• <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)
    搡老乐熟女国产| 99香蕉大伊视频| 中文字幕精品免费在线观看视频| 欧美97在线视频| 午夜日韩欧美国产| 正在播放国产对白刺激| 菩萨蛮人人尽说江南好唐韦庄| 久久99一区二区三区| 国产精品二区激情视频| 亚洲伊人色综图| 在线 av 中文字幕| 精品国产乱码久久久久久小说| 大陆偷拍与自拍| 国产亚洲av片在线观看秒播厂| 久久久久国产精品人妻一区二区| 99久久精品国产亚洲精品| 国产日韩欧美视频二区| 成年女人毛片免费观看观看9 | 人人妻人人爽人人添夜夜欢视频| 国产成+人综合+亚洲专区| 亚洲欧美一区二区三区黑人| 亚洲精品国产av蜜桃| 美女扒开内裤让男人捅视频| 免费看十八禁软件| 巨乳人妻的诱惑在线观看| 男男h啪啪无遮挡| 成人黄色视频免费在线看| 久久精品aⅴ一区二区三区四区| 欧美人与性动交α欧美软件| 丰满迷人的少妇在线观看| 欧美激情高清一区二区三区| 亚洲少妇的诱惑av| 超碰成人久久| 国产高清videossex| 一二三四社区在线视频社区8| 国产免费视频播放在线视频| 国产精品偷伦视频观看了| 午夜福利一区二区在线看| 高清av免费在线| 精品免费久久久久久久清纯 | 亚洲性夜色夜夜综合| 啦啦啦免费观看视频1| 桃花免费在线播放| 精品人妻在线不人妻| av天堂久久9| 国产亚洲av高清不卡| 正在播放国产对白刺激| 极品人妻少妇av视频| 涩涩av久久男人的天堂| 天天躁日日躁夜夜躁夜夜| 精品国产乱码久久久久久小说| 亚洲精品美女久久av网站| 国产亚洲av高清不卡| 正在播放国产对白刺激| 精品高清国产在线一区| 真人做人爱边吃奶动态| 91成年电影在线观看| 母亲3免费完整高清在线观看| 欧美人与性动交α欧美精品济南到| 欧美国产精品一级二级三级| 午夜福利,免费看| 一边摸一边抽搐一进一出视频| 国产野战对白在线观看| 国产精品免费大片| 久久久久国内视频| 高潮久久久久久久久久久不卡| 国产xxxxx性猛交| 国产亚洲欧美精品永久| 欧美老熟妇乱子伦牲交| 少妇粗大呻吟视频| tocl精华| 国产精品国产三级国产专区5o| 日本猛色少妇xxxxx猛交久久| 日本a在线网址| 久久狼人影院| 韩国精品一区二区三区| 女人爽到高潮嗷嗷叫在线视频| 视频区图区小说| 国产高清视频在线播放一区 | 成人18禁高潮啪啪吃奶动态图| 精品熟女少妇八av免费久了| 大香蕉久久网| 久久久国产欧美日韩av| 丝袜脚勾引网站| 青春草亚洲视频在线观看| tocl精华| 国产在线免费精品| 久久精品国产a三级三级三级| 热99国产精品久久久久久7| 欧美乱码精品一区二区三区| 成人免费观看视频高清| 国产xxxxx性猛交| 亚洲专区国产一区二区| 啦啦啦在线免费观看视频4| 桃花免费在线播放| 日本黄色日本黄色录像| 久久 成人 亚洲| 性少妇av在线| 黄色视频,在线免费观看| 老熟妇仑乱视频hdxx| 欧美乱码精品一区二区三区| 男女国产视频网站| 久久精品久久久久久噜噜老黄| 中文字幕人妻丝袜制服| 青春草视频在线免费观看| 国产精品国产三级国产专区5o| 精品高清国产在线一区| 日本一区二区免费在线视频| 性色av乱码一区二区三区2| 蜜桃在线观看..| www.