基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的單體建筑物震害評(píng)估方法

孟雅湉 熊永良 郭紅梅 張瑩 趙真 江雪梨

1)西南交通大學(xué),地球科學(xué)與環(huán)境工程學(xué)院,成都 611756

2)四川省地震局,成都 610041

0 引言

我國(guó)位于環(huán)太平洋地震帶和歐亞地震帶之間,地震活動(dòng)范圍廣,頻率高,烈度大,震源淺(李邯廣,2018)。地震釋放的能量會(huì)導(dǎo)致建筑物和各類(lèi)設(shè)施的破壞、倒塌及各種次生災(zāi)害發(fā)生,造成巨大的經(jīng)濟(jì)損失,甚至造成人員傷亡(陳華靜等,2020)。其中, 建筑物的破壞和倒塌又是造成人員傷亡和經(jīng)濟(jì)損失的最主要原因。因此,在目前地震預(yù)測(cè)能力不足的條件下,若能快速、準(zhǔn)確地評(píng)估某區(qū)域內(nèi)單體建筑物在各震害影響因素綜合作用下的破壞情況,對(duì)于震前發(fā)現(xiàn)抗震設(shè)防的具體薄弱環(huán)節(jié),開(kāi)展建筑物抗震加固等地震災(zāi)害風(fēng)險(xiǎn)精準(zhǔn)治理,以及震后快速了解災(zāi)區(qū)建筑物詳細(xì)震害情況,準(zhǔn)確定位受災(zāi)位置,進(jìn)行救援力量科學(xué)部署等應(yīng)急處置均具有重要意義(別冬梅,2011; 孫柏濤等,2021)。

對(duì)于單體建筑物的震害評(píng)估,目前國(guó)內(nèi)外主要有6種方法,分別為歷史震害統(tǒng)計(jì)法、專(zhuān)家評(píng)估法、模糊類(lèi)比法、半經(jīng)驗(yàn)半理論法、結(jié)構(gòu)理論計(jì)算方法和動(dòng)態(tài)分析法(崔玉紅等,2001)。然而,這些評(píng)估方法或存在評(píng)估結(jié)果粗放,或存在評(píng)估過(guò)程繁雜、自適應(yīng)能力較差等不足。因此,找到一種評(píng)估過(guò)程快速、智能,評(píng)估結(jié)果又能準(zhǔn)確反映各類(lèi)不同單體建筑物破壞情況的評(píng)估方法,具有研究意義和防震減災(zāi)應(yīng)用價(jià)值。

近年來(lái),由于機(jī)器學(xué)習(xí)方法自適應(yīng)性高、容錯(cuò)性強(qiáng)的特點(diǎn),并且在處理復(fù)雜的非線(xiàn)性問(wèn)題時(shí)具有高效性和準(zhǔn)確性(范傳鑫,2014),很多研究者已經(jīng)開(kāi)始將機(jī)器學(xué)習(xí)算法及其衍生方法應(yīng)用于地震等自然災(zāi)害損失評(píng)估領(lǐng)域(Kircher et al,1997)。劉本玉等(2002)應(yīng)用模糊人工神經(jīng)網(wǎng)絡(luò)方法對(duì)結(jié)構(gòu)震害進(jìn)行分析預(yù)測(cè),運(yùn)用灰色數(shù)學(xué)方法篩選出震害主要影響因素,并進(jìn)行模糊人工神經(jīng)網(wǎng)絡(luò)的構(gòu)筑與訓(xùn)練。湯皓等(2006)構(gòu)建了一種結(jié)合灰色關(guān)聯(lián)分析與BP神經(jīng)網(wǎng)絡(luò)技術(shù)的綜合評(píng)價(jià)模型來(lái)對(duì)多層磚房震害進(jìn)行分析、預(yù)測(cè)。Noura等(2019)利用人工神經(jīng)網(wǎng)絡(luò)(ANN)方法進(jìn)行震害評(píng)估,模型輸出結(jié)果達(dá)到了87%的準(zhǔn)確性。戴靜涵(2019)將神經(jīng)網(wǎng)絡(luò)交叉應(yīng)用,實(shí)現(xiàn)了在使用少量震害影響因子的情況下,對(duì)建筑物進(jìn)行快速且準(zhǔn)確的震害評(píng)估。Yariyan等(2020)應(yīng)用FAHP-ANN模型準(zhǔn)確識(shí)別了建筑基礎(chǔ)設(shè)施的地震易損性。除了BP神經(jīng)網(wǎng)絡(luò)方法外,也有學(xué)者利用Elman神經(jīng)網(wǎng)絡(luò)的方法對(duì)地震直接經(jīng)濟(jì)損失進(jìn)行評(píng)估分析(鄭韻等,2021),以及基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法對(duì)地震傷亡人口進(jìn)行預(yù)測(cè)(朱鵬宇等,2022)。

