基于深度学习技术的高墩桥快速地震响应估计研究报告

作者与出版信息

本文主要作者包括 Chunxiang Li、Hai Li 和 Xu Chen，分别隶属于上海大学土木工程系与日本东北大学国际灾害科学研究所。该研究发表在《Engineering Structures》期刊第266卷中，于2022年6月21日在线刊出，DOI为10.1016/j.engstruct.2022.114566。

学术背景

研究领域与背景
高墩桥作为一种常见的大型工程结构，广泛应用于中国西部的高海拔山地高速公路中，其桥墩高度可达40至100米以上。与传统短墩和中墩桥相比，高墩桥具有高度柔性且质量分布远离底部，这使得高阶模态的影响不可忽视。然而，目前现行的地震规范多基于短墩或中墩桥的响应预测方法，无法准确应用于高墩桥。同时，对于涉及大量桥梁的高速公路网络，其地震响应估计通常依赖非线性时程分析（NLTHA），虽然结果准确，但非常耗时且计算资源开销大。

近年来，深度学习（Deep Learning, DL）作为人工智能领域的一大进展，已经被证明可以在土木工程领域中有效应用。包括人工神经网络（Artificial Neural Network, ANN）和长短期记忆网络（Long Short-Term Memory, LSTM）在内的深度学习方法，已在结构损伤诊断、地震易损性分析等方面取得显著成果。

研究目的
本文旨在发展一种基于深度学习技术的快速地震性能估计方法，针对高墩桥快速预测地震需求。这种方法不仅能够大幅提高时间效率，还可以为地震后包含大量桥梁的高速公路网络的震后韧性评估及抢险救援提供即时支持。

研究过程

方法流程框架

研究发展了一套基于深度学习技术的桥梁地震响应预测框架，包括以下五个步骤： 1. 生成样本桥梁模型
采用拉丁超立方抽样（Latin Hypercube Sampling, LHS）法生成500座样本桥梁结构，以考虑可能的几何和材料参数的不确定性。 2. 地震动样本生成
生成三类地震动输入，分别为滤波白噪声（Filtered White Noise, FWN）、根据设计谱开发的人工地震动（Artificial Seismic Motions, ASM）和对称的价值波模型（Symmetric Ricker Wavelet, SRW）。每类输入各生成500组。 3. 非线性时程分析（NLTHA）
对每个桥梁与地震动组合进行NLTHA，计算剪力、弯矩以及截面曲率延性等需求参数作为深度学习模型的输出。 4. 深度学习模型训练与验证
构建人工神经网络（ANN）和长短期记忆网络（LSTM）模型，使用70%的样本数据进行训练，采用交叉验证与测试数据（占30%）检验模型性能。 5. 模型应用于快速评估
将训练好的深度学习模型应用到新增的1500组桥梁模型上，快速预测其地震响应。

模型配置细节

在训练过程中，研究通过广泛的试验和性能指标测算（包括准确性、均方根误差与判定系数），优化了模型参数（如隐藏层节点数与训练轮次）。研究发现： - 单隐藏层比多隐藏层构造更高效； - FWN地震动样本由于随机性强，复杂特征较难被模型捕捉，导致其预测性能弱于ASM和SRW地震动样本。

数值模型与高墩桥特征

研究选取一座典型的高墩桥作为数值模型参考，其单墩高度为50米，主体由中空矩形钢筋混凝土桥墩构成。研究采用纤维梁柱单元（Fiber Beam-Column Element）进行建模，有效模拟了核心混凝土和覆层混凝土等材料的非线性行为。同时，假设桥梁处于刚性基底以忽略地基-结构相互作用。

主要研究结果

1. 深度学习模型性能
   深度学习模型训练完成后对1500组新增桥梁结构样本和地震动组合进行了响应预测，其结果与基准的NLTHA对比表明误差小于8%。另外，在评估统计性能时，ANN和LSTM模型在剪力平均值预测上的误差分别低于1.81%与1.65%。

2. 时间效率分析
   基于NLTHA分析4500组桥梁-地震动样本耗时40小时，而同等规模下应用深度学习模型仅需约1小时，实现了97%的时间效率提升。

3. 地震动作用特性影响
   SRW输入的响应预测效果最佳（准确度高达88%），ASM次之，FWN因其复杂频率特征导致模型表现略弱。

4. 地震响应细节预测
   对剪力、弯矩和截面曲率延性三类需求参数的预测中，ANN和LSTM均表现稳定，与高阶模态对高墩桥的显著影响吻合。

5. 参数选择优化
   所选输入变量高度兼顾了桥梁结构的物理特性，例如高阶模态、更高的动态柔性及单墩质量分布等，使得模型能够以较少参数高效预测响应。

研究意义与贡献

该研究为基于深度学习技术的地震工程提供了一种全新的解决方案： 1. 科学意义
深度学习技术的引入极大地提高了对高墩桥地震响应分析的效率，并为高阶模态效应的深入研究提供了科学依据。 2. 实际应用价值
当面对数百甚至数千座桥梁的震后快速震害评估需求时，该方法比传统的时程分析节省了大量时间，这对震后交通抢险有重要意义。同时，研究为进一步扩展至其他桥梁类型及复杂结构提供了依据。

研究亮点

1. 快速预测性能优越
   ANN与LSTM模型显著加速了剪力、弯矩和截面曲率延性等复杂需求参数的估算。
2. 创新的输入变量设计
   包括振动模态与地震动特征相关变量的合理选择，提高了模型精度并减少了参数冗余。
3. 多样化地震动类型分析
   通过涵盖复杂地震运动特征，为真实地震环境下的桥梁表现估计提出了高适应性的解决方案。

其它值得关注的内容

文章最后指出，模型适应性不仅局限于典型高墩桥，还可以进一步通过重新训练数据集以快速扩展至其他特殊桥梁形式。例如，添加耗能装置后的桥梁模型，只需一次更新即可适用于新应用场景。