自偷自拍.com| 多毛熟女@视频| 免费高清在线观看视频在线观看| 女人久久www免费人成看片| 精品人妻在线不人妻| 亚洲国产欧美日韩在线播放| 一本久久精品| 欧美久久黑人一区二区| 午夜免费观看性视频| 精品久久久精品久久久| 国产片内射在线| 99精品久久久久人妻精品| 深夜精品福利| 波多野结衣av一区二区av| 不卡一级毛片| 精品一区二区三区av网在线观看 | 精品人妻1区二区| 亚洲中文字幕日韩| 精品国产国语对白av| 精品人妻一区二区三区麻豆| 日本一区二区免费在线视频| 建设人人有责人人尽责人人享有的| 多毛熟女@视频| 青草久久国产| 国产精品九九99| 97在线人人人人妻| 手机成人av网站| 三级毛片av免费| 国产成人影院久久av| 十八禁网站免费在线| 欧美黄色片欧美黄色片| 天天躁狠狠躁夜夜躁狠狠躁| 美女福利国产在线| 欧美精品av麻豆av| 男女床上黄色一级片免费看| 欧美日韩黄片免| 两性夫妻黄色片| 人人妻人人爽人人添夜夜欢视频| 亚洲伊人色综图| 久久精品国产综合久久久| 亚洲精品乱久久久久久| 久久天躁狠狠躁夜夜2o2o| 中文字幕人妻丝袜一区二区| 日韩欧美国产一区二区入口| a级毛片黄视频| 精品高清国产在线一区| 丰满迷人的少妇在线观看| 法律面前人人平等表现在哪些方面 | 在线观看免费视频网站a站| av一本久久久久| 69精品国产乱码久久久| 欧美激情高清一区二区三区| 国产淫语在线视频| 12—13女人毛片做爰片一| 99热全是精品| 丰满少妇做爰视频| 精品国产乱子伦一区二区三区 | 丝袜美足系列| 伦理电影免费视频| 亚洲一码二码三码区别大吗| 国产精品一区二区在线观看99| 搡老岳熟女国产| 欧美日韩黄片免| a级毛片黄视频| 中文字幕av电影在线播放| 国产精品亚洲av一区麻豆| 黄色视频,在线免费观看| 女人高潮潮喷娇喘18禁视频| 亚洲欧美激情在线| 9191精品国产免费久久| 久久ye,这里只有精品| 操美女的视频在线观看| 十八禁人妻一区二区| 亚洲一区二区三区欧美精品| 久久久国产欧美日韩av| 亚洲视频免费观看视频| 999精品在线视频| 国产在视频线精品| 久久99热这里只频精品6学生| 欧美黄色淫秽网站| 国产日韩欧美亚洲二区| 国产成人一区二区三区免费视频网站| 久久久久国内视频| 国产免费福利视频在线观看| 美女高潮到喷水免费观看| 两个人免费观看高清视频| 黄色 视频免费看| 国产精品一区二区在线不卡| 国产麻豆69| 又大又爽又粗| 国产精品一区二区在线观看99| 亚洲第一青青草原| 午夜免费成人在线视频| 国产一级毛片在线| 亚洲中文字幕日韩| 咕卡用的链子| 50天的宝宝边吃奶边哭怎么回事| 少妇的丰满在线观看| 一二三四社区在线视频社区8| 在线精品无人区一区二区三| av在线老鸭窝| 男女午夜视频在线观看| 十八禁高潮呻吟视频| 悠悠久久av| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲精品国产色婷婷电影| 国产精品欧美亚洲77777| 黄色a级毛片大全视频| 又黄又粗又硬又大视频| 美国免费a级毛片| 免费一级毛片在线播放高清视频 | 丝瓜视频免费看黄片| 一本大道久久a久久精品| 无限看片的www在线观看| 国产免费一区二区三区四区乱码| 国产成人精品久久二区二区免费| 真人做人爱边吃奶动态| 美女福利国产在线| 两个人看的免费小视频| 久久热在线av| 亚洲av电影在线观看一区二区三区| 精品一区二区三区av网在线观看 | 丁香六月天网| 在线 av 中文字幕| 欧美大码av| 99久久精品国产亚洲精品| 一区二区av电影网| 亚洲一卡2卡3卡4卡5卡精品中文| 精品熟女少妇八av免费久了| 久久精品亚洲av国产电影网| 天天操日日干夜夜撸| 久久久久精品人妻al黑| 久久久国产精品麻豆| 亚洲人成77777在线视频| 久久久国产精品麻豆| 国产欧美亚洲国产| 国产一卡二卡三卡精品| 国产91精品成人一区二区三区 | e午夜精品久久久久久久| 91av网站免费观看| 性高湖久久久久久久久免费观看| 视频区欧美日本亚洲| 高清视频免费观看一区二区| 狠狠精品人妻久久久久久综合| 麻豆乱淫一区二区| 丝袜美足系列| 91大片在线观看| 国产亚洲午夜精品一区二区久久| www.