上述研究表明,基于機(jī)器學(xué)習(xí)進(jìn)行震害評(píng)估的方法是快速、準(zhǔn)確的,但傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)模型容易陷入局部極小值,收斂速度較慢(夏瑜潞,2019)。因此,本文利用改進(jìn)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,建立單體建筑物震害評(píng)估模型,輸出評(píng)估區(qū)域內(nèi)單體建筑物在各震害影響因素綜合作用下的破壞等級(jí)。在實(shí)現(xiàn)對(duì)建筑物震害快速、準(zhǔn)確、科學(xué)智能化評(píng)估的同時(shí),模型輸出的定量且精細(xì)化的評(píng)估結(jié)果有助于全面感知建筑物的震害風(fēng)險(xiǎn)水平,可為政府、行業(yè)部門(mén)和社會(huì)共同開(kāi)展地震災(zāi)害風(fēng)險(xiǎn)精準(zhǔn)治理等風(fēng)險(xiǎn)管理工作提供信息支撐。

1 震害影響因素分析與量化

1.1 震害影響因子的確定

建筑物在地震中的破壞情況是由多種因素共同決定的,科學(xué)選取震害因素是準(zhǔn)確評(píng)估建筑物震害情況的前提。本文在考慮地震強(qiáng)度、建筑物所處環(huán)境及自身結(jié)構(gòu)特征等各種因素對(duì)建筑物震害影響的情況下,基于數(shù)據(jù)易于獲取的原則,選取地震烈度、場(chǎng)地類(lèi)型、發(fā)震斷層類(lèi)型、距震中距離、距發(fā)震斷層距離、建筑物結(jié)構(gòu)類(lèi)型、建筑用途、設(shè)防烈度作為建筑物震害的影響因素。將這8個(gè)影響因素作為本文模型的輸入指標(biāo),模型的輸出為建筑物的震害情況,按照5種破壞等級(jí)進(jìn)行分類(lèi),即基本完好、輕微破壞、中等破壞、嚴(yán)重破壞和毀壞。

1.2 震害影響因子的量化

神經(jīng)網(wǎng)絡(luò)算法僅能處理數(shù)值型的數(shù)字信息,而發(fā)震斷層類(lèi)型、場(chǎng)地類(lèi)型、建筑物結(jié)構(gòu)類(lèi)型和建筑用途為定性信息,無(wú)法直接進(jìn)行比較和計(jì)算,因此需要將其轉(zhuǎn)化為數(shù)值型信息。在確定影響因子的量化取值標(biāo)準(zhǔn)時(shí),通過(guò)分析同一影響因素的不同屬性對(duì)結(jié)果的影響大小,反映出不同屬性之間的差異。將定性的影響因子參數(shù)取值設(shè)置為0～1之間的數(shù)值,數(shù)值大小反映的是在同一影響因素內(nèi)屬性之間的對(duì)比關(guān)系。數(shù)值型的定量影響因子按實(shí)際數(shù)值取值,影響因子的選擇和量化取值標(biāo)準(zhǔn)如下:

