建筑物震害预测方法研究

梁永朵，姜金征，李 莹，蒋 越，惠 杨

(辽宁省地震局，辽宁沈阳 110034)

0 引言

我国是世界上地震灾害最严重的国家之一［1，2］。城市是社会政治、经济和文化活动最集中、最活跃的核心区域，一旦发生地震将会带来巨大灾害。建筑物的震害是地震灾害的主体部分，合理对建筑物的震害损失预测并制定抗震防灾规划是减轻城市地震灾害的有效措施。

在对进行城市建筑物震害预测工作时，《地震灾害预测及其信息管理系统技术规范》(GB/T19428－2003)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。这样的抽样率意味着现场调查工作量将是十分巨大的，需要耗费大量的人力与物力资源。

为此，本文提出了一种利用房屋普查资料为震害影响因子的震害预测方法。震害预测的关键是找到普查各因子对综合指标的非线性综合贡献，且这种关系不能简单地由线性关系或权重系数代表，故引入了人工神经网络(即BP神经网络)方法。这样，就可以充分利用城市已有房屋普查资料，即便需要现场调查，也不需要专业人员即可进行调查，或通过居委会居民填表方式进行调查，大大减小了现场调查工作的难度，加速了震害预测工作的进度。

1 BP网络的结构设计

以建筑物震害为例，介绍BP神经网络的结构设计过程。建筑物的结构类型、建筑年代、层数、高度、用途、现状质量以及烈度等是影响建筑物震害损失的主要因素，简称为震害影响因子［3－5］。这些震害影响因子之间存在非线性性、不确定性、离散性、随机性［6－8］。神经网络适用于解决具有这些特征的问题。

采用DPS软件中的神经网络工具建立BP网络模型。BP网络的结构设计需要确定很多参数，其中输入输出层以及隐含层的确定是较为关键的。

1.1 输入输出层的确定

确定BP网络模型输入输出层的神经元个数，取决于使用者的需要。根据影响建筑物震害的因素及结果，确定输出层有一个神经元——建筑物在某一烈度下的震害情况。根据前面的分析，地震中影响建筑物震害损失的主要因素有7个，即结构类型、建筑年代、层数、高度、用途、现状质量、烈度。故对应的输入层神经元个数为7个。

1.1.1 震害因子量化

由于神经网络只能对数量化的数字信息进行处理，所以在利用BP神经网络建立震害预测模型之前须将非数量化的震害影响因子进行合理量化。层数、高度、烈度按照其实际值进行取值，在进行分析时，由于输入函数值在［0，1］之外时，该函数很容易饱和，致使收敛速度减慢，为此需将输入层的输入数值进行归一化处理。所谓归一化处理，就是将数值进行适当的处理，使其范围在［0，1］之间。变换过程采用公式(1)进行。此步骤的目的是在训练学习的过程中，不致因为一些数据相对过小而被忽略了对震害结果的“贡献”。其他震害影响因子量化情况见表1所示。输入向量各分量的量化采用“震害影响同趋向”原则，即所有数值大小变化趋势与对震害的影响方向是一致的。

表1 震害影响因子量化表

1.1.2 震害等级量化

按照《地震灾害损失评估工作规定》，将建筑物破坏分为五个破坏等级:毁坏、严重破坏、中等破坏、基本完好。输出为房屋在某一烈度下的震害情况，并把其进行量化，量化值见表2所示。

表2 震害等级量化表

1.2 隐含层的确定

由于用一个3层的BP网络可以完成任意n维到m维的映射，故本模型采用单隐含层。中间隐含层神经元个数的选择对网络的学习和计算特性具有非常重要的影响，是该网络结构成败的关键。若隐含层的神经元过少，则网络难以处理复杂的问题，但若隐含层的神经元过多，则将使网络学习时间急剧增加，而且还可能导致网络学习过度，使网络抗干扰能力下降。考虑到训练精度和训练时间，隐含层神经元个数按经验选取，一般设为输入层神经元个数的75%，本模型输入层有7个神经元，输出层神经元1个，隐含层的神经元个数暂定为4个。

1.3 传输函数的确定

隐含层传输函数采用tar－sigmoid函数。选用Sigmoid非线性函数作为神经元传递函数的原因有两条:第一，它与生物神经元的真实反映非常相似;第二，它有一个非常简单的导数，这对开发学习算法大有帮助。根据以上参数设计的BP网络模型结构如图1所示。

