基于ACCRBF网络的多层砖房震害预测1

2013-11-26杨秀萍程运平陈克珩丁大勇

震灾防御技术 2013年1期

杨秀萍程运平陈克珩丁大勇

（荆门市民防办，荆门 448000）

引言

地震是破坏力最强的自然灾害之一。地震灾害的最重要特征就是在极短的时间内造成严重的人员伤亡和经济损失。近年来全球地震灾害频发，正处于全球地质活动相对活跃的时期，平均每年发生的6级以上地震约300—400次，7级以上地震约20次，8级以上地震1次左右。

通过调查历史震害，作者发现地震灾害损毁主要表现在两个方面：一是地震灾害造成的人员伤亡；二是地震灾害导致的基础设施损毁。而人员伤亡大多数是由于基础设施损毁而直接引起的。因此，在目前地震准确预报尚不能实现的情况下，建筑物抗震能力的高低对减轻地震灾害有着极其重要的作用。如果能够在地震前预测出城市建筑物的震害程度及其空间分布，并且采取必要的抗震加固措施，就能减小地震灾害造成的损失。

1 建筑物震害预测原理

广义上的震害预测包括：地震危险性分析和结构易损性分析。本文主要讨论狭义的震害预测结构易损性分析——结构在确定的地震强度作用下，发生某种破坏程度的概率或可能性（伊之潜，1996）。

传统的震害预测方法主要是对建筑物逐栋或抽样进行调查，再建立震害矩阵进行预测。这种方法可以得到比较详细的数据，但《地震灾害预测及其信息处理系统技术规范》规定：“对于城市的一般建筑物，抽样率一般以占该类建筑总面积的8%—11%为宜”，如果应用传统的震害预测方法，工作量巨大且投资额高。我国需要进行震害预测的城市约占全国城市的半数以上，在保证宏观预测精度和可靠性的情况下，加速城市的震害预测工作，减少投资成本，就成为众所关心的问题。考虑到我国目前建筑形式还是以多层砖房为主，因此对多层砖房震害预测研究就有着非常重要的意义，同时我国多层砖房的震害资料也比较丰富，容易获得的样本也比较全面。目前，对多层砖房的震害预测主要包括：楼层单位面积平均抗剪强度系数法（乔亚玲等，2005）、基于 BP神经网络模型的多层砖房震害预测方法（汤皓等，2006a；2006b）、基于MATLAB神经网络方法的多层砖房震害预测（姜伟等，2011）、用模糊人工神经网络方法预测多层砖房震害（刘本玉等，2002）、灰关联与人工神经网络在建筑物震害预测中的应用（汤皓等，2006a；2006b）等。本文尝试利用一种ACCRBF（Ant Colony Clustering Radial Basis Function）网络模型（康飞等，2009），依据不同峰值加速度下多层砖房的实际震害资料建立样本，通过对已知震害样本的学习、训练，在模型的输入和输出之间建立映射关系，并利用这种映射关系对未知样本进行评估和分类，实现对建筑物的震害分析和预测。

2 基于ACCRBF网络的多层砖房震害预测模型

2.1 ACCRBF网络的基本原理和算法

RBF网络（图1）是一种前馈神经网络模型，一般为m-k-p型3层结构，如图2所示。它不仅具有生物学基础和数学基础，而且结构简单，学习速度快，逼近能力强。但其学习算法如聚类算法（K-means）是无监督的模式分类算法，工作量大，易陷入局部最优。蚁群优化是一种高度创新的全局优化算法，它特有的信息素正反馈、信息素通信和群体协作等优秀性能使之得到了广泛的认可。将蚁群聚类算法与RBF网络组合运用，建立一种新的ACCRBF网络模型，能够在全局范围内优化搜索，模拟了蚁群觅食的概率转移特性，克服了传统的K-means聚类对初始聚类中心的选取依赖性强，而且容易收敛到局部极值的缺点，聚类效果更优，得到的基函数中心更具有代表性。

ACCRBF算法（康飞等，2009；杨秀萍等，2011）：

（1）采用蚁群聚类算法，计算聚类中心（如图2）。

（2）根据公式iidσγ=确定各隐节点的扩展常数，id为第i个聚类中心与离它最近的聚类中心之间的欧氏距离，γ是用来调整扩展常数的重叠系数。

（3）计算权值矩阵W：RBF网络各隐节点的数据中心ic和扩展常数iσ确定之后，对应于输入样本ix的第j个隐节点的输出为。ACCRBF网络结构就完全确定了：输入样本为ix，输出为y HW= ，

图1 RBF网络结构图Fig. 1 Diagram of RBF network structure

2.2 结构易损性预测神经网络模型设计

ACCRBF网络模型（康飞等，2009）设计的关键是要选择能够合理反映出模型的输入、输出之间的逻辑映射关系的特征向量，包括输入向量和输出向量两部分。在结构易损性预测神经网络模型中，所选择的输入向量应为结构的震害影响因子。根据多层砖房震害影响因素选用以下8个震害影响因子（刘本玉等，2002；汤皓等，2006a；2006b；成小平等，2009）：房屋层数1x、施工质量2x、砂浆标号3x、结构合理性4x、砖墙面积率5x、房屋整体性6x、场地条件7x和地震峰值加速度8x作为输入向量的分量，同时设输入向量具体的参数取值如表1所示。

图2 ACC算法流程图Fig. 2 Flowchart of ant clustering algorithm

表1 多层砖房震害影响因子Table 1 Influence factor of multistory masonry buildings

续表

输出向量设为不同峰值加速度下结构震害程度。本文将震害程度分为5个等级：基本完好、轻微损坏、中等破坏、严重破坏和倒塌。根据震害的分级情况，将输出向量分别用1、2、3、4、5来表示：基本完好、轻微损坏、中等破坏、严重破坏、倒塌5种破坏。

2.3 ACCRBF网络模型的训练

本文参照汤皓等（2006a；2006b），选择了《唐山大地震震害》中的30组多层砖房震害实例。多层砖房震害实例的各震害因子及其对应的震害程度如表2所示。取25组作为训练样本，5组作为测试样本。按照本文的网络模型算法，参考康飞等（2009），α, β取1—10之间不同的整数，通过多次实验表明， α =β=8.0时，收敛效果最优，当r和γ大于一定值时对网络收敛精度影响不大，取为样本间最大距离，γ=200。用训练样本对ACCRBF网络进行多次训练，得到合理的网络基函数中心、扩展常数和权值。

表2 多层砖房震害实例Table 2 Some case examples of the seismic damage of multistory masonry buildings

由表3可见，各种破坏情况的输出值并不是精确的整数，根据模糊理论中的贴近准则，可以大致预测该房屋最可能发生的破坏等级。通过ACCRBF网络预测、BP网络预测结果比较发现，RBF网络聚类效果更优，预测结果误差小（图3）。根据ACCRBF网络预测结果与实际震害的比较，可知2、3、6、7、28五组样本基本吻合，样本10、11、19、27、29误差较大，但也在允许范围，其余样本吻合度良好。出现这样的结果是因为选取前25组样本作为训练样本，后5组作为测试样本，训练样本吻合度良好，测试样本略有偏差。究其原因主要是因为选择的样本数量少，样本不够全面，30组样本中3组完好、11组轻微破坏、6组中等破坏、6组严重破坏，4组倒塌，轻微破坏样本数量最多，而训练效果也是最好的。同时选取的样本主要基于地面峰值加速度0.2g—0.3g的情况，其他峰值加速度下的震害资料少，这样网络训练结果则不能实现各级震害预测。