(1)地震烈度: 按照實(shí)際數(shù)值取值,地震烈度Ⅷ度、 Ⅶ度、 Ⅵ度、 Ⅴ度依次取值為8、 7、 6、 5。

(2)場(chǎng)地類(lèi)型: 由于土層等效剪切波速和覆蓋層厚度數(shù)據(jù)難以獲取,本文根據(jù)亢川川(2017)的研究方法,利用SRTM30的DEM數(shù)據(jù),結(jié)合ArcGIS軟件計(jì)算建筑物對(duì)應(yīng)場(chǎng)地的坡度值,基于地形坡度法并根據(jù)NEHRP規(guī)范將場(chǎng)地類(lèi)型劃分為B、C、D、E四類(lèi)。在四類(lèi)場(chǎng)地類(lèi)型中,B類(lèi)場(chǎng)地對(duì)地震動(dòng)的放大作用最不明顯,抗震性能最好,其他次之,故將取值依次設(shè)置為B類(lèi)0.5,C類(lèi)0.3,D類(lèi)0.1,E類(lèi)0。

(3)發(fā)震斷層類(lèi)型:評(píng)估區(qū)域內(nèi)的發(fā)震斷層主要分為逆沖斷層和走滑斷層。根據(jù)楊海芳(2018)的研究結(jié)果,在同等震級(jí)下,逆沖斷層對(duì)建筑物震害的影響大于走滑斷層。因此,將其取值分別設(shè)置為1和0.6。

(4)距震中距離:根據(jù)建筑物和震中的位置信息計(jì)算距離,距離越近,地震對(duì)建筑物的破壞力越大。

(5)距發(fā)震斷層距離:地震烈度區(qū)的分布與發(fā)震斷層的位置有關(guān),根據(jù)建筑物和發(fā)震斷層的位置信息計(jì)算距離,建筑物離發(fā)震斷層越近,受到的地震動(dòng)的影響越大。

(6)建筑物結(jié)構(gòu)類(lèi)型:根據(jù)尹之潛等(2004)的統(tǒng)計(jì)和歷史震例資料,典型的建筑物結(jié)構(gòu)類(lèi)型主要分為土木結(jié)構(gòu)、磚木結(jié)構(gòu)、磚混結(jié)構(gòu)、框架結(jié)構(gòu)和木結(jié)構(gòu),木結(jié)構(gòu)為穿斗木屋架房屋。不同結(jié)構(gòu)類(lèi)型的建筑物抗震性能不同,根據(jù)歷史震例數(shù)據(jù),對(duì)5種結(jié)構(gòu)類(lèi)型的建筑物震害指數(shù)進(jìn)行統(tǒng)計(jì)分析,得到不同建筑結(jié)構(gòu)的取值依次為0.33、0.31、0.25、0.11和0。

(7)建筑用途:建筑物按用途主要分為民用住宅類(lèi)、教育類(lèi)、衛(wèi)生類(lèi)、黨政類(lèi)和其他類(lèi),其他類(lèi)包括工業(yè)廠(chǎng)房和商場(chǎng)等建筑。不同用途的建筑物在建造時(shí)所采取的抗震措施不同,重要建筑物的抗震性能更優(yōu)。因此,將其取值按震害影響依次設(shè)置為1、0.4、0.4、0.4和0。

(8)設(shè)防烈度:建筑物經(jīng)過(guò)抗震設(shè)防后具備一定的抗震能力,設(shè)防烈度值越大,建筑物在地震中受到的損失越小。建筑物設(shè)防烈度的取值主要取決于地區(qū)規(guī)劃的抗震設(shè)防烈度標(biāo)準(zhǔn),重要建筑物由于設(shè)計(jì)和施工要求更高,需要增加1度設(shè)防烈度。

以上建筑物震害的影響因素與建筑物震害結(jié)果既存在正相關(guān),也存在負(fù)相關(guān)。BP神經(jīng)網(wǎng)絡(luò)算法作為一種可以自適應(yīng)學(xué)習(xí)的算法,可以從大量的輸入、輸出數(shù)據(jù)中學(xué)習(xí)到輸入與輸出中的既有正相關(guān)又有負(fù)相關(guān)的映射關(guān)系。

