• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于特征向量信息支持向量機(jī)的RC框架易損性曲線(xiàn)預(yù)測(cè)

    2024-05-29 02:06:26周宇駱歡
    地震研究 2024年3期
    關(guān)鍵詞:支持向量機(jī)機(jī)器學(xué)習(xí)特征向量

    周宇 駱歡

    摘要:易損性曲線(xiàn)將結(jié)構(gòu)破壞等級(jí)與地震動(dòng)強(qiáng)度相關(guān)聯(lián),能夠直觀地反映結(jié)構(gòu)破壞的概率,但在建立易損性曲線(xiàn)的過(guò)程中需要大量的結(jié)構(gòu)非線(xiàn)性時(shí)程分析結(jié)果,因而計(jì)算效率不高。機(jī)器學(xué)習(xí)方法已被證明能較好地解決這一問(wèn)題,但當(dāng)訓(xùn)練數(shù)據(jù)的規(guī)模較大時(shí),由于訓(xùn)練過(guò)程涉及求解大規(guī)模逆矩陣致使計(jì)算效率依然低下。為此,本文提出了一種特征向量信息支持向量機(jī)(EILS-SVM)的新方法克服此類(lèi)方法的不足。在大規(guī)模數(shù)據(jù)集下,EILS-SVM能夠篩選小規(guī)模子樣本建立低秩核矩陣。這使得其訓(xùn)練過(guò)程只需求解小規(guī)模低秩矩陣的逆矩陣,進(jìn)而極大提高計(jì)算效率。為了驗(yàn)證EILS-SVM的準(zhǔn)確性和高效性,基于16500個(gè)鋼筋混凝土(RC)框架在地震作用下的破壞數(shù)據(jù),分別與支持向量機(jī)(LS-SVM)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、線(xiàn)性判別分析(LDA)、貝葉斯作對(duì)比。結(jié)果表明,EILS-SVM 能準(zhǔn)確預(yù)測(cè) RC框架的易損性曲線(xiàn),其計(jì)算效率最高能提升近27倍。

    關(guān)鍵詞:鋼筋混凝土框架;易損性曲線(xiàn);特征向量;支持向量機(jī);機(jī)器學(xué)習(xí)

    中圖分類(lèi)號(hào):TU973.2文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1000-0666(2024)03-0359-10

    doi:10.20015/j.cnki.ISSN1000-0666.2024.0052

    0引言

    地震易損性分析用于預(yù)測(cè)不同地震強(qiáng)度下結(jié)構(gòu)發(fā)生各級(jí)破壞的概率,對(duì)結(jié)構(gòu)的抗震設(shè)計(jì)、加固和維修決策具有重要的應(yīng)用價(jià)值(孫柏濤,張桂欣,2012)。易損性曲線(xiàn)描述了結(jié)構(gòu)在給定地震動(dòng)強(qiáng)度的情況下超過(guò)指定極限狀態(tài)的概率,是易損性分析中的關(guān)鍵內(nèi)容。目前,易損性曲線(xiàn)的預(yù)測(cè)方法有多種(Lallemant et al,2015),如云圖法(于曉輝,呂大剛,2016;Jalayer et al,2017;Mattei,Bedon,2021)、增量動(dòng)力分析(Incremental Dynamic Analysis,IDA)(呂大剛等,2011;薛成鳳等,2017;路沙沙等,2021;Pujari et al,2013;Vamvatsikos,Cornell,2002)、多條帶法(Multiple Sequence Alignment,MSA)(程詩(shī)焱等,2020;Fatimah,Wong,2021;Bradley,2010),等等。然而,這些方法都需要通過(guò)大量的非線(xiàn)性時(shí)程分析計(jì)算結(jié)構(gòu)的地震響應(yīng)結(jié)果,進(jìn)而判斷結(jié)構(gòu)在地震作用下的破壞狀態(tài),計(jì)算成本高,導(dǎo)致易損性曲線(xiàn)預(yù)測(cè)的計(jì)算效率不高。因此,如何高效準(zhǔn)確地預(yù)測(cè)結(jié)構(gòu)的易損性曲線(xiàn),進(jìn)而量化評(píng)估結(jié)構(gòu)的抗震性能成為結(jié)構(gòu)工程和地震工程領(lǐng)域研究的熱點(diǎn)與難點(diǎn)問(wèn)題。

    機(jī)器學(xué)習(xí)(Machine Learning,ML)方法因其強(qiáng)大的數(shù)據(jù)擬合能力已被廣泛運(yùn)用到結(jié)構(gòu)和地震工程領(lǐng)域,彌補(bǔ)了傳統(tǒng)方法的不足。Mitropoulou和Papadrakakis(2011)將人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)與增量動(dòng)力分析結(jié)合提出了基于人工神經(jīng)網(wǎng)絡(luò)的易損性曲線(xiàn)預(yù)測(cè)方法。Kiani等(2019)利用多條帶法的結(jié)果發(fā)展了一種基于機(jī)器學(xué)習(xí)分類(lèi)模型的易損性預(yù)測(cè)新方法,并且比較了隨機(jī)森林、支持向量機(jī)、貝葉斯等6種分類(lèi)模型的結(jié)構(gòu)破壞狀態(tài)預(yù)測(cè)效果。Gentile 和Galasso(2020)利用高斯過(guò)程回歸建立了考慮建筑種類(lèi)屬性的易損性預(yù)測(cè)模型。研究人員利用支持向量機(jī)(Support Vector Machine,SVM)結(jié)合時(shí)程分析得到的結(jié)構(gòu)響應(yīng)數(shù)據(jù)開(kāi)發(fā)了建筑易損性預(yù)測(cè)模型(李浩瑾等,2013;Mahmoudi,Chouinard,2016;Sainct et al,2020)。以上結(jié)果表明,基于機(jī)器學(xué)習(xí)的分析方法既能保證較高的預(yù)測(cè)性能,又能極大地提高計(jì)算效率,這是因?yàn)闄C(jī)器學(xué)習(xí)方法能夠自適應(yīng)地?cái)M合訓(xùn)練數(shù)據(jù)形成預(yù)測(cè)模型,無(wú)需執(zhí)行復(fù)雜的非線(xiàn)性有限元計(jì)算過(guò)程。通過(guò)建立的預(yù)測(cè)模型預(yù)測(cè)結(jié)構(gòu)響應(yīng),本質(zhì)上等同于矩陣與向量的乘積,因此計(jì)算效率高。然而,由于機(jī)器學(xué)習(xí)方法在訓(xùn)練過(guò)程時(shí)需要求解由訓(xùn)練樣本所構(gòu)成的系數(shù)矩陣的逆矩陣,這使得當(dāng)訓(xùn)練樣本數(shù)據(jù)的規(guī)模較大時(shí),不僅對(duì)計(jì)算機(jī)的內(nèi)存需求高,且計(jì)算效率低下(James et al,2013)。因此,在大規(guī)模訓(xùn)練樣本下,機(jī)器學(xué)習(xí)方法就會(huì)喪失高效性。

    本文將Nystrom近似論(Charless et al,2019)中的特征值與特征向量理論和機(jī)器學(xué)習(xí)方法中的最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LS-SVM)(Suykens et al,2000)相結(jié)合,提出了特征向量信息支持向量機(jī)(Eigenvectors-Informed Support Vector Machines,EILS-SVM)的方法,并從公開(kāi)數(shù)據(jù)庫(kù)(Wang,Luo,2023)提取了4層、6層、8層不同規(guī)格RC框架結(jié)構(gòu)的結(jié)構(gòu)響應(yīng)數(shù)據(jù),形成了16 500個(gè)樣本數(shù)據(jù),將EILS-SVM分別與LS-SVM等傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比。

