]“大开地铁站的损坏”，土壤基金会36，283-300，https://doi.org/10.3208/sandf.36.Special_283。
[35] Isik，E.[2013]“使用视觉筛选方法评估Bitlis省现有建筑”，苏莱姆。德米尔。大学J.Nat.Appl。科学17（1），173-178。
[36] Jiang，J.，El Nggar，H.M.，Xu，C.，Zhong，Z.和Du，X.[2021]“地震动特征对地铁车站地震易损性的影响”，土壤动力学。接地。工程143106618，https://doi.org/10.1016/j.soildyn.2021.106618。
[37] Kamarudin，A.F.、Azmi，I.、Ibrahim，Z.、Madun，A.和Daud，M.E.[2014]“使用环境噪声法对低地震区现有低层钢筋混凝土学校建筑的脆弱性评估”，Adv.Mater。第931483-489号决议。
[38] Kassem，M.M.，Beddu，S.，Ooi，J.H.，Tan，C.G.，Mohamad El-Maissi，A.和Mohamed Nazri，F.[2021]“通过基于web的应用程序使用快速视觉筛选方法评估马来西亚的地震建筑脆弱性”，建筑11（10），485，https://doi.org/10.3390/buildings1110048。
[39] Kiani，J.、Camp，C.和Pezeshk，S.[2019]“关于应用机器学习技术推导地震易损性曲线”，计算。结构218108-122，https://doi.org/10.1016/j.com.pstruc.2019.03.004。
[40] Kingma，D.P.和Ba，J.[2014]“Adam：随机优化的方法”，第三届国际Conf.学习表征，ICLR，圣地亚哥，加利福尼亚州，美国。
[41] Lei，Y.、Zhang，Y.，Mi，J.、Liu，W.和Liu，L.[2020]“利用基于小波的传递率数据，利用深度卷积神经网络检测未知地震激励下的结构损伤”，结构。健康Monit.1475921720923081，https://doi.org/10.1177/1475921720923081。
[42] Li，W.和Chen，Q.[2018]“基于非线性有限元分析的地铁车站抗震性能和破坏机理”，KSCE J.Civ。工程22，765-776，https://doi.org/10.1007/s12205-017-1840-y。
[43] Liang，S.和Chen，Z.[2019]“用于对矩形地下结构进行地震分析的SSI的SPH-FEM耦合模拟”，B.Earthq。工程17，159-180，https://doi.org/10.1007/s10518-018-0456-z。
[44] Liu，Z.，Zeng，B.和Wu，L.[2015]“通过谱表示和随机函数模拟非平稳地面运动”，J.Vib。工程3，411-417（中文）。
[45] Liu，T.，Chen，Z.，Yuan，Y.和Shao，X.[2017]“基于增量动力分析的地铁车站结构脆弱性分析”，高级结构。工程.201111-1124，https://doi.org/10.1177/1369433216671319。
[46] Liu，Z.，Chen，Z.、Liang，S.和Li，C.[2020]“在振动稳定试验中获得的柱端带有柔性装置的地铁车站结构的隔离机制”，Tunn。地下特殊技术98、103328，https://doi.org/10.1016/j.tust.2020.103328。
[47] Lu，C.和Hwang，J.[2019]“1995年神户地震中大开地铁的非线性倒塌模拟：浅埋隧道动力分析的必要性”，Tunn。本科专业技术87，78-90，https://doi.org/10.1016/j.tust.2019.02.007。
[48] Mangalathu，S.和Jeon，J.S.[2020]“基于小波变换和图像分析技术的结构地面运动相关快速损伤评估”，J.Struct。工程.146（11），https://doi.org/10.1061/（ASCE）ST.1943-541X.0002793。
[49] Mangalathu，S.、Hwang，S.H.、Choi，E.和Jeon，J.S.[2019]“使用机器学习技术对桥梁组合进行快速地震损伤评估”，《工程结构》，2001年，第109785页，https://doi.org/10.1016/j.engstruct.2019.109785。
[50] Mangalathu，S.、Sun，H.、Nweke，C.C.、Yi，Z.和Burton，H.V.[2020]“使用机器学习对建筑物的地震破坏进行分类”，Earthq。光谱36183-208，https://doi.org/10.1177/8755293019878137。
[51] Morfidis，K.和Kostinakis，K.[2017]“利用神经网络优化预测钢筋混凝土建筑物破坏状态的地震参数组合”，高级工程软件106，1-16，https://doi.org/10.1016/j.advengsoft.2017.01.001。
[52] Morfidis，K.和Kostinakis，K.[2018]“使用人工神经网络快速预测钢筋混凝土建筑物地震损伤的方法”，工程结构165，120-141，https://doi.org/10.1016/j.engstruct.2018.03.028。
[53] Nazarian，E.、Taylor，T.、Tian，W.和Ansari，F.[2018]“基于机器学习的世纪之交建筑结构损伤事后评估方法”，J.Civ。结构。健康8，237-251，https://doi.org/10.1007/s13349-018-0275-6。
[54] Oh，H.，Won，J.，Woo，S.和Kim，T.[2020]“使用支持向量机通过PVDF信号分析确定CFRP中的冲击损伤”，材料13，5207，https://doi.org/10.3390/ma13225207。