2 單體建筑物震害評(píng)估模型構(gòu)建

2.1 數(shù)據(jù)準(zhǔn)備

從四川省地震局調(diào)查和統(tǒng)計(jì)的災(zāi)情數(shù)據(jù)中,收集整理了2019年6月17日長(zhǎng)寧縣6.0級(jí)和2021年9月16日瀘縣6.0級(jí)地震中的205棟建筑物數(shù)據(jù),從中選取對(duì)應(yīng)的8個(gè)影響因子參數(shù)和破壞等級(jí)數(shù)據(jù),作為本文的樣本數(shù)據(jù)集,用于構(gòu)建單體建筑物震害評(píng)估模型,部分樣本數(shù)據(jù)見(jiàn)表1。在數(shù)據(jù)集中,破壞等級(jí)數(shù)據(jù)由專(zhuān)業(yè)評(píng)估人員根據(jù)我國(guó)普遍采用的建筑物破壞等級(jí)劃分方法,依據(jù)地震現(xiàn)場(chǎng)的實(shí)地評(píng)估結(jié)果進(jìn)行劃分。同時(shí),為了方便BP神經(jīng)網(wǎng)絡(luò)的計(jì)算,按照上述量化取值標(biāo)準(zhǔn)對(duì)影響因子進(jìn)行量化。

表1 單體建筑物震害部分樣本數(shù)據(jù)

2.2 數(shù)據(jù)預(yù)處理

2.2.1 樣本均衡化

在上述數(shù)據(jù)集中,破壞等級(jí)為基本完好、輕微破壞、中等破壞、嚴(yán)重破壞和毀壞的建筑物分別為44棟、84棟、40棟、28棟和9棟。不同破壞等級(jí)的樣本數(shù)目差距較大,且破壞等級(jí)為毀壞的建筑物數(shù)量過(guò)少,不利于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。樣本的特征和數(shù)據(jù)作為模型的輸入對(duì)于評(píng)估指標(biāo)與模型的優(yōu)劣具有重要作用(彭一凡,2022)。若使用類(lèi)別不均衡的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,模型會(huì)學(xué)習(xí)到訓(xùn)練集中樣本比例的先驗(yàn)信息,導(dǎo)致輸出結(jié)果可能出現(xiàn)多數(shù)類(lèi)精度高,而少數(shù)類(lèi)精度較低的情況。

為提升模型的準(zhǔn)確度,需要對(duì)原始類(lèi)別不均衡的數(shù)據(jù)集進(jìn)行采樣,通過(guò)改變?cè)疾煌?lèi)別樣本的數(shù)目,得到均衡的數(shù)據(jù)樣本。本文采用代價(jià)向量作為采樣比例的過(guò)采樣方法,利用MATLAB的BP神經(jīng)網(wǎng)絡(luò)工具箱建立模型,根據(jù)模型輸出結(jié)果獲取混淆矩陣,以混淆矩陣中錯(cuò)分類(lèi)的樣本數(shù)作為代價(jià)矩陣,通過(guò)對(duì)代價(jià)矩陣每一列求和得到代價(jià)向量,復(fù)制少數(shù)類(lèi)樣本直到不同類(lèi)的樣本與代價(jià)向量成正比,以平衡樣本之間的數(shù)目差異。

通過(guò)上述過(guò)采樣方法,在保持樣本的重要信息完整性、避免人為構(gòu)造不存在的樣本和不改變?cè)袛?shù)據(jù)的分布情況的前提下,成功地平衡了樣本數(shù)量,樣本數(shù)量變化如表2所示。

表2 樣本數(shù)量變化

2.2.2 樣本歸一化

由于不同影響因素的屬性量綱不同,存在的數(shù)量級(jí)差異會(huì)影響模型輸出結(jié)果的準(zhǔn)確性。因此,本文基于數(shù)據(jù)極值法對(duì)影響因子的屬性進(jìn)行歸一化處理,將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值。

2.2.3 數(shù)據(jù)集劃分

為了防止模型過(guò)擬合,將樣本數(shù)據(jù)集按3︰1︰1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,三組數(shù)據(jù)集分別用于模型的訓(xùn)練、調(diào)優(yōu)和泛化能力評(píng)估。

