基于ACCRBF網(wǎng)絡的多層磚房震害預測1

楊秀萍 程運平 陳克珩 丁大勇

（荊門市民防辦，荊門 448000）

引言

地震是破壞力最強的自然災害之一。地震災害的最重要特征就是在極短的時間內(nèi)造成嚴重的人員傷亡和經(jīng)濟損失。近年來全球地震災害頻發(fā)，正處于全球地質(zhì)活動相對活躍的時期，平均每年發(fā)生的6級以上地震約300—400次，7級以上地震約20次，8級以上地震1次左右。

通過調(diào)查歷史震害，作者發(fā)現(xiàn)地震災害損毀主要表現(xiàn)在兩個方面：一是地震災害造成的人員傷亡；二是地震災害導致的基礎設施損毀。而人員傷亡大多數(shù)是由于基礎設施損毀而直接引起的。因此，在目前地震準確預報尚不能實現(xiàn)的情況下，建筑物抗震能力的高低對減輕地震災害有著極其重要的作用。如果能夠在地震前預測出城市建筑物的震害程度及其空間分布，并且采取必要的抗震加固措施，就能減小地震災害造成的損失。

1 建筑物震害預測原理

廣義上的震害預測包括：地震危險性分析和結(jié)構(gòu)易損性分析。本文主要討論狹義的震害預測結(jié)構(gòu)易損性分析——結(jié)構(gòu)在確定的地震強度作用下，發(fā)生某種破壞程度的概率或可能性（伊之潛，1996）。

傳統(tǒng)的震害預測方法主要是對建筑物逐棟或抽樣進行調(diào)查，再建立震害矩陣進行預測。這種方法可以得到比較詳細的數(shù)據(jù)，但《地震災害預測及其信息處理系統(tǒng)技術規(guī)范》規(guī)定：“對于城市的一般建筑物，抽樣率一般以占該類建筑總面積的8%—11%為宜”，如果應用傳統(tǒng)的震害預測方法，工作量巨大且投資額高。我國需要進行震害預測的城市約占全國城市的半數(shù)以上，在保證宏觀預測精度和可靠性的情況下，加速城市的震害預測工作，減少投資成本，就成為眾所關心的問題?？紤]到我國目前建筑形式還是以多層磚房為主，因此對多層磚房震害預測研究就有著非常重要的意義，同時我國多層磚房的震害資料也比較豐富，容易獲得的樣本也比較全面。目前，對多層磚房的震害預測主要包括：樓層單位面積平均抗剪強度系數(shù)法（喬亞玲等，2005）、基于 BP神經(jīng)網(wǎng)絡模型的多層磚房震害預測方法（湯皓等，2006a；2006b）、基于MATLAB神經(jīng)網(wǎng)絡方法的多層磚房震害預測（姜偉等，2011）、用模糊人工神經(jīng)網(wǎng)絡方法預測多層磚房震害（劉本玉等，2002）、灰關聯(lián)與人工神經(jīng)網(wǎng)絡在建筑物震害預測中的應用（湯皓等，2006a；2006b）等。本文嘗試利用一種ACCRBF（Ant Colony Clustering Radial Basis Function）網(wǎng)絡模型（康飛等，2009），依據(jù)不同峰值加速度下多層磚房的實際震害資料建立樣本，通過對已知震害樣本的學習、訓練，在模型的輸入和輸出之間建立映射關系，并利用這種映射關系對未知樣本進行評估和分類，實現(xiàn)對建筑物的震害分析和預測。