[55] Protopapadakis，E.、Voulodimos，A.、Doulamis，A.、Duolamis，N.和Stathaki，T.[2019]“使用深度学习和启发式图像后处理进行隧道检测的自动裂纹检测”，应用。国际49，2793-2806，https://doi.org/10.1007/s10489-018-01396-y。
[56] Roeslin，S.、Ma，Q.、Juarez-Garcia，H.、Gomez-Bernal，A.、Wicker，J.、Wotherspoon，L.、Arendt，L.A.、Mosqueda，G.、Alcocer，S.，Arendt。L.A.，Mosqueda-G.和Alcocer-S.M.[2020]“2017年墨西哥普埃布拉莫雷洛斯地震的机器学习损伤预测模型”，Earthq。光谱36（2），314-339，https://doi.org/10.1177/8755293020936714。
[57] Salehi，H.和Burgueño，R.[2018]“结构工程中新兴的人工智能方法”，《工程结构》171，170-189，https://doi.org/10.1016/j.engstruct.2018.05.084。
[58] Shang，X.，Li，X.、Morales-Esteban，A.和Chen，G.[2017]“基于主成分分析的人工神经网络改进微震事件和采石场爆破分类”，土壤。动态。接地。工程99，142-149，https://doi.org/10.1016/j。土壤动力学2017.05.008。
[59] Shen，Z.、Pan，P.、Zhang，D.和Huang，S.[2020]“使用深度神经网络进行快速结构安全评估”，J.Earthq。工程1-17，https://doi.org/10.1080/13632469.2020.1785586。
[60] Sun，H.、Burton，H.V.和Huang，H.[2021]“建筑结构设计和性能评估的机器学习应用：最新审查”，J.Build。工程33，101816，https://doi.org/10.1016/j.jobe.2020.101816。
[61] Tavazo，H.A.和Ranjbaran，A.[2017]“基于导出标准偏差的耐久时间法的三维钢筋混凝土框架脆性分析”，J.Earthq。海啸11，1750011，https://doi.org/10.1142/S1793431117500117。
[62] Tesfamariam，S.和Liu，Z.[2010]“钢筋混凝土建筑的地震损伤分类”，结构。安全32（2），154-164，https://doi.org/10.1016/j.strusafe.2009.10.002。
[63] Wu，R.和Jahanshahi，M.R.【2019】“用于结构动态响应估计和系统识别的深度卷积神经网络”，J.Eng.Mech.145（1），https://doi.org/10.1061/（ASCE）EM.1943-7889.0001556。
[64] Xu，Y.，Lu，X.，Tian，Y.和Huang，Y.[2020]“基于机器学习的实时地震损伤预测和各种地面运动强度测量的比较”，J.Earthq。工程，1-21，https://doi.org/10.1080/13632469.2020.1826371。
[65] Yan，K.，Dai，Y.，Xu，M.和Mo，Y.[2019]“基于集成学习的隧道表面沉降预测”，可持续性12（1），232，https://doi.org/10.3390/su12010232。
[66] Yang，Y.，Chen，G.和Reniers，G.[2020]“基于逻辑回归的常压储罐对洪水的脆弱性评估”，Reliab。工程系统。安全196106721，https://doi.org/10.1016/j.ress.2019.106721。
[67] Yu，K.，Chouinard，L.和Rosset，P.[2016]“蒙特利尔地震易损性评估”，Georisk10（2），164-178。
[68] Zhang，Y.，Burton，H.V.，Sun，H.和Shokrabadi，M.[2018]“评估地震后结构安全的机器学习框架”，结构。安全72，1-16，https://doi.org/10.1016/j.strusafe.2017.12.001。
[69] Zhang，R.，Chen，Z.，Chen，S.，Zheng，J.，Büyüköztürk，O.和Sun，H.【2019a】“用于非线性结构地震反应预测的深层长短期记忆网络”，Comput。结构220、55-68、，https://doi.org/10.1016/j.compstruc.2019.05.006。
[70] Zhang，Z.，Hsu，T.，Wei，H.和Chen，J.[2019b]“建筑物地震易损性区域尺度评估数据挖掘技术的开发”，应用。科学-巴塞尔协议9（7），1502，https://doi.org/10.3390/app9071502。
[71] Zhang，R.，Liu，Y.和Sun，H.[2020]“用于数据驱动地震响应建模的物理引导卷积神经网络（PhyCNN）”，工程结构215，https://doi.org/10.1016/j.engstruct.2020.110704。
[72] Zhong，Z.，Shen，Y.，Zhao，M.，Li，L.，Du，X.和Hao，H.[2020]“层状土壤中代开地铁站的地震易损性评估”，土壤动力学。接地。工程132106044，https://doi.org/10.1016/j.soildyn.2020.106044。
[73] 庄，H.，任，J.，苗，Y.，Jing，L.，Yao，E.和Xu，C.[2021]“不同土壤地基中大型地下车站的抗震性能水平”，J.Earthq。工程25（14），2808-2833，https://doi.org/10.1080/13632469.201651423。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。