图1 BP网络模型结构

2 样本集的选择与网络训练

2.1 样本集的选择

选取2008年汶川地震中的部分建筑物作为样本［9］，主要数据如表3所示。

表3 建筑物震害预测样本集

续表

2.2 训练集和测试集的选取

网络在一个较好的学习训练集上训练，系统误差将随迭代次数的增加而减少，最终收敛于一组稳定的权值。进一步的学习，权值将仅仅出现一个极小的波动，这是期盼的结果，关键在于选取一个合适的训练集。BP网络仿真人脑，具有人脑思维的一般规律。在有规律的训练集上训练，学习更有效。因此，从训练集中选取一些示例作测试集，网络在减少后的训练集上训练，在保留的示例上测试。

考虑到汶川地震中高层建筑的震害明显小于多层，故将40个样本数据分为两组，第一组为非高层建筑，第二组为高层建筑，分别进行训练和验证。

第一组样本数据中，取1－3，5－10，12－16，18－28作为训练样本，4，11，17作为验证样本。

第二组样本数据中，取29－38作为训练样本，39、40作为验证样本。

2.3 网络参数的确定

根据网络参数的确定原则并进行多次试算，最终确定的网络参数如下表4所示。

2.4 网络的训练与检验

确定上述参数后，利用DPS软件输入训练样本数据进行网络训练。当误差或迭代次数达到预定值自动停止计算。

2.4.1 第一组网络训练与检验

运行2000次后，样本误差等于0.011，网络训练及检验结果如表5所示。

表4 网络参数的确定结果

表5 第一组网络训练及检验结果

网络输出结果与实际数值基本一致，只是样本14和样本15的误差较大些，这与样本的数量有关，但总体误差基本能够满足要求，因此，此模型适用于多层混凝土建筑物的震害预测。

由表5可知，测试值与试验值之间的误差在20%以内。这表明，经过训练后的BP网络模型能够抓住研究对象的基本特征，较好的预测出建筑物震害情况，所以将神经网络技术引入到建筑物震害预测中是可行的。训练样本的多少对于网络预测有着重要影响。系统的输入输出关系就包含在这些样本中，所以一般说来，样本越多，有助于系统掌握样本规律，预测精度也就越高。本次试验由于样本有限，预测值与试验值之间还有一定差距，若以大量震害实际数据作为样本数据进行BP网络训练，将可大大提高网络的预测精度。

第二组网络训练与检验

运行150次后，样本误差等于9.5e－6，网络训练及检验结果如表6所示。

表6 第二组网络训练及检验结果

网络输出结果与实际数值完全一致，因此，此模型适用于预测高层钢筋混凝土结构的震害。

3 结论

1)基于实际震害结果，提出了通过建立BP神经网络模型对建筑物震害进行分类预测的方法。在对影响建筑物震害影响因素进行分析和合理选择的基础上，确定了BP神经网络模型的特征参数和目标参数。利用正交试验结果对模型进行训练学习，确定了BP网络模型。利用该模型进行了建筑物震害的预测，预测结果和试验值比较表明，根据国家和地区的具体情况建立具有地区特征的BP神经网络模型算法能够预测具有相同特点的建筑物震害。

2)建筑物震害预测的BP神经网络模型具有实用性和可行性，尤其以可靠的地震应急基础数据库为依据时，便可用于建筑物震害损失预测中。

［1］ 孙柏涛，孙德璋.建筑物单体震害预测新方法［J］.北京工业大学学报，2008，34(7):701 －707.

［2］ 汪国良，包宇，肖林海，等.砌体及框架结构建筑物震害评价与修正［J］.土木工程与管理学报，2011，28(3):50－54.

［3］ 赵凤新，任志林，张郁山.基于不同破坏指数的建筑物震害预测不确定性分析［J］.中国地震，2008，24(4):325－336.

［4］ 张秀彦，王志涛，朱庆杰.基于房屋普查数据的震害预测方法［J］.河北理工大学学报(社会科学版)，2006，6(2):193－196.

［5］ 苏原，王彬彬，赵勇强等.基于支持向量机的一般建筑震害预测方法研究［J］.华中科技大学学报(城市科学版)，2010，27(4):81 －85.

［6］ 李黎，苏原，叶昆等.武汉市城区一般建筑抗震性能评价及震害预测［J］.华中科技大学学报(城市科学版)，2010，27(4):78－80.

［7］ 王景来.地震灾害损失快速评估新方法研究［J］.地震研究，2000，23(3):356 －360.

［8］ 王威，苏经宇，马东辉，等.基于范例推理的城市建筑物震害预测方法研究［J］.西安建筑科技大学学报:自然科学版，2008，40(2):224 －230，237.

［9］ 清华大学，西南交通大学，重庆大学等.汶川地震建筑震害分析及设计对策［M］.北京:中国建筑工业出版社，2009.