熟女人妻精品国产| 91精品国产国语对白视频| 久久久久久久精品精品| 成人影院久久| 丰满人妻熟妇乱又伦精品不卡| 欧美久久黑人一区二区| 成人18禁高潮啪啪吃奶动态图| 色视频在线一区二区三区| a级毛片黄视频| 精品国产超薄肉色丝袜足j| videos熟女内射| 国产日韩欧美亚洲二区| 欧美日韩福利视频一区二区| 少妇猛男粗大的猛烈进出视频| 久久久精品94久久精品| 无限看片的www在线观看| 亚洲三区欧美一区| 啦啦啦免费观看视频1| 精品国产一区二区三区四区第35| 亚洲国产精品成人久久小说| 国产欧美日韩一区二区精品| 免费观看av网站的网址| 亚洲国产看品久久| 亚洲精品国产区一区二| 日本欧美视频一区| 亚洲成人国产一区在线观看| 在线亚洲精品国产二区图片欧美| 午夜两性在线视频| 精品少妇内射三级| 久热这里只有精品99| 亚洲成人免费电影在线观看| 亚洲国产成人一精品久久久| 十八禁高潮呻吟视频| 十八禁高潮呻吟视频| 成年动漫av网址| 一区二区日韩欧美中文字幕| 男女午夜视频在线观看| 国产精品久久久av美女十八| 在线永久观看黄色视频| 国产欧美日韩一区二区三 | 亚洲国产欧美网| 美国免费a级毛片| 岛国在线观看网站| 五月天丁香电影| 精品福利观看| 精品福利观看| 一本久久精品| 精品高清国产在线一区| 亚洲国产欧美网| 国产免费一区二区三区四区乱码| 日韩中文字幕欧美一区二区| 日韩电影二区| 啦啦啦 在线观看视频| 人人妻人人澡人人爽人人夜夜| 精品亚洲成a人片在线观看| 欧美一级毛片孕妇| 亚洲欧美日韩高清在线视频 | 肉色欧美久久久久久久蜜桃| 精品熟女少妇八av免费久了| 亚洲欧洲日产国产| 大片免费播放器 马上看| 久久精品国产综合久久久| 亚洲自偷自拍图片 自拍| 欧美激情久久久久久爽电影 | 好男人电影高清在线观看| 亚洲国产毛片av蜜桃av| 国产精品国产av在线观看| 成年人免费黄色播放视频| 又大又爽又粗| 国产av又大| 久久久久国产一级毛片高清牌| 亚洲国产av新网站| 国产片内射在线| 高潮久久久久久久久久久不卡| 黑人操中国人逼视频| 美女国产高潮福利片在线看| 一级黄色大片毛片| 99久久99久久久精品蜜桃| 国产精品久久久久成人av| 日韩一区二区三区影片| 欧美成人午夜精品| 亚洲专区中文字幕在线| 国产在线一区二区三区精| 岛国在线观看网站| 飞空精品影院首页| 国产精品影院久久| 男人添女人高潮全过程视频| 欧美老熟妇乱子伦牲交| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲国产日韩一区二区| 国产伦理片在线播放av一区| 精品国产一区二区三区久久久樱花| 青草久久国产| 欧美大码av| 王馨瑶露胸无遮挡在线观看| 999久久久精品免费观看国产| 免费高清在线观看视频在线观看| 久久天躁狠狠躁夜夜2o2o| 久久国产精品大桥未久av| 免费观看人在逋| 久久九九热精品免费| 午夜老司机福利片| 欧美国产精品一级二级三级| 亚洲中文日韩欧美视频| 女人被躁到高潮嗷嗷叫费观| 精品人妻一区二区三区麻豆| 午夜福利一区二区在线看| 亚洲性夜色夜夜综合| 成年人黄色毛片网站| 各种免费的搞黄视频| 久久精品亚洲熟妇少妇任你| 亚洲av成人不卡在线观看播放网 | 在线 av 中文字幕| 老司机在亚洲福利影院| 成人国产一区最新在线观看| www.