2.3 BP神經(jīng)網(wǎng)絡(luò)方法和結(jié)構(gòu)設(shè)計(jì)

反向誤差傳播算法(Back Propagation,簡(jiǎn)稱(chēng)BP)是一種應(yīng)用廣泛且效果卓越的神經(jīng)網(wǎng)絡(luò)算法。在解決震害評(píng)估等類(lèi)似的復(fù)雜非線(xiàn)性問(wèn)題上,與其他傳統(tǒng)模型相比,BP神經(jīng)網(wǎng)絡(luò)通過(guò)反向傳播調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,具有更強(qiáng)的預(yù)測(cè)、訓(xùn)練及自適應(yīng)能力,能取得較好的機(jī)器學(xué)習(xí)效果(婁棕棋,2019)。

BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層三部分。本文將地震烈度、場(chǎng)地類(lèi)型、發(fā)震斷層類(lèi)型、距震中距離、距發(fā)震斷層距離、建筑物結(jié)構(gòu)類(lèi)型、建筑用途、設(shè)防烈度8個(gè)建筑物震害影響因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元,即X=(x1,x2,x3,…,x8),共8個(gè)輸入層節(jié)點(diǎn)。通過(guò)反復(fù)實(shí)驗(yàn),確定隱藏層節(jié)點(diǎn)數(shù)為21個(gè)。輸出層節(jié)點(diǎn)數(shù)與建筑物的破壞等級(jí)相對(duì)應(yīng),設(shè)置為5個(gè)狀態(tài)神經(jīng)元,即輸出向量Y=(y1,y2,…,y5),其中y1=(10000)、y2=(01000)、y3=(00100)、y4=(00010)、y5=(00001)。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為8×21×5,如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2.4 改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

除神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)外,神經(jīng)網(wǎng)絡(luò)還要通過(guò)控制初始權(quán)值和閾值等來(lái)實(shí)現(xiàn)處理信息的功能,科學(xué)合理的參數(shù)選擇能夠使神經(jīng)網(wǎng)絡(luò)逼近任意的非線(xiàn)性函數(shù),有助于刻畫(huà)建筑物震害影響因素與破壞狀態(tài)間復(fù)雜的非線(xiàn)性關(guān)系,從而準(zhǔn)確評(píng)估建筑物的震害情況。BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值通常是隨機(jī)生成的,這導(dǎo)致在訓(xùn)練過(guò)程中評(píng)估結(jié)果極易陷入局部最優(yōu)解。遺傳算法(Genetic Algorithm,簡(jiǎn)稱(chēng)GA)是一種并行全局搜索算法,該方法在求解全局最優(yōu)問(wèn)題時(shí)具有較強(qiáng)的魯棒性,能夠在一定程度上彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的不足(吳欣欣,2020; 竇玉丹等,2010)。然而,傳統(tǒng)遺傳算法的交叉和變異操作中,固定值的交叉率和變異率容易導(dǎo)致早熟收斂,使得全局搜索能力降低。此外,當(dāng)前種群的最優(yōu)個(gè)體繼續(xù)參與選擇、交叉和變異等遺傳操作,可能在下一代丟失其基因信息,進(jìn)一步限制了遺傳算法的優(yōu)化能力。為此,本文提出了改進(jìn)的傳統(tǒng)遺傳算法,用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

針對(duì)傳統(tǒng)遺傳算法的不足,本文引入精英保留策略并對(duì)交叉、變異操作進(jìn)行改進(jìn)。在進(jìn)行遺傳操作前,對(duì)種群個(gè)體的適應(yīng)度進(jìn)行降序排列,并選擇適應(yīng)度最高的一定比例的個(gè)體作為精英直接遺傳到下一代。通過(guò)保留當(dāng)前種群的最優(yōu)個(gè)體,可以更好地保持種群的多樣性,同時(shí)提高算法的收斂速度。然后,采用輪盤(pán)賭的選擇方法,根據(jù)個(gè)體的適應(yīng)度值占總適應(yīng)度值的比例,確定每個(gè)個(gè)體被選擇的概率。

(1)

(2)