    1EILS-SVM的原理及易損性預(yù)測(cè)應(yīng)用

    1.1EILS-SVM數(shù)學(xué)模型構(gòu)建

    最小二乘支持向量機(jī)(LS-SVM)(Suykens,Vandewalle,1999)分類(lèi)模型是一種較為常用的機(jī)器學(xué)習(xí)算法,其將支持向量機(jī)(Support Vector Machine,SVM)(Cervantes et al,2020)中求解二次規(guī)劃問(wèn)題轉(zhuǎn)化成了求解線(xiàn)性方程組問(wèn)題,極大地提高了SVM訓(xùn)練過(guò)程的計(jì)算效率。其優(yōu)化問(wèn)題如下所示:[KH*2D]

    min∶Jp(ω,ξ)=[SX(]1[]2[SX)]ωTω+γ[SX(]1[]2[SX)]∑[DD(]N[]k=1[DD)]ξ2k[JY](1)[KH*1D]

    s.t.∶yk[ωTφ(xk)+b]=1-ξk,k=1,…,N[JY](2)[KH*1D]

    式中:ξk∈R是定義誤差變量的向量;γ為正則化參數(shù);φ(xk)∈Rh是高維輸入向量,其中φ(·)∶Rd→Rh表示從d維到具有h維的高維度Hilbert空間的映射函數(shù)。其原始空間下的預(yù)測(cè)模型表達(dá)式為:

    y(x)=sign[ωTφ(x)+b][JY](3)

    由于高維輸入向量φ(xk)未知,因此由式(1)和(2)構(gòu)成的優(yōu)化問(wèn)題無(wú)法直接求解。為此,通過(guò)引入拉格朗日乘子αk∈R,構(gòu)造式(1)和(2)的拉格朗日函數(shù),并在對(duì)偶空間里進(jìn)行求解。拉格朗日函數(shù)表達(dá)式為:

    L(ω,b,ξk,αk)=Jp(ω,ξk)-∑[DD(]N[]k=1[DD)]αk{yk[ωTφ(xk)+b]+ξk-1}[JY](4)

    引入KTT條件求解方程式(4),可得到如下方程組:[KH*2/3D][JP3]

    [JB([][FK(W][BG(][BHDWG1*2,WK1,WK6*2,WK1,WK6*2W]0[]y1[]…[]yN[BHG2*2]y1[]K(x1x1)+[SX(]1[]λ[SX)][]…[]K(x1xN)[BHG1*2][][][XZ(135#][XZ)][][BHG2*2]yN[]K(xNx1)[]…[]K(xNxN)+[SX(]1[]λ[SX)][BG)W][FK)][JB)]][HJ4mm][JB([][HL(1]bα1αN[HL)][JB)]]=[JB([][HL(1]011[HL)][JB)]][JY](5)[KH*2D]

    式中:K(xk,xl)=φT(xk)φ(xl)為核函數(shù)(本文所采用的核函數(shù)為高斯核(RBF)函數(shù)),通過(guò)帶入核函數(shù)便可在對(duì)偶空間中得到模型參數(shù)α和b,其在對(duì)偶空間下的預(yù)測(cè)模型表達(dá)式如下:[KH*2/3]

    y(x)=sign[∑[DD(]N[]k=1[DD)]αkykK(x,xk)+b][JY](6)[KH*2/3]

    至此,通過(guò)對(duì)偶空間建立的預(yù)測(cè)模型便可用于預(yù)測(cè)新樣本數(shù)據(jù)所屬的類(lèi)別。但是,LS-SVM在求解矩陣方程(5)時(shí),涉及到求解系數(shù)矩陣的逆矩陣,其計(jì)算復(fù)雜度與訓(xùn)練樣本的規(guī)模N有關(guān),為O[(N+1)3]。當(dāng)給定訓(xùn)練樣本數(shù)據(jù){xk,yk}Nk=1的規(guī)模N較大時(shí),求解這一大規(guī)模矩陣的逆矩陣就會(huì)變得極為耗時(shí),造成模型訓(xùn)練過(guò)程的計(jì)算效率低下。因此,當(dāng)訓(xùn)練樣本的規(guī)模N較大時(shí),在LS-SVM標(biāo)準(zhǔn)框架下通過(guò)方程(5),在對(duì)偶空間下求解模型參數(shù)進(jìn)而構(gòu)建預(yù)測(cè)模型(6)就會(huì)變得尤為低效。而反觀原始空間下預(yù)測(cè)模型(3),其模型參數(shù)ω的維度與高維輸入向量φ(xk)的維度h有關(guān),計(jì)算復(fù)雜度為O[(h+1)3]。因此,即使訓(xùn)練樣本數(shù)據(jù){xk,yk}Nk=1的規(guī)模N較大,若φ(xk)的維度hN,在原空間中建立預(yù)測(cè)模型將比在對(duì)偶空間下建立預(yù)測(cè)模型更為高效。這是因?yàn)?,?dāng)hN時(shí),在原始空間建立預(yù)測(cè)模型的計(jì)算復(fù)雜度要遠(yuǎn)遠(yuǎn)小于對(duì)偶空間,即O[(h+1)3]O[(N+1)3]。為了能在原空間建立預(yù)測(cè)模型,需要顯示地構(gòu)建非線(xiàn)性映射函數(shù)φ(·)的數(shù)學(xué)模型。然而,通常情況下φ(·)的數(shù)學(xué)模型無(wú)法顯示。

    為了解決這一問(wèn)題,本文采用Nystrom方法中特征值和特征向量理論(Girolami,2002)近似估計(jì)出高維輸入向量φ(xk),[WT]使得可以在原空間建立預(yù)測(cè)模型(3),進(jìn)而解決LS-SVM在大樣本訓(xùn)練數(shù)據(jù)集下預(yù)測(cè)模型訓(xùn)練效率低下的問(wèn)題。首先,將方程(5)中由RBF核函數(shù)構(gòu)成的核矩陣記為Ω(N,N)∈RN×N,其中Ω(k,l)=K(xk,xl),k,l=1,…,N。根據(jù)Mercer定理(Girolami,2002),可得到如下表達(dá)式:[KH*2/3]

    K(xk,xl)=∑[DD(]h[]i=1[DD)]λii(xk)i(xl)[JY](7)[KH*2/3D]

    式中:λi和i分別是特征值和相應(yīng)的特征函數(shù)。這些特征值和特征函數(shù)與如下積分方程相關(guān)聯(lián),其表達(dá)式如下:[KH*2/3]

    ∫K(xk,x)i(x)p(x)dx=λii(xk)[JY](8)[KH*2/3D]

    式中:p(x)表示大規(guī)模訓(xùn)練樣本輸入變量xk的概率密度函數(shù)。在給定大規(guī)模數(shù)據(jù)集{xk,yk}Nk=1的條件下,假設(shè)輸入樣本xk,k=1,…,N之間服從獨(dú)立同分布。為了近似估計(jì)特征函數(shù)的積分方程,可從大規(guī)模訓(xùn)練樣本數(shù)據(jù)中隨機(jī)抽取m個(gè)子樣本{xt,yt}mt=1(mN),用子樣本中的輸入變量xt近似p(x),進(jìn)而達(dá)到稀疏化的目的?;诖耍剑?)可通過(guò)如下表達(dá)式近似:[KH*2/3]

    [SX(]1[]m[SX)]∑[DD(]m[]t=1[DD)]K(xt,x)i(xt)≈λii(x)[JY](9)[KH*2/3]

    通過(guò)從大樣本訓(xùn)練數(shù)據(jù)集中選取的m個(gè)子樣本{xt,yt}mk=1可建立相應(yīng)的核矩陣Ω(m,m),并對(duì)核矩陣進(jìn)行特征值分解,可得到如下方程:[KH*2/3]

    Ω(m,m)AΦ^U1(m×m)=AΦ^U1(m×m)AΛ^U1(m×m)[JY](10)[KH*2/3D]

    式中:Ω(m,m)∈Rm×m表示近似大規(guī)模核矩陣Ω(N,N)的稀疏化核矩陣;AΦ^U1(m,m)∈Rm×m,表示由Ω(m,m)的特征向量組成的矩陣;AΛ^U1(m×m)=diag([Aλ^U11,…,Aλ^U1m])∈Rm×m表示由Ω(m,m)的特征值組成的對(duì)角矩陣。

    將式(10)中的矩陣進(jìn)行向量分解,可得到如下表達(dá)式:[KH*2/3]

    λi=[SX(]1[]m[SX)]Aλ^U1i,A^U1i=[KF(]m[KF)]Φti[JY](11)[KH*2/3]