自偷自拍.com| 久久精品熟女亚洲av麻豆精品| 国产av一区二区精品久久| 国产激情久久老熟女| 搡老乐熟女国产| 一区二区三区乱码不卡18| 女人爽到高潮嗷嗷叫在线视频| 亚洲精品久久午夜乱码| 欧美国产精品va在线观看不卡| 啦啦啦啦在线视频资源| 久久国产精品男人的天堂亚洲| 亚洲av美国av| 午夜精品久久久久久毛片777| 啦啦啦视频在线资源免费观看| 国产精品99久久99久久久不卡| 曰老女人黄片| 老司机深夜福利视频在线观看 | 免费黄频网站在线观看国产| 女性生殖器流出的白浆| 婷婷成人精品国产| 免费日韩欧美在线观看| 久久国产精品影院| 日本五十路高清| 久久中文看片网| 巨乳人妻的诱惑在线观看| 亚洲全国av大片| 十八禁高潮呻吟视频| 国内毛片毛片毛片毛片毛片| 一区二区av电影网| 国产精品一区二区免费欧美 | 一本久久精品| 午夜两性在线视频| 91老司机精品| 国精品久久久久久国模美| 91精品伊人久久大香线蕉| 精品国内亚洲2022精品成人 | 啦啦啦 在线观看视频| 成年人黄色毛片网站| 亚洲国产欧美网| 久久久久久久大尺度免费视频| av天堂在线播放| 欧美日本中文国产一区发布| 波多野结衣一区麻豆| 国产亚洲午夜精品一区二区久久| 国产精品久久久久成人av| 一个人免费看片子| 黑丝袜美女国产一区| 日本vs欧美在线观看视频| 国产成+人综合+亚洲专区| 十八禁高潮呻吟视频| av有码第一页| 成人三级做爰电影| 色婷婷久久久亚洲欧美| 国产精品香港三级国产av潘金莲| 99香蕉大伊视频| 亚洲精品久久午夜乱码| 日韩中文字幕欧美一区二区| 国产欧美亚洲国产| 亚洲国产av新网站| 中文字幕精品免费在线观看视频| 一二三四社区在线视频社区8| 国产男女内射视频| 国产在线一区二区三区精| 1024视频免费在线观看| 无限看片的www在线观看| 成年人免费黄色播放视频| 免费av中文字幕在线| 国产亚洲av片在线观看秒播厂| 欧美亚洲 丝袜 人妻 在线| av不卡在线播放| 欧美日本中文国产一区发布| svipshipincom国产片| 黑人巨大精品欧美一区二区蜜桃| 交换朋友夫妻互换小说| 在线观看免费高清a一片| 99re6热这里在线精品视频| 满18在线观看网站| 国产成人a∨麻豆精品| 国产精品国产av在线观看| e午夜精品久久久久久久| 欧美日韩国产mv在线观看视频| 亚洲,欧美精品.| 免费高清在线观看视频在线观看| 日韩大片免费观看网站| 欧美国产精品va在线观看不卡| 亚洲第一av免费看| 亚洲一码二码三码区别大吗| 黄色毛片三级朝国网站| 在线观看人妻少妇| 欧美在线一区亚洲| 一级毛片电影观看| 黄色 视频免费看| 捣出白浆h1v1| 午夜精品久久久久久毛片777| 国产免费视频播放在线视频| 新久久久久国产一级毛片| 最近最新中文字幕大全免费视频| 久久久精品94久久精品| 亚洲欧美激情在线| av有码第一页| 99久久精品国产亚洲精品| 婷婷色av中文字幕| a级片在线免费高清观看视频| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲国产欧美网| 日本撒尿小便嘘嘘汇集6| 青青草视频在线视频观看| 97在线人人人人妻| 久久久久国内视频| 免费在线观看日本一区| 国产精品影院久久| 亚洲国产精品一区二区三区在线| 国产精品欧美亚洲77777| 老司机亚洲免费影院| 国产一卡二卡三卡精品| 18禁黄网站禁片午夜丰满| 女人爽到高潮嗷嗷叫在线视频| 日韩电影二区| 大香蕉久久成人网| 啦啦啦中文免费视频观看日本| 