2 基于ACCRBF網(wǎng)絡的多層磚房震害預測模型

2.1 ACCRBF網(wǎng)絡的基本原理和算法

RBF網(wǎng)絡（圖1）是一種前饋神經(jīng)網(wǎng)絡模型，一般為m-k-p型3層結(jié)構(gòu)，如圖2所示。它不僅具有生物學基礎和數(shù)學基礎，而且結(jié)構(gòu)簡單，學習速度快，逼近能力強。但其學習算法如聚類算法（K-means）是無監(jiān)督的模式分類算法，工作量大，易陷入局部最優(yōu)。蟻群優(yōu)化是一種高度創(chuàng)新的全局優(yōu)化算法，它特有的信息素正反饋、信息素通信和群體協(xié)作等優(yōu)秀性能使之得到了廣泛的認可。將蟻群聚類算法與RBF網(wǎng)絡組合運用，建立一種新的ACCRBF網(wǎng)絡模型，能夠在全局范圍內(nèi)優(yōu)化搜索，模擬了蟻群覓食的概率轉(zhuǎn)移特性，克服了傳統(tǒng)的K-means聚類對初始聚類中心的選取依賴性強，而且容易收斂到局部極值的缺點，聚類效果更優(yōu)，得到的基函數(shù)中心更具有代表性。

ACCRBF算法（康飛等，2009；楊秀萍等，2011）：

（1）采用蟻群聚類算法，計算聚類中心（如圖2）。

（2）根據(jù)公式iidσγ=確定各隱節(jié)點的擴展常數(shù)，id為第i個聚類中心與離它最近的聚類中心之間的歐氏距離，γ是用來調(diào)整擴展常數(shù)的重疊系數(shù)。

（3）計算權值矩陣W：RBF網(wǎng)絡各隱節(jié)點的數(shù)據(jù)中心ic和擴展常數(shù)iσ確定之后，對應于輸入樣本ix的第j個隱節(jié)點的輸出為。ACCRBF網(wǎng)絡結(jié)構(gòu)就完全確定了：輸入樣本為ix，輸出為y HW= ，

圖1 RBF網(wǎng)絡結(jié)構(gòu)圖Fig. 1 Diagram of RBF network structure

2.2 結(jié)構(gòu)易損性預測神經(jīng)網(wǎng)絡模型設計

ACCRBF網(wǎng)絡模型（康飛等，2009）設計的關鍵是要選擇能夠合理反映出模型的輸入、輸出之間的邏輯映射關系的特征向量，包括輸入向量和輸出向量兩部分。在結(jié)構(gòu)易損性預測神經(jīng)網(wǎng)絡模型中，所選擇的輸入向量應為結(jié)構(gòu)的震害影響因子。根據(jù)多層磚房震害影響因素選用以下8個震害影響因子（劉本玉等，2002；湯皓等，2006a；2006b；成小平等，2009）：房屋層數(shù)1x、施工質(zhì)量2x、砂漿標號3x、結(jié)構(gòu)合理性4x、磚墻面積率5x、房屋整體性6x、場地條件7x和地震峰值加速度8x作為輸入向量的分量，同時設輸入向量具體的參數(shù)取值如表1所示。

圖2 ACC算法流程圖Fig. 2 Flowchart of ant clustering algorithm

表1 多層磚房震害影響因子Table 1 Influence factor of multistory masonry buildings

續(xù)表

輸出向量設為不同峰值加速度下結(jié)構(gòu)震害程度。本文將震害程度分為5個等級：基本完好、輕微損壞、中等破壞、嚴重破壞和倒塌。根據(jù)震害的分級情況，將輸出向量分別用1、2、3、4、5來表示：基本完好、輕微損壞、中等破壞、嚴重破壞、倒塌5種破壞。

2.3 ACCRBF網(wǎng)絡模型的訓練

本文參照湯皓等（2006a；2006b），選擇了《唐山大地震震害》中的30組多層磚房震害實例。多層磚房震害實例的各震害因子及其對應的震害程度如表2所示。取25組作為訓練樣本，5組作為測試樣本。按照本文的網(wǎng)絡模型算法，參考康飛等（2009），α, β取1—10之間不同的整數(shù)，通過多次實驗表明， α =β=8.0時，收斂效果最優(yōu)，當r和γ大于一定值時對網(wǎng)絡收斂精度影響不大，取為樣本間最大距離，γ=200。用訓練樣本對ACCRBF網(wǎng)絡進行多次訓練，得到合理的網(wǎng)絡基函數(shù)中心、擴展常數(shù)和權值。

表2 多層磚房震害實例Table 2 Some case examples of the seismic damage of multistory masonry buildings