    將式(11)帶到方程(9)中可得到第i個(gè)特征函數(shù)的表達(dá)式:[KH*2/3]

    φi(x)≈[SX(][KF(]m[KF)][][FK(W1*2。1]Aλ^U1i[FK)][SX)]∑[DD(]m[]t=1[DD)]K(x,xt)AΦ^U1ti[JY](12)[KH*2/3D]

    將式(7)與式(12)結(jié)合可以得到φ(xk)中第i個(gè)元素與第i個(gè)特征函數(shù)之間的關(guān)系式:[KH*2/3D]

    φi(xk)=[KF(][FK(W1*2/3。1]Aλ^U1i[FK)][KF)]i(xk)=[SX(][KF(]m[KF)][][KF(][FK(W1*2/3。1]Aλ^U1i[FK)][KF)][SX)]∑[DD(]m[]t=1[DD)]AΦ^U1tiK(xt,xk)[JY](13)[KH*2/3]

    根據(jù)式(13)即可求出非線(xiàn)性高維向量的顯性估計(jì)Aφ^G1(xk),其中Aφ^G1(xk)=[Aφ^G11(xk),Aφ^G12(xk),…,Aφ^G1m(xk)]。因此,基于估計(jì)的高維輸入變量Aφ^G1(xk),可利用最小二乘法直接求解由方程(1)和(2)構(gòu)成的優(yōu)化問(wèn)題,進(jìn)而可求得原空間下預(yù)測(cè)模型(3)中的模型參數(shù)ω和b。其計(jì)算公式為:[KH*2/3]

    [JB([]ωb[JB)]]=(AΦ^U1TeAΦ^U1e+[SX(]Im+1[]γ[SX)])-1AΦ^U1Tey[JY](14)[KH*2/3D]

    式中:Im+1為(m+1)×(m+1)的單位矩陣;y=[y1,y2,…,yN]T;AΦ^U1e是N×(m+1)特征增廣矩陣,具體形式如下:

    AΦ^U1e=[JB([][HL(4]Aφ^G11(x1)[]…[]Aφ^G1m(x1)[]1[][XZ(135#][XZ)][][]Aφ^G11(xN)[]…[]Aφ^G1m(xN)[]1[HL)][JB)]][JY](15)

    由方程(14)可知,本文所提出的EILS-SVM模型的計(jì)算復(fù)雜度與高維映射函數(shù)φ(xk)的維度m有關(guān),為O(m3)。因?yàn)閙N,所以O(shè)(m3)O(N3)。因此,從理論上分析,本文提出的EILS-SVM模型能顯著提高計(jì)算效率。此外,由于系數(shù)矩陣(AΦ^U1TeAΦ^U1e+[SX(]Im+1[]γ[SX)])-1的規(guī)模為(m+1)且(m+1)N,因此EILS-SVM也能顯著降低對(duì)計(jì)算機(jī)內(nèi)存的需求。

    1.2EILS-SVM預(yù)測(cè)模型建立步驟

    基于EILS-SVM的結(jié)構(gòu)破壞狀態(tài)預(yù)測(cè)模型的建立步驟如圖1所示,具體分為以下8個(gè)步驟:

    步驟1:建立結(jié)構(gòu)響應(yīng)數(shù)據(jù)庫(kù),獲得不同地震強(qiáng)度和不同地震強(qiáng)度下結(jié)構(gòu)的工程需求參數(shù)(Engineering Demand Parameter,EDP)所組成的樣本集{IMi,EDPi}ni=1。

    步驟2:為樣本集{IMi,EDPi}ni=1中的每個(gè)樣本點(diǎn)提取對(duì)應(yīng)的結(jié)構(gòu)設(shè)計(jì)變量和地震動(dòng)參數(shù)建立樣本信息數(shù)據(jù)庫(kù)。

    步驟3:基于結(jié)構(gòu)的EDP極限狀態(tài)閾值,將樣本信息數(shù)據(jù)庫(kù)中的每個(gè)樣本點(diǎn)按照EDP是否超過(guò)閾值分為兩類(lèi),從而構(gòu)建大規(guī)模數(shù)據(jù)集{xk,yk }Nk=1。其中xk=[x1,x2,…,xd]為結(jié)構(gòu)的設(shè)計(jì)變量和地震動(dòng)參數(shù)組成的向量,yk∈{1,-1}為不同結(jié)構(gòu)破壞狀態(tài)的類(lèi)別標(biāo)簽。

    步驟4:將數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集。其中訓(xùn)練集中的部分?jǐn)?shù)據(jù)(支持向量)用來(lái)訓(xùn)練預(yù)測(cè)模型,測(cè)試集的數(shù)據(jù)則用來(lái)預(yù)測(cè)結(jié)構(gòu)破壞狀態(tài)。

    步驟5:確定子樣本規(guī)模大小m(mN)。子樣本規(guī)模大小直接影響EILS-SVM的性能,m過(guò)小會(huì)導(dǎo)致EILS-SVM的預(yù)測(cè)精度較低,m過(guò)大則會(huì)增加模型的計(jì)算成本,降低計(jì)算效率。

    步驟6:從訓(xùn)練集中隨機(jī)抽取m個(gè)樣本作為支持向量用于訓(xùn)練EILS-SVM模型。

    步驟7:按照本文提出的EILS-SVM理論求解出模型參數(shù)ω和b,建立支持向量機(jī)原空間預(yù)測(cè)模型。

    步驟8:將測(cè)試集數(shù)據(jù)輸入建立好的原空間預(yù)測(cè)模型,開(kāi)展結(jié)構(gòu)在不同地震動(dòng)強(qiáng)度IMi下的破壞狀態(tài)的預(yù)測(cè)。

    2大規(guī)模RC框架分類(lèi)數(shù)據(jù)集的創(chuàng)建

    本文采用公開(kāi)數(shù)據(jù)庫(kù)(Wang,Luo,2023)中的數(shù)據(jù)集作為EILS-SVM模型的訓(xùn)練數(shù)據(jù)。該數(shù)據(jù)集包含廣泛分布在我國(guó)各大、中、小城市的4層、6層和8層典型RC框架結(jié)構(gòu),具體數(shù)據(jù)信息可參閱Wang和Luo(2023)的文獻(xiàn)。該數(shù)據(jù)庫(kù)中的結(jié)構(gòu)響應(yīng)數(shù)據(jù)是通過(guò)OpenSees(Mazzoni et al,2006)平臺(tái)建立上述框架結(jié)構(gòu)的有限元分析模型獲得的。其中,框架梁和柱采用基于力插值函數(shù)的梁柱單元來(lái)模擬,截面混凝土采用Concrete02單軸材料模型,約束混凝土采用Mander模型,鋼筋采用Hysteretic單軸材料模型。Hysteretic單軸材料模型不但能夠考慮應(yīng)力和應(yīng)變的捏攏效應(yīng),還能考慮基于能量的強(qiáng)度退化效應(yīng)以及基于延性的剛度退化效應(yīng)(Mazzoni et al,2006)。通過(guò)調(diào)整Hysteretic模型中控制基于能量的強(qiáng)度退化參數(shù)D,可以準(zhǔn)確反映強(qiáng)震作用下由于延性RC框架中框架柱產(chǎn)生較大的側(cè)向變形使得縱筋發(fā)生屈曲,進(jìn)而導(dǎo)致其出現(xiàn)強(qiáng)度退化現(xiàn)象。

    在用于訓(xùn)練的樣本數(shù)據(jù)集{xk,yk}Nk=1中,xk∈Rd為預(yù)測(cè)模型的輸入變量,該變量由結(jié)構(gòu)的設(shè)計(jì)參數(shù)以及地震動(dòng)參數(shù)組成(表1);yk∈{1,-1}為結(jié)構(gòu)的破壞狀態(tài)組成的輸出變量,當(dāng)結(jié)構(gòu)破壞狀態(tài)為倒塌時(shí),yk=1,未倒塌時(shí),yk=-1。各輸入變量的參數(shù)分布、輸入變量與輸出變量間的相關(guān)系數(shù)均在表1中列出。由表1可知,單一輸入變量與輸出變量之間的相關(guān)性不大,說(shuō)明二變量之間的線(xiàn)性關(guān)系不成立,而利用機(jī)器學(xué)習(xí)方法建立二者之間的非線(xiàn)性映射關(guān)系更為合理。