国产又色又爽无遮挡免| 麻豆国产av国片精品| 99久久综合免费| 亚洲精品粉嫩美女一区| 50天的宝宝边吃奶边哭怎么回事| 国产不卡av网站在线观看| 中文字幕人妻熟女乱码| 国产亚洲av高清不卡| 国产欧美日韩精品亚洲av| 操美女的视频在线观看| 好男人电影高清在线观看| 考比视频在线观看| 久久久国产成人免费| 亚洲五月色婷婷综合| 国产av精品麻豆| 一本久久精品| 黄片小视频在线播放| 两个人看的免费小视频| 建设人人有责人人尽责人人享有的| 久久天堂一区二区三区四区| 亚洲精华国产精华精| 欧美国产精品一级二级三级| 男人爽女人下面视频在线观看| 一区福利在线观看| 纵有疾风起免费观看全集完整版| 亚洲精品乱久久久久久| 在线十欧美十亚洲十日本专区| 天天影视国产精品| 免费观看av网站的网址| 亚洲免费av在线视频| 日韩免费高清中文字幕av| 亚洲成人免费av在线播放| 巨乳人妻的诱惑在线观看| 男女免费视频国产| 美女扒开内裤让男人捅视频| 777久久人妻少妇嫩草av网站| 亚洲视频免费观看视频| 69精品国产乱码久久久| 国产精品免费大片| 激情视频va一区二区三区| av网站免费在线观看视频| 国产精品一区二区在线不卡| 女人被躁到高潮嗷嗷叫费观| 黄色视频,在线免费观看| 亚洲国产中文字幕在线视频| 久久久久久免费高清国产稀缺| 色94色欧美一区二区| 大码成人一级视频| 麻豆乱淫一区二区| 成人免费观看视频高清| 国产又色又爽无遮挡免| 两性夫妻黄色片| 黄色毛片三级朝国网站| 搡老岳熟女国产| 欧美精品一区二区免费开放| av不卡在线播放| 午夜福利,免费看| 亚洲av男天堂| 久久人人爽人人片av| 色94色欧美一区二区| 久久久国产成人免费| 美女福利国产在线| 亚洲国产毛片av蜜桃av| 免费高清在线观看视频在线观看| 一级,二级,三级黄色视频| 男女高潮啪啪啪动态图| 美女视频免费永久观看网站| 精品国产一区二区三区久久久樱花| 国产激情久久老熟女| 不卡一级毛片| 免费观看人在逋| 亚洲欧洲精品一区二区精品久久久| 国产精品一区二区精品视频观看| 欧美黄色片欧美黄色片| 99久久精品国产亚洲精品| 国产精品免费视频内射| 国产亚洲欧美在线一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 国产亚洲av高清不卡| 永久免费av网站大全| xxxhd国产人妻xxx| 亚洲成人免费av在线播放| 国产黄色免费在线视频| 99国产精品一区二区三区| 国产欧美日韩精品亚洲av| 欧美另类亚洲清纯唯美| 亚洲全国av大片| 久久久久久久久久久久大奶| 成年人午夜在线观看视频| 男人添女人高潮全过程视频| 国产av又大| 女人爽到高潮嗷嗷叫在线视频| 久久精品aⅴ一区二区三区四区| 国产欧美日韩一区二区精品| 亚洲成人手机| 大香蕉久久网| 成年女人毛片免费观看观看9 | 韩国精品一区二区三区| 日本精品一区二区三区蜜桃| 免费高清在线观看视频在线观看| 窝窝影院91人妻| 亚洲av成人不卡在线观看播放网 | 十八禁网站网址无遮挡| 免费观看a级毛片全部| 亚洲国产精品成人久久小说| 色精品久久人妻99蜜桃| 韩国高清视频一区二区三区| 国产精品成人在线| 欧美性长视频在线观看| 老汉色av国产亚洲站长工具| 亚洲avbb在线观看| 超碰97精品在线观看| 国产免费福利视频在线观看| 一区二区三区四区激情视频| 午夜影院在线不卡| 高清av免费在线| 国产av一区二区精品久久| 久久人人爽av亚洲精品天堂| 中文字幕人妻丝袜一区二区| 真人做人爱边吃奶动态| √禁漫天堂资源中文www| 国产一区有黄有色的免费视频|