式中,Pcmax和Pcmin分別為最大交叉概率和最小交叉概率,Pmmax和Pmmin分別為最大變異概率和最小變異概率,其取值范圍為[0,1],fmax為種群中的最大適應(yīng)度值,favg為種群的平均適應(yīng)度值,f′為兩交叉?zhèn)€體中適應(yīng)度較大的適應(yīng)度值,f為變異個(gè)體的適應(yīng)度值。

在改進(jìn)傳統(tǒng)遺傳算法后,對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,基本流程如圖2所示。

圖2 改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

通過(guò)設(shè)置遺傳算法種群規(guī)模m、最大迭代數(shù)G、精英個(gè)體比例GAPP、最大交叉概率Pcmax、最小交叉概率Pcmin,最大變異概率Pmmax、最小變異概率Pmmin等運(yùn)行參數(shù)(表3),在初始權(quán)值和閾值空間中隨機(jī)產(chǎn)生一組種群,完成種群的初始化操作。

表3 遺傳算法參數(shù)設(shè)置

將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值作為種群中的個(gè)體,采用實(shí)數(shù)編碼個(gè)體進(jìn)行編碼。然后,利用訓(xùn)練集BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,并在驗(yàn)證集上測(cè)試BP神經(jīng)網(wǎng)絡(luò)的精度,以均方誤差的倒數(shù)作為適應(yīng)度函數(shù),計(jì)算每個(gè)個(gè)體的適應(yīng)度值,根據(jù)計(jì)算結(jié)果,對(duì)個(gè)體適應(yīng)度值進(jìn)行由高到低的降序排列,將精英個(gè)體直接遺傳到下一代。經(jīng)過(guò)選擇操作后選取的個(gè)體按公式(1)和(2)計(jì)算的概率進(jìn)行交叉和變異,交叉和變異算子采用田旭光等(2004)提出的方法,產(chǎn)生新一代個(gè)體。重復(fù)以上步驟,直至滿(mǎn)足最大迭代次數(shù)。最后,將最優(yōu)個(gè)體解作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,輸入訓(xùn)練集和驗(yàn)證集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和調(diào)優(yōu),在達(dá)到預(yù)先設(shè)定的要求時(shí)停止訓(xùn)練,輸出測(cè)試集在BP神經(jīng)網(wǎng)絡(luò)模型上的評(píng)估結(jié)果。

2.5 模型性能分析

為驗(yàn)證改進(jìn)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果,本文對(duì)比了BP神經(jīng)網(wǎng)絡(luò)(BP)模型、遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)模型和改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(IGA-BP)模型在測(cè)試集上的評(píng)估結(jié)果,并利用準(zhǔn)確率和Kappa系數(shù)評(píng)估不同模型的性能,結(jié)果如圖3所示。其中, 不同模型在測(cè)試集上的準(zhǔn)確率分別為83.93%、89.79%和91.96%,Kappa系數(shù)值分別為0.79、0.87和0.89。結(jié)果表明,IGA-BP模型的評(píng)估精度最高且模型泛化能力最優(yōu),由此驗(yàn)證了本文提出的改進(jìn)遺傳算法提高了傳統(tǒng)遺傳算法的尋優(yōu)性能,并且對(duì)BP神經(jīng)網(wǎng)絡(luò)有明顯的優(yōu)化效果,該方法構(gòu)建的單體建筑物震害評(píng)估模型具有較優(yōu)的評(píng)估性能,可以應(yīng)用于實(shí)際的震害評(píng)估工作中。

圖3 模型性能對(duì)比

3 實(shí)際算例分析

2022年9月5日四川甘孜州瀘定縣發(fā)生6.8級(jí)地震,發(fā)震斷層類(lèi)型為走滑斷層(李贊等,2023)。根據(jù)四川省地震局的現(xiàn)場(chǎng)抽樣調(diào)查和專(zhuān)家評(píng)估數(shù)據(jù),選取了30棟建筑物數(shù)據(jù),從中提取了8個(gè)影響因子數(shù)據(jù)作為評(píng)估模型的輸入指標(biāo),按照上述量化標(biāo)準(zhǔn)將數(shù)據(jù)全部轉(zhuǎn)化為定量數(shù)據(jù),并進(jìn)行歸一化處理。將數(shù)據(jù)輸入單體建筑物評(píng)估模型中,對(duì)建筑物的破壞情況進(jìn)行評(píng)估,模型輸入?yún)?shù)和評(píng)估結(jié)果見(jiàn)表4。