    由于原始數(shù)據(jù)集中的輸出變量為最大層間位移角(連續(xù)型變量),而非RC框架結(jié)構(gòu)的破壞狀態(tài)(離散型變量),這使得原始數(shù)據(jù)集雖然適用于回歸問(wèn)題的求解,但是無(wú)法直接用于分類(lèi)問(wèn)題的求解,也就無(wú)法適用于本文的研究。為了解決這一問(wèn)題,本文根據(jù)《建筑抗震設(shè)計(jì)規(guī)范》(GB 50011—2010),將最大層間位移角0.02 rad作為判定結(jié)構(gòu)倒塌狀態(tài)的閾值,該規(guī)范將0.02 rad的位移角定義為結(jié)構(gòu)生命安全極限狀態(tài)和塑性極限狀態(tài)的參考點(diǎn),廣泛用于評(píng)估和設(shè)計(jì)類(lèi)似的鋼筋混凝土框架結(jié)構(gòu)??紤]到規(guī)范的普遍適用性和在工程實(shí)踐中的驗(yàn)證,本文將原始數(shù)據(jù)按照最大層間位移角是否超過(guò)0.02 rad作為分類(lèi)依據(jù),以此區(qū)分結(jié)構(gòu)的倒塌和未倒塌狀態(tài),最終形成16 500組適用于解決分類(lèi)問(wèn)題的數(shù)據(jù)集,即{xk,yk }16500k=1。以六層RC框架為例,圖2展示了數(shù)據(jù)集中RC框架結(jié)構(gòu)在不同地震動(dòng)強(qiáng)度(一階自振周期對(duì)應(yīng)的譜加速度Sa)作用下的倒塌和未倒塌兩類(lèi)狀態(tài)的分布情況。

    3EILS-SVM模型性能分析

    3.1子樣本大小對(duì)模型性能的影響分析

    將數(shù)據(jù)集{xk,yk }16500k=1按7∶3的比例隨機(jī)劃分成訓(xùn)練集與測(cè)試集,最終得到11 500個(gè)訓(xùn)練集樣本和4 950個(gè)測(cè)試集樣本。LS-SVM模型將對(duì)全部11 500個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練。分別從訓(xùn)練集中選取100,200,…,1 200組子樣本代替全部的11 500個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練。圖3a給出了EILS-SVM模型中預(yù)測(cè)準(zhǔn)確率與子樣本規(guī)模大小的關(guān)系。由圖3a可知,隨著子樣本規(guī)模的增加,EILS-SVM預(yù)測(cè)準(zhǔn)確率呈上升趨勢(shì),當(dāng)子樣本規(guī)模達(dá)到800時(shí),曲線(xiàn)趨近平緩,當(dāng)子樣本規(guī)模達(dá)到800后,EILS-SVM預(yù)測(cè)準(zhǔn)確率隨著子樣本規(guī)模的增加提升不大。而且,圖3a說(shuō)明了本文提出的EILS-SVM模型在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率高且差異不大,證明了本文采用的21個(gè)輸入變量是合理的,可以使模型泛化性能好,且不會(huì)出現(xiàn)過(guò)擬合問(wèn)題。由圖3b可知,EILS-SVM的計(jì)算時(shí)間隨著子樣本規(guī)模的增大而不斷增加。因此,當(dāng)子樣本規(guī)模為800時(shí),EILS-SVM模型能在保證較高的預(yù)測(cè)準(zhǔn)確率的同時(shí)確保較短的計(jì)算時(shí)間。

    3.2EILS-SVM模型與傳統(tǒng)機(jī)器學(xué)習(xí)模型對(duì)比

    為了評(píng)估EILS-SVM模型的預(yù)測(cè)性能及泛化能力,筆者將其與其它5種傳統(tǒng)的機(jī)器學(xué)習(xí)模型——最小二乘向量機(jī)(LS-SVM)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、線(xiàn)性判別分析(LDA)和貝葉斯模型進(jìn)行比較。EILS-SVM模型采用隨機(jī)選取的800個(gè)子樣本進(jìn)行訓(xùn)練,而其它傳統(tǒng)機(jī)器學(xué)習(xí)模型則采用全部11 500個(gè)樣本進(jìn)行訓(xùn)練,然后將訓(xùn)練后的不同的機(jī)器學(xué)習(xí)模型分別對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè),以此對(duì)比不同機(jī)器學(xué)習(xí)模型的有效性和泛化能力。圖4給出了使用EILS-SVM模型與使用其它5種模型預(yù)測(cè)得到的建筑物破壞狀態(tài)的混淆矩陣?;煜仃囀菣C(jī)器學(xué)習(xí)中用于評(píng)價(jià)分類(lèi)精度的一種標(biāo)準(zhǔn)格式,它展示了真實(shí)分類(lèi)結(jié)果與預(yù)測(cè)分類(lèi)結(jié)果的關(guān)系?;煜仃嚨膶?duì)角線(xiàn)上的元素代表了正確預(yù)測(cè)的樣本數(shù)量,對(duì)角線(xiàn)外的元素代表了錯(cuò)誤分類(lèi)的樣本數(shù)量。圖中混淆矩陣右下角區(qū)域代表了預(yù)測(cè)準(zhǔn)確率,兩側(cè)百分?jǐn)?shù)區(qū)域分別代表精度與召回率。由圖4和表2可知,EILS-SVM和LS-SVM模型的預(yù)測(cè)準(zhǔn)確率明顯優(yōu)于其它4種機(jī)器學(xué)習(xí)模型。同時(shí),盡管EILS-SVM使用了較少的800個(gè)子樣本,其準(zhǔn)確率仍與使用全部11 500個(gè)樣本進(jìn)行訓(xùn)練的LS-SVM相近,且用時(shí)僅為L(zhǎng)S-SVM的1/27,說(shuō)明EILS-SVM在處理大規(guī)模數(shù)據(jù)集時(shí)的有效性。

    3.3基于EILS-SVM模型的易損性曲線(xiàn)預(yù)測(cè)

    為了展示EILS-SVM模型預(yù)測(cè)易損性曲線(xiàn)的能力,將6層RC框架(基本自振周期T1=1.07s)在不同退化參數(shù)(D=0.1、0.6和1.0)下對(duì)應(yīng)的30條地震動(dòng)記錄及其調(diào)幅后共計(jì)900個(gè)樣本作為測(cè)試集,剩余15 600個(gè)樣本作為訓(xùn)練集,對(duì)比EILS-SVM模型和其它有限元方法生成的易損性曲線(xiàn)。

    圖5給出了EILS-SVM模型對(duì)不同強(qiáng)度退化參數(shù)下6層RC框架破壞狀態(tài)的預(yù)測(cè)結(jié)果的混淆矩陣。從圖中可以看出EILS-SVM模型預(yù)測(cè)結(jié)果的正確率均達(dá)到了97%以上。用MSA方法(Baker,2015)分別計(jì)算出EILS-SVM模型和有限元方法的易損性參數(shù)θ和σ(表3)。圖6 分別給出了D=0.1、0.6和1.0時(shí),通過(guò)EILS-SVM模型和有限元方法得到的易損性曲線(xiàn)。由圖6可看出,用EILS-SVM模型與用有限元方法預(yù)測(cè)的易損性曲線(xiàn)基本重合,表明EILS-SVM模型能夠準(zhǔn)確預(yù)測(cè)RC框架的易損性曲線(xiàn)。

    4結(jié)論

    本文提出了特征向量信息支持向量機(jī)(EILS-SVM)模型,用于解決有限元方法計(jì)算結(jié)構(gòu)易損性曲線(xiàn)時(shí)效率不高、大規(guī)模訓(xùn)練樣本下傳統(tǒng)的機(jī)器學(xué)習(xí)訓(xùn)練過(guò)程效率低下這兩個(gè)問(wèn)題,并以RC框架的破壞狀態(tài)和易損性曲線(xiàn)預(yù)測(cè)為例,與傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)算法進(jìn)行對(duì)比,結(jié)論如下:

    (1)EILS-SVM模型的預(yù)測(cè)性能和計(jì)算效率與所選樣本子集規(guī)模有關(guān),預(yù)測(cè)性能會(huì)隨著子集規(guī)模的增大而提高,但計(jì)算效率則會(huì)相應(yīng)降低。

    (2)與LS-SVM模型相比,當(dāng)子集規(guī)模為800時(shí),EILS-SVM模型的預(yù)測(cè)性能與基于11 550個(gè)大規(guī)模訓(xùn)練樣本的LS-SVM模型的預(yù)測(cè)性能相當(dāng),且遠(yuǎn)優(yōu)于隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、線(xiàn)性判別分析(LDA)和貝葉斯算法。并且EILS-SVM模型的計(jì)算時(shí)間相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型最高減少了27倍,顯著提高了計(jì)算效率。

    (3)EILS-SVM模型能夠準(zhǔn)確預(yù)測(cè)RC框架的易損性曲線(xiàn),預(yù)測(cè)得到的易損性曲線(xiàn)與有限元方法生成的易損性曲線(xiàn)比較吻合。

    參考文獻(xiàn):

    程詩(shī)焱,韓建平,于曉輝,等.2020.基于條帶-云圖法的地震動(dòng)持時(shí)對(duì)結(jié)構(gòu)地震易損性影響分析[J].地震工程與工程振動(dòng),40(5):107-117.Cheng S Y,Han J P,Yu X H,et al.2020.Investigation on effect of ground motion duration on seismic fragility of structures based on stripe-cloud approach[J].Earthquake Engineering and Engineering Dynamics,40(5):107-117.(in Chinese)

    李浩瑾,李俊杰,康飛.2013.基于LSSVM的重力壩地震穩(wěn)定易損性分析[J].振動(dòng)與沖擊,32(4):146-152.Li H J,Li J J,Kang F.2013.Analysis of seismic stability Fragility of gravity dam based on LSSVM[J].Journal of Vibration and Shock,32(4):146-152.(in Chinese)

    路沙沙,徐紅,張亞楠,等.2021.基于IDA方法的加固震損RC框架結(jié)構(gòu)地震易損性分析[J].地震研究,44(4):673-681.Lu S S,Xu H,Zhang Y N,et al.2021.Seismic fragility analysis of reinforced RC frame structure with seismic damage based on incremental dynamic analysis[J].Journal of Seismological Research,44(4):673-681.(in Chinese)

    呂大剛,于曉輝,陳志恒.2011.鋼筋混凝土框架結(jié)構(gòu)側(cè)向倒塌地震易損性分析[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),43(6):1-5.Lyu D G,Yu X H,Cheng Z H.2011.Lateral seismic collapse fragility analysis of RC frame structures[J].Journal of Harbin Institute of Technology,43(6):1-5.(in Chinese)

    孫柏濤,張桂欣.2012.汶川8.0級(jí)地震中各類(lèi)建筑結(jié)構(gòu)地震易損性統(tǒng)計(jì)分析[J].土木工程學(xué)報(bào),45(5):26-30.Sun B T,Zhang G X.2012.Statistical analysis of seismic vulnerability of various building structures in Wenchuan M8.0 earthquake[J].China Civil Engineering Journal,45(5):26-30.(in Chinese)

    薛成鳳,劉來(lái)君,武芳文.2017.大跨度混凝土梁斜拉橋橫向地震作用易損性分析[J].地震研究,40(1):65-69.Xue C F,Liu L J,Wu F W.2017.Fragility analysis of long-span concrete cable-stayed bridge under lateral seismic loads[J].Journal of Seismological Research,40(1):65-69.(in Chinese)

    于曉輝,呂大剛.2016.基于云圖-條帶法的概率地震需求分析與地震易損性分析[J].工程力學(xué),33(6):68-76.Yu X H,Lyu D G.2016.Probabilistic seismic demand analysis and seismic fragility analysis based on a cloud-stripe method[j].Engineering Mechanics,33(6):68-76.(in Chinese)

    GB 50011—2010.建筑抗震設(shè)計(jì)規(guī)范[S].GB 50011—2010.Seismic design of buildings[S].(in Chinese)

    Baker J W.2015.Efficient analytical fragility function fitting using dynamic structural analysis[J].Earthquake Spectra,31(1):579-599.

    Bradley B A.2010.A generalized conditional intensity measure approach and holistic ground-motion selection[J].Earthquake Engineering & Structural Dynamics,39(12):1321-1342.

    Cervantes J,Garcia-Lamont F,Rodríguez-Mazahua L,et al.2020.A comprehensive survey on support vector machine classification:Applications,challenges and trends[J].Neurocomputing,408:189-215.

    Charless F,Serge B,F(xiàn)an C,et al.2019.Spectral grouping using the Nystrom method[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,26(2):214-225.

    Fatimah S,Wong J.2021.Sensitivity of the fragility curve on type of analysis methods,applied ground motions and their selection techniques[J].International Journal of Steel Structures,21(4):1292-1304.

    Gentile R,Galasso C.2020.Gaussian process regression for seismic fragility assessment of building portfolios[J].Structural Safety,87:101980.

    Girolami M.2002.Mercer kernel-based clustering in feature space[J].IEEE Transactions on Neural Networks,13(3):780-784.

    Jalayer F,Ebrahimian H,Miano A,et al.2017.Analytical fragility assessment using unscaled ground motion records[J].Earthquake Engineering & Structural Dynamics,46(15):2639-2663.

    James G,Witten D,Hastie T,et al.2013.An introduction to statistical learning:with applications in R[M].Berlin:Springer Group.

    Kiani J,Camp C,Pezeshk S.2019.On the application of machine learning techniques to derive seismic fragility curves[J].Computers & Structures,218:108-122.

    Lallemant D,Kiremidjian A,Burton H.2015.Statistical procedures for developing earthquake damage fragility curves[J].Earthquake Engineering & Structural Dynamics,44(9):1373-1389.

    Mahmoudi S N,Chouinard L.2016.Seismic fragility assessment of highway bridges using support vector machines[J].Bulletin of Earthquake Engineering,14(6):1571-1587.

    Mattei S,Bedon C.2021.Analytical Fragility Curves for Seismic Design of Glass Systems Based on Cloud Analysis[J].Symmetry,13(8):1541.

    Mazzoni S,Mckenna F,Scott M H,et al.2006.Open system for earthquake engineering simulation user command language manual[M/OL].University of California,Berkeley.(2023-07-19)[2023-08-20].http://opensees.berkeley.edu.

    Mitropoulou C C,Papadrakakis M.2011.Developing fragility curves based on neural network IDA predictions[J].Engineering Structures,33(12):3409-3421.

    Pujari N N,Mandal T K,Ghosh S,et al.2013.Optimization of IDA-based fragility curves[C]//safety,reliability,risk and life-cycle performance of structures and infrastructures,proceedings of the 11th international conference on structural safety and reliability,New York,USA:16-20.

    Sainct R,F(xiàn)eau C,Martinez J M,et al.2020.Efficient methodology for seismic fragility curves estimation by active learning on Support Vector Machines[J].Structural Safety,86:101972.

    Suykens J A K,Lukas L,Vandewalle J.2000.Sparse approximation using least squares support vector machines[C]// IEEE,2000 IEEE international symposium on circuits and systems(ISCAS),2:757-760.

    Suykens J A K,Vandewalle J.1999.Least squares support vector machine classifiers[J].Neural processing letters,9(3):293-300.

    Vamvatsikos D,Cornell C A.2002.Incremental dynamic analysis[J].earthquake engineering and structural dynamics,31(3):491-514.

    Wang W K,Luo H.2023.A dataset of reinforced concrete frame response under ground motions based on OpenSees simulations[DB/OL].Harvard Dataverse.(2023-10-10)[2023-10-15].https://doi.org/10.7910/DVN/HDBJ0E.