由表3可見，各種破壞情況的輸出值并不是精確的整數(shù)，根據(jù)模糊理論中的貼近準則，可以大致預測該房屋最可能發(fā)生的破壞等級。通過ACCRBF網(wǎng)絡預測、BP網(wǎng)絡預測結(jié)果比較發(fā)現(xiàn)，RBF網(wǎng)絡聚類效果更優(yōu)，預測結(jié)果誤差?。▓D3）。根據(jù)ACCRBF網(wǎng)絡預測結(jié)果與實際震害的比較，可知2、3、6、7、28五組樣本基本吻合，樣本10、11、19、27、29誤差較大，但也在允許范圍，其余樣本吻合度良好。出現(xiàn)這樣的結(jié)果是因為選取前25組樣本作為訓練樣本，后5組作為測試樣本，訓練樣本吻合度良好，測試樣本略有偏差。究其原因主要是因為選擇的樣本數(shù)量少，樣本不夠全面，30組樣本中3組完好、11組輕微破壞、6組中等破壞、6組嚴重破壞，4組倒塌，輕微破壞樣本數(shù)量最多，而訓練效果也是最好的。同時選取的樣本主要基于地面峰值加速度0.2g—0.3g的情況，其他峰值加速度下的震害資料少，這樣網(wǎng)絡訓練結(jié)果則不能實現(xiàn)各級震害預測。

圖3 ACCRB F網(wǎng)絡預測、BP網(wǎng)絡預測結(jié)果與實際震害比較Fig. 3 The comparison of predicted results and the actual damages

表3 ACCRBF網(wǎng)絡預測、BP網(wǎng)絡預測結(jié)果與實際震害比較Table 3 The comparison of predicted results and the actual damages

續(xù)表

3 結(jié)論

（1）對建筑物進行合理的震害評估，并對抗震能力差的建筑物采取措施是減輕地震災害損失的有效途徑。

（2）ACCRBF網(wǎng)絡能夠在全局范圍內(nèi)優(yōu)化搜索，較BP網(wǎng)絡聚類效果更優(yōu)，預測結(jié)果誤差較小，更接近實際震害。

（3）由ACCRBF網(wǎng)絡預測結(jié)果與實際震害比較可以看出，2、3、6、7、28五組樣本基本吻合；樣本10、11、19、27、29誤差較大，但也在允許范圍；其余20組樣本吻合度良好。說明只要震害實例足夠全面，ACCRBF網(wǎng)絡可以用于震害預測模型。

成小平，胡聿賢，帥向華，2009. 基于神經(jīng)網(wǎng)絡模型的房屋震害易損性估計方法. 自然災害學報，9（2）：68—73.

姜偉，馬令勇，劉功良，2011. 基于MATLAB神經(jīng)網(wǎng)絡方法的多層磚房震害預測. 西北地震學報，33（2）：155—158.

康飛，李俊杰，許青，2009. 堆石壩參數(shù)反演的蟻群聚類RBF網(wǎng)絡模型. 巖土力學與工程學報，28（增2）：3640—3644.

劉本玉，葉燎原，江見鯨，2002. 用模糊人工神經(jīng)網(wǎng)絡方法預測多層磚房震害. 清華大學學報（自然科學版），42（6）：843—846.

喬亞玲，閆維明，2005. 建筑結(jié)構(gòu)震害預測方法研究評述. 工業(yè)建筑，35（6）：1—5.

湯皓，陳國興，2006a. 灰關聯(lián)與人工神經(jīng)網(wǎng)絡在建筑物震害預測中的應用. 地震工程與工程振動，26（3）：57—59.

湯皓，陳國興，李方明，2006b. 基于BP神經(jīng)網(wǎng)絡模型的多層磚房震害預測方法. 地震工程與工程振動，26（4）：141—146.

伊之潛，1996. 地震災害及損失預測方法. 北京：地震出版社.

楊秀萍，康飛，李俊杰，2011. 基于ACCRBF網(wǎng)絡的面板堆石壩參數(shù)反演. 水電自動化與大壩監(jiān)測，35（2）：56—58.