表4 實(shí)際算例數(shù)據(jù)和評(píng)估結(jié)果

為驗(yàn)證單體建筑物震害評(píng)估模型的評(píng)估精度,將評(píng)估結(jié)果與現(xiàn)場(chǎng)調(diào)查結(jié)果進(jìn)行對(duì)比,結(jié)果如圖4所示。結(jié)果表明,在30棟建筑物中,有26棟建筑物的評(píng)估結(jié)果與現(xiàn)場(chǎng)調(diào)查結(jié)果一致,準(zhǔn)確率為86.67%,略低于樣本測(cè)試集結(jié)果91.96%的準(zhǔn)確率。這可能是因?yàn)闉o定縣的30棟建筑物中還包括石木結(jié)構(gòu)的藏式民居,而本文構(gòu)建模型的數(shù)據(jù)集并未包含這一特征,實(shí)驗(yàn)時(shí)將這類(lèi)結(jié)構(gòu)近似歸類(lèi)為磚混結(jié)構(gòu),從而影響了模型的評(píng)估精度。進(jìn)一步分析評(píng)估結(jié)果發(fā)現(xiàn),嚴(yán)重破壞和毀壞2個(gè)可能產(chǎn)生嚴(yán)重?fù)p失的破壞等級(jí)評(píng)估精度最高,這有助于震前、震后進(jìn)行應(yīng)急處置,減少震害損失; 盡管破壞等級(jí)為中等破壞的評(píng)估精度較低,存在一些偏差,但評(píng)估結(jié)果與現(xiàn)場(chǎng)調(diào)查結(jié)果基本吻合?？傮w而言,本文提出的方法能夠較為精確地評(píng)估單體建筑物的震害等級(jí)。

圖4 評(píng)估結(jié)果與現(xiàn)場(chǎng)調(diào)查結(jié)果對(duì)比

4 結(jié)論

本文通過(guò)分析單體建筑物震害的影響因素,并結(jié)合機(jī)器學(xué)習(xí)算法最新研究進(jìn)展,建立了單體建筑物震害的評(píng)估模型。通過(guò)精英保留策略和自適應(yīng)方法調(diào)整交叉、變異概率,對(duì)遺傳算法進(jìn)行改進(jìn),提高了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的性能?；?019年6月17日長(zhǎng)寧縣6.0級(jí)和2021年9月16日瀘縣6.0級(jí)地震調(diào)查數(shù)據(jù),采用改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法建立了單體建筑物震害評(píng)估模型,結(jié)果表明改進(jìn)的遺傳算法具有顯著的優(yōu)化效果。利用構(gòu)建的單體建筑物震害評(píng)估模型,對(duì)2022年瀘定縣6.8級(jí)地震中的30棟建筑物的破壞情況進(jìn)行評(píng)估,準(zhǔn)確率可達(dá)86.67%,驗(yàn)證了該模型具有較高的評(píng)估性能。

本文的方法可以實(shí)現(xiàn)對(duì)各類(lèi)建筑物震害的快速、準(zhǔn)確、智能化評(píng)估,相較于其他單體建筑物震害評(píng)估方法存在的參數(shù)過(guò)多和由于結(jié)構(gòu)類(lèi)型日趨復(fù)雜不利于大面積推廣的情況,本文定量且精細(xì)化的評(píng)估方法具有廣泛適用性,對(duì)于全面感知建筑物的震害風(fēng)險(xiǎn)水平具有一定意義。今后,隨著信息技術(shù)的發(fā)展,多樣化的建筑物數(shù)據(jù)和專(zhuān)家經(jīng)驗(yàn)知識(shí)的方便獲取還可以將數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)相融合,建立一套具有可解釋性的單體建筑物震害評(píng)估系統(tǒng)。