    Eigenvectors-informed Support Vector Machines for Fragility Curve Predictions of RC Frames

    ZHOU Yu1,2,LUO Huan1,2

    (1.Hubei Geological Disaster Prevention and Control Engineering Technology Research Center,Yichang 443002,Hubei,China)

    (2.College of Civil Engineering &Architecture,China Three Gorges University,Yichang 443002,Hubei,China)

    Abstract

    Fragility curves establish a correlation between structural damage levels and seismic intensity,offering an intuitive depiction of the probability of structural failure.?However,the generation of these curves necessitates a substantial amount of structural nonlinear timehistory analysis results,thereby rendering the computational process inefficient.?Machine learning techniques have been proven to effectively address this issue,yet their efficacy diminishes with the increase in the scale of training data due to the computational demands of solving largescale inverse matrices during the training phase.?In response,this paper proposes a novel methodology,the Eigenvector Informationsupported Support Vector Machine(EILSSVM),which surmounts the limitations associated with these techniques.?By employing a selective subsample to construct a lowrank kernel matrix in the context of largescale datasets,the EILSSVM method requires only the inversion of smallscale,lowrank matrices,significantly enhancing computational efficiency.?To validate the accuracy and efficiency of the EILSSVM,it is benchmarked against conventional models such as the Least Squares Support Vector Machine(LSSVM),Random Forest,Neural Networks,Linear Discriminant Analysis (LDA),and Bayesian methods,using a dataset comprised of 16500 instances of damage in Reinforced Concrete(RC)frames subjected to seismic activities.?The results indicate that the EILSSVM is capable of accurately predicting the fragility curves of RC frames,with a computational efficiency improvement of up to 27 times compared to existing methodologies.

    Keywords:RC frame structures;fragility curves;eigenvectors;support vector machines;machine learning

    *收稿日期:2023-09-19.

    基金項(xiàng)目:湖北省自然科學(xué)基金面上項(xiàng)目(2022CFB294);國(guó)家自然科學(xué)基金青年科學(xué)項(xiàng)目(52208485).

    第一作者簡(jiǎn)介:周宇(1997-),碩士研究生在讀,主要從事結(jié)構(gòu)抗震與機(jī)器學(xué)習(xí)交叉研究.E-mail:891363206@qq.com.

    通信作者簡(jiǎn)介:駱歡(1988-),博士,副教授,主要從事結(jié)構(gòu)抗震與機(jī)器學(xué)習(xí)交叉研究.E-mail:hluo@ctgu.edu.cn.

    周宇,駱歡.2024.基于特征向量信息支持向量機(jī)的RC框架易損性曲線(xiàn)預(yù)測(cè)[J].地震研究,47(3):359-368,doi:10.20015/j.cnki.ISSN1000-0666.2024.0052.

    Zhou Y,Luo H.2024.Eigenvectors-informed support vector machines for fragility curve predictions of RC frames[J].Journal of Seismological Research,47(3):359-368,doi:10.20015/j.cnki.ISSN1000-0666.2024.0052.

    猜你喜歡
    支持向量機(jī)機(jī)器學(xué)習(xí)特征向量
    二年制職教本科線(xiàn)性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    一類(lèi)特殊矩陣特征向量的求法
    EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
    動(dòng)態(tài)場(chǎng)景中的視覺(jué)目標(biāo)識(shí)別方法分析
    論提高裝備故障預(yù)測(cè)準(zhǔn)確度的方法途徑
    基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
    基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析
    前綴字母為特征在維吾爾語(yǔ)文本情感分類(lèi)中的研究
    基于熵技術(shù)的公共事業(yè)費(fèi)最優(yōu)組合預(yù)測(cè)
    一区福利在线观看| 亚洲在线观看片| 国产一区二区亚洲精品在线观看| 神马国产精品三级电影在线观看| 色哟哟哟哟哟哟| 99riav亚洲国产免费| 色哟哟哟哟哟哟| 日本黄色视频三级网站网址| 国产亚洲精品久久久com| 亚洲国产中文字幕在线视频| 久久性视频一级片| 国产精品爽爽va在线观看网站| 久久精品综合一区二区三区| 久久亚洲精品不卡| 久久亚洲真实| xxxwww97欧美| 小蜜桃在线观看免费完整版高清| 99久久久亚洲精品蜜臀av| 丰满人妻一区二区三区视频av | 欧美另类亚洲清纯唯美| 亚洲色图av天堂| 97人妻精品一区二区三区麻豆| 他把我摸到了高潮在线观看| 午夜福利视频1000在线观看| 国产色婷婷99| 成人av一区二区三区在线看| 女生性感内裤真人,穿戴方法视频| 欧美成人一区二区免费高清观看| svipshipincom国产片| 欧美日韩瑟瑟在线播放| 男人舔女人下体高潮全视频| 久久国产精品人妻蜜桃| 亚洲专区国产一区二区| 久久精品国产清高在天天线| 99riav亚洲国产免费| 99久久综合精品五月天人人| 色视频www国产| 青草久久国产| 禁无遮挡网站| 午夜福利在线观看吧| 亚洲五月婷婷丁香| 欧美性感艳星| 久久久久久人人人人人| 我的老师免费观看完整版| 国产精品98久久久久久宅男小说| 久久久久久久亚洲中文字幕 | 一级毛片高清免费大全| 成人欧美大片| 免费在线观看日本一区| 日本一本二区三区精品| 欧美日本视频| 国产三级在线视频| 日本免费a在线| 操出白浆在线播放| 亚洲无线观看免费| 国产真实伦视频高清在线观看 | 欧美午夜高清在线| 给我免费播放毛片高清在线观看| 男女那种视频在线观看| 成人av一区二区三区在线看| av在线天堂中文字幕| 久99久视频精品免费| 国产精品电影一区二区三区| 精品国产亚洲在线| 女人高潮潮喷娇喘18禁视频| 国产精品女同一区二区软件 | 国产高清视频在线观看网站| 一个人观看的视频www高清免费观看| 国产亚洲av嫩草精品影院| 国产淫片久久久久久久久 | 丁香六月欧美| 欧美一区二区精品小视频在线| 日韩欧美三级三区| 欧美日韩一级在线毛片| 丁香六月欧美| 亚洲国产精品sss在线观看| 淫秽高清视频在线观看| 在线看三级毛片| 成人一区二区视频在线观看| 国产av在哪里看| 叶爱在线成人免费视频播放| 亚洲一区高清亚洲精品| 国语自产精品视频在线第100页| eeuss影院久久| 女人十人毛片免费观看3o分钟| 99久国产av精品| 亚洲av五月六月丁香网| 国产欧美日韩一区二区三| 欧美性猛交╳xxx乱大交人| 国模一区二区三区四区视频| 久久九九热精品免费| 丰满乱子伦码专区| 欧美一区二区国产精品久久精品| 久久久久久久久久黄片| 国产蜜桃级精品一区二区三区| 国产一区二区在线观看日韩 | АⅤ资源中文在线天堂| 精品乱码久久久久久99久播| 亚洲,欧美精品.| 久久中文看片网| 男女床上黄色一级片免费看| 国产一区在线观看成人免费| 香蕉av资源在线| 日韩欧美一区二区三区在线观看| 精品人妻1区二区| www.色视频.com| 日韩欧美精品v在线| 深夜精品福利| 国产欧美日韩精品亚洲av| 又紧又爽又黄一区二区| 人妻丰满熟妇av一区二区三区| www.熟女人妻精品国产| 亚洲av电影不卡..在线观看| 日本三级黄在线观看| 老司机深夜福利视频在线观看| 国内精品美女久久久久久| 又粗又爽又猛毛片免费看| 亚洲无线在线观看| 99久久综合精品五月天人人| 免费av不卡在线播放| www.色视频.com| 美女cb高潮喷水在线观看| 高潮久久久久久久久久久不卡| 不卡一级毛片| АⅤ资源中文在线天堂| 欧美丝袜亚洲另类 | 午夜精品一区二区三区免费看| 又紧又爽又黄一区二区| 国产一区二区在线av高清观看| 真人一进一出gif抽搐免费| 天堂网av新在线| 亚洲中文字幕日韩| 国产三级黄色录像| 亚洲第一欧美日韩一区二区三区| 欧美三级亚洲精品| a级毛片a级免费在线| 亚洲一区高清亚洲精品| 亚洲av二区三区四区| 九九久久精品国产亚洲av麻豆| 99精品在免费线老司机午夜| 色老头精品视频在线观看| 中文字幕人成人乱码亚洲影| 亚洲五月婷婷丁香| 18+在线观看网站| 国产男靠女视频免费网站| 一个人免费在线观看电影| 欧美另类亚洲清纯唯美| 好男人电影高清在线观看| 噜噜噜噜噜久久久久久91| 中出人妻视频一区二区| 九九在线视频观看精品| 舔av片在线| 99热这里只有精品一区| 麻豆久久精品国产亚洲av| 午夜福利免费观看在线| 国产av一区在线观看免费| 免费无遮挡裸体视频| 午夜福利18| 国产精品久久久久久精品电影| 丰满乱子伦码专区| 久久6这里有精品| 别揉我奶头~嗯~啊~动态视频| 午夜激情福利司机影院| 国产单亲对白刺激| 久久人妻av系列| 婷婷亚洲欧美| 日本免费一区二区三区高清不卡| 精品国产三级普通话版| 免费高清视频大片| 观看美女的网站| 国产精品美女特级片免费视频播放器| 久久伊人香网站| 国产精品一区二区免费欧美| 又黄又粗又硬又大视频| 夜夜看夜夜爽夜夜摸| 精品久久久久久,| 色播亚洲综合网| 精品国内亚洲2022精品成人| 国产真实伦视频高清在线观看 | 欧美一区二区国产精品久久精品| 日韩欧美在线二视频| 精品国产超薄肉色丝袜足j| 国产三级黄色录像| av黄色大香蕉| 欧美日本亚洲视频在线播放| 欧美成狂野欧美在线观看| 小蜜桃在线观看免费完整版高清| 国产免费av片在线观看野外av| 精品一区二区三区视频在线 | 成人无遮挡网站| 免费观看精品视频网站| 午夜a级毛片| 真人一进一出gif抽搐免费| 国产亚洲精品av在线| 婷婷六月久久综合丁香| 美女 人体艺术 gogo| 免费看光身美女| 岛国视频午夜一区免费看| 亚洲人成伊人成综合网2020| 国产一区二区三区视频了| 噜噜噜噜噜久久久久久91| 亚洲男人的天堂狠狠| 两个人的视频大全免费| 日本 欧美在线| 国产欧美日韩精品一区二区| 色吧在线观看| 国产69精品久久久久777片| 日韩精品中文字幕看吧| 哪里可以看免费的av片| 亚洲精品456在线播放app | 两性午夜刺激爽爽歪歪视频在线观看| 国产高清视频在线观看网站| 亚洲人成网站在线播| 成人av一区二区三区在线看| 午夜福利在线观看吧| 成人精品一区二区免费| 午夜免费观看网址| 桃色一区二区三区在线观看| 国产高清视频在线播放一区| 久久6这里有精品| 中文字幕久久专区| 日韩欧美一区二区三区在线观看| 99久久精品国产亚洲精品| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲美女黄片视频| 久久久久久国产a免费观看| 狂野欧美激情性xxxx| 少妇人妻精品综合一区二区 | 国产精品三级大全| 国产高清videossex| 此物有八面人人有两片| 亚洲成av人片免费观看| 国产精品一区二区三区四区免费观看 | 久久久久免费精品人妻一区二区| 黄色日韩在线| 伊人久久大香线蕉亚洲五| 久久婷婷人人爽人人干人人爱| 九色成人免费人妻av| 香蕉丝袜av| 一本一本综合久久| av黄色大香蕉| 精品福利观看| 变态另类成人亚洲欧美熟女| 免费观看的影片在线观看| 亚洲男人的天堂狠狠| www日本在线高清视频| 网址你懂的国产日韩在线| 国产高潮美女av| 最新中文字幕久久久久| 美女免费视频网站| 88av欧美| 一夜夜www| 热99re8久久精品国产| 国产精品电影一区二区三区| 欧美最新免费一区二区三区 | 免费看光身美女| 亚洲18禁久久av| 国产成人欧美在线观看| 一进一出抽搐gif免费好疼| 观看美女的网站| 高潮久久久久久久久久久不卡| 97人妻精品一区二区三区麻豆| 成年人黄色毛片网站| 搡老熟女国产l中国老女人| 国产爱豆传媒在线观看| 久久99热这里只有精品18| 黄色片一级片一级黄色片| h日本视频在线播放| 亚洲av电影在线进入| 级片在线观看| 国产一区二区在线观看日韩 | 欧美日韩精品网址| 极品教师在线免费播放| 日日夜夜操网爽| 国产精品av视频在线免费观看| 女警被强在线播放| 变态另类成人亚洲欧美熟女| 男女之事视频高清在线观看| 精品久久久久久久人妻蜜臀av| 欧美午夜高清在线| 婷婷丁香在线五月| 日韩人妻高清精品专区| 久久九九热精品免费| 日本熟妇午夜| 90打野战视频偷拍视频| 亚洲在线观看片| 国产精品香港三级国产av潘金莲| 蜜桃亚洲精品一区二区三区| 波多野结衣高清无吗| 亚洲最大成人手机在线| 日韩欧美在线乱码| 精品久久久久久,| 欧美性感艳星| 狂野欧美白嫩少妇大欣赏| 国产成人啪精品午夜网站| av福利片在线观看| 国产精品久久久久久亚洲av鲁大| 天堂√8在线中文| 精品欧美国产一区二区三| 亚洲人成网站高清观看| 日韩中文字幕欧美一区二区| 亚洲av免费在线观看| 久久久国产精品麻豆| 亚洲人与动物交配视频| 成人精品一区二区免费| 一进一出抽搐gif免费好疼| 国产不卡一卡二| 最近最新中文字幕大全免费视频| 亚洲欧美激情综合另类| 激情在线观看视频在线高清| 丰满乱子伦码专区| 中文字幕久久专区| 亚洲18禁久久av| 欧美国产日韩亚洲一区| www日本黄色视频网| 欧美日韩一级在线毛片| 国产一级毛片七仙女欲春2| 夜夜爽天天搞| 一本综合久久免费| 午夜福利免费观看在线| 美女被艹到高潮喷水动态| 欧美午夜高清在线| 尤物成人国产欧美一区二区三区| 久久亚洲精品不卡| 99久久综合精品五月天人人| 国产三级在线视频| 午夜激情福利司机影院| 午夜福利在线在线| 狂野欧美白嫩少妇大欣赏| 亚洲中文字幕日韩| 午夜福利在线观看吧| 欧美不卡视频在线免费观看| 制服丝袜大香蕉在线| 国产激情偷乱视频一区二区| 长腿黑丝高跟| 观看免费一级毛片| 国产伦精品一区二区三区视频9 | 此物有八面人人有两片| 精品无人区乱码1区二区| 国产午夜福利久久久久久| 男女视频在线观看网站免费| 手机成人av网站| 性色av乱码一区二区三区2| 亚洲欧美日韩高清在线视频| 亚洲激情在线av| 欧美极品一区二区三区四区| 精华霜和精华液先用哪个| 国产单亲对白刺激| 亚洲成人精品中文字幕电影| av片东京热男人的天堂| 成人三级黄色视频| 首页视频小说图片口味搜索| 婷婷精品国产亚洲av在线| 在线观看日韩欧美| 精品电影一区二区在线| 在线观看日韩欧美| 免费在线观看影片大全网站| 99精品久久久久人妻精品| 日本黄大片高清| 久久天躁狠狠躁夜夜2o2o| 特级一级黄色大片| 91在线精品国自产拍蜜月 | 在线观看午夜福利视频| 国产视频一区二区在线看| 在线观看午夜福利视频| 久久国产精品影院| 99riav亚洲国产免费| 在线观看66精品国产| 国产高清有码在线观看视频| 国内精品一区二区在线观看| 一个人观看的视频www高清免费观看| 无限看片的www在线观看| 俄罗斯特黄特色一大片| 精品一区二区三区av网在线观看| 三级国产精品欧美在线观看| 久久久国产精品麻豆| 国产单亲对白刺激| 欧美不卡视频在线免费观看| 亚洲美女黄片视频| 91久久精品国产一区二区成人 | 久久精品国产综合久久久| 啦啦啦免费观看视频1| 两个人视频免费观看高清| 两个人看的免费小视频| 2021天堂中文幕一二区在线观| 叶爱在线成人免费视频播放| av中文乱码字幕在线| 有码 亚洲区| 最近在线观看免费完整版| 日韩大尺度精品在线看网址| 亚洲 欧美 日韩 在线 免费| 免费电影在线观看免费观看| 午夜福利在线观看吧| 级片在线观看| 国内少妇人妻偷人精品xxx网站| 日日干狠狠操夜夜爽| 国产久久久一区二区三区| 精品人妻偷拍中文字幕| 岛国在线免费视频观看| 精品国内亚洲2022精品成人| av国产免费在线观看| 久久午夜亚洲精品久久| 久久久久国产精品人妻aⅴ院| 18禁美女被吸乳视频| 国产高清三级在线| 中文亚洲av片在线观看爽| 日本熟妇午夜| 大型黄色视频在线免费观看| 精品免费久久久久久久清纯| svipshipincom国产片| 日本免费一区二区三区高清不卡| 90打野战视频偷拍视频| 国产成人啪精品午夜网站| 老司机在亚洲福利影院| 亚洲精品色激情综合| 久久久色成人| 日本熟妇午夜| 少妇的逼好多水| 黄色日韩在线| 国产一区二区三区在线臀色熟女| 亚洲久久久久久中文字幕| 亚洲成人精品中文字幕电影| 蜜桃亚洲精品一区二区三区| 在线观看一区二区三区| 尤物成人国产欧美一区二区三区| 亚洲,欧美精品.| 国产高清三级在线| 久久精品影院6| 国产精品电影一区二区三区| 欧美一区二区国产精品久久精品| 国产亚洲精品综合一区在线观看| 国产精品女同一区二区软件 | 欧美色欧美亚洲另类二区| 中文字幕av成人在线电影| 亚洲人成伊人成综合网2020| 亚洲国产精品sss在线观看| 色综合欧美亚洲国产小说| 午夜免费成人在线视频| 99久久综合精品五月天人人| www.色视频.com| 两个人看的免费小视频| 90打野战视频偷拍视频| 欧美日韩国产亚洲二区| 狠狠狠狠99中文字幕| 激情在线观看视频在线高清| 中亚洲国语对白在线视频| 亚洲av二区三区四区| 桃红色精品国产亚洲av| 12—13女人毛片做爰片一| 黄色片一级片一级黄色片| 男女午夜视频在线观看| 亚洲人成电影免费在线| 一级黄色大片毛片| av在线天堂中文字幕| 亚洲人成网站高清观看| 久久这里只有精品中国| 夜夜夜夜夜久久久久| 一区二区三区高清视频在线| 中国美女看黄片| 日日摸夜夜添夜夜添小说| 久久亚洲精品不卡| 久久精品国产99精品国产亚洲性色| 悠悠久久av| www.www免费av| 757午夜福利合集在线观看| 亚洲av电影在线进入| 脱女人内裤的视频| 亚洲美女视频黄频| 国产精品亚洲av一区麻豆| ponron亚洲| 亚洲精品影视一区二区三区av| 国产精品电影一区二区三区| 久久这里只有精品中国| 久99久视频精品免费| 国产精品一区二区三区四区免费观看 | 我的老师免费观看完整版| 午夜老司机福利剧场| 精品一区二区三区视频在线观看免费| 一进一出抽搐动态| 村上凉子中文字幕在线| 国内久久婷婷六月综合欲色啪| 高清日韩中文字幕在线| 18+在线观看网站| 日日干狠狠操夜夜爽| 一区二区三区激情视频| 熟女人妻精品中文字幕| 欧美在线黄色| 国产在视频线在精品| 国产黄a三级三级三级人| 熟妇人妻久久中文字幕3abv| 桃红色精品国产亚洲av| 日本免费一区二区三区高清不卡| 老司机福利观看| 国产精品免费一区二区三区在线| 亚洲av中文字字幕乱码综合| 亚洲七黄色美女视频| 色综合亚洲欧美另类图片| 亚洲人成伊人成综合网2020| 无限看片的www在线观看| 免费高清视频大片| 啦啦啦韩国在线观看视频| 国产欧美日韩精品亚洲av| 成人一区二区视频在线观看| 国产私拍福利视频在线观看| 高清在线国产一区| 日韩欧美精品v在线| 成年免费大片在线观看| 一进一出抽搐gif免费好疼| 久久6这里有精品| 亚洲成av人片在线播放无| 草草在线视频免费看| 国产亚洲欧美98| 欧美又色又爽又黄视频| 亚洲精品久久国产高清桃花| 老司机在亚洲福利影院| 免费人成视频x8x8入口观看| 一个人看视频在线观看www免费 | 成人永久免费在线观看视频| 一区二区三区免费毛片| 好男人电影高清在线观看| 欧美一级毛片孕妇| 日本精品一区二区三区蜜桃| 亚洲国产日韩欧美精品在线观看 | 精品一区二区三区视频在线观看免费| 精品无人区乱码1区二区| 最新中文字幕久久久久| 日日摸夜夜添夜夜添小说| 精品免费久久久久久久清纯| 日本黄大片高清| 最新在线观看一区二区三区| 久久精品国产亚洲av香蕉五月| 99精品在免费线老司机午夜| 国产高清有码在线观看视频| 色哟哟哟哟哟哟| 热99re8久久精品国产| 日本与韩国留学比较| 国产69精品久久久久777片| 1024手机看黄色片| 韩国av一区二区三区四区| 国产av不卡久久| 99热精品在线国产| 国产精品一区二区三区四区久久| 国产精品永久免费网站| 黄色女人牲交| 性欧美人与动物交配| 久久人人精品亚洲av| 免费在线观看成人毛片| 欧美+亚洲+日韩+国产| 99精品久久久久人妻精品| 1000部很黄的大片| 给我免费播放毛片高清在线观看| 午夜两性在线视频| 最近最新免费中文字幕在线| 久久精品国产亚洲av涩爱 | 日韩精品中文字幕看吧| 丝袜美腿在线中文| 国产黄片美女视频| 国产精品久久视频播放| 日本成人三级电影网站| 国产精品 国内视频| 婷婷亚洲欧美| 老鸭窝网址在线观看| 亚洲专区国产一区二区| 99久久无色码亚洲精品果冻| www日本在线高清视频| 亚洲精品美女久久久久99蜜臀| 99久久精品国产亚洲精品| 又粗又爽又猛毛片免费看| 国产精品久久视频播放| 麻豆一二三区av精品| 欧美黑人欧美精品刺激| 真实男女啪啪啪动态图| 国产欧美日韩一区二区三| 精品久久久久久久久久久久久| 一进一出好大好爽视频| 中文字幕人妻熟人妻熟丝袜美 | 国产精品 欧美亚洲| 精华霜和精华液先用哪个| 深爱激情五月婷婷| 在线免费观看不下载黄p国产 | 日韩欧美一区二区三区在线观看| 无人区码免费观看不卡| 中文字幕av成人在线电影| 无人区码免费观看不卡| 欧美日本亚洲视频在线播放| 日本黄色片子视频| 国产高清激情床上av| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 精品国产超薄肉色丝袜足j| 国产淫片久久久久久久久 | 国产高清视频在线观看网站| 亚洲最大成人中文| 99在线视频只有这里精品首页| 在线观看一区二区三区| 小蜜桃在线观看免费完整版高清| 欧美黑人巨大hd| av天堂在线播放| 天堂影院成人在线观看| 久久久精品欧美日韩精品| 国产精品亚洲一级av第二区| xxxwww97欧美| 欧美黑人欧美精品刺激| 两性午夜刺激爽爽歪歪视频在线观看| 国产淫片久久久久久久久 | 女人高潮潮喷娇喘18禁视频| 午夜老司机福利剧场| 一级黄色大片毛片| 99国产精品一区二区蜜桃av| av福利片在线观看| 天美传媒精品一区二区| 激情在线观看视频在线高清| av视频在线观看入口| 99久久九九国产精品国产免费| 久久久久九九精品影院| 国内少妇人妻偷人精品xxx网站|