Georgia Institute of Technology的Farahnaz Soleimani和University of Surrey的Donya Hajializadeh合作，在2022年于《Structures》期刊第38卷发表了一篇题为《Bridge seismic hazard resilience assessment with ensemble machine learning》的研究文章。以下是这项研究的详细学术报告。

研究背景

这项研究聚焦于土木工程与地震工程学的交叉领域，尤其是桥梁在面对地震等破坏性灾害时的韧性（resilience）评估。近年来，基础设施工程领域对”基于韧性（resilience-based）”的灾害评估体系产生了浓厚兴趣。相比传统的灾害评估方法，韧性评估能够更全面地反映资产在灾害冲击下的表现及恢复能力。然而，对于桥梁这样运输网络中的关键组成部分，研究如何高效评估其在地震灾害下的韧性仍然是一个复杂问题。特别是韧性关键驱动因素的识别以及不确定特征的量化在现有文献中尚属空白。

基于上述背景，这篇文章提出了一种基于多模型集成学习（ensemble machine learning）的预测模型，用于量化地震灾害强度和桥梁结构特性对桥梁韧性的影响。这项研究旨在通过优化模型输入和超参数，减少计算复杂性并提高预测效率。

研究目的

研究的核心目标是： 1. 开发一个通用的基于机器学习的框架，用于桥梁韧性指数的预测； 2. 综合考虑灾害强度（如峰值地面加速度，PGA）和桥梁结构特性，评估两者对桥梁韧性的重要性； 3. 优化机器学习模型，减小不确定性对韧性评估的影响； 4. 比较不同集成学习算法，如Bagging、Boosting和随机森林（Random Forest）的表现，并为未来应用推荐最佳算法。

研究方法及工作流程

分析框架及工作流程

本研究包含如下主要步骤：

1. 桥梁地震韧性评估框架
   文章采用了一种基于”性能指标–时序表示法”的韧性评估公式。桥梁在地震灾害后经历五个恢复阶段，从初始的性能状态到最终恢复的平衡状态。韧性指数被定义为残存性能区域与整个时间范围内总性能的比值。

2. 数据和模型构建 实验选取了加州常见的双跨连续混凝土箱梁桥这一桥梁类别作为研究对象。桥梁被按不同设计年代分组：1971年之前、1971-1990年和1990年之后。研究考虑了不同的桥梁支座形式（刚性桥台、座式桥台）和地震强度（PGA从0.1g到2.0g）。

使用OpenSees进行桥梁的三维建模，将桥梁设计参数、地震需求参数，以及桥梁组件的脆弱性曲线作为主要数据输入。

1. 桥梁组件脆弱性分析 使用概率地震需求模型（PSDM）开发桥梁关键部件（如桥墩、基础和桥台）的地震需求与地震强度的关系。脆弱性曲线（fragility curves）通过线性回归模型估算，以预测不同地震强度下桥梁达到四种损伤状态的概率。

2. 韧性指标的量化 基于组件脆弱性曲线与韧性评估公式，研究计算了不同桥梁类型在广泛地震强度范围内的韧性指标。通过线性与非线性恢复功能曲线，模拟桥梁从损失到恢复的功能表现。

3. 集成学习模型开发 根据损伤状态、地震强度和桥梁特性数据集，构建三个基于集成学习的预测模型：Bagging、Boosting与随机森林模型。模型的训练数据占80%，测试数据占20%。模型超参数通过网格搜索和10折交叉验证调优，选取最优参数组合。

4. 结果与特征重要性分析
   最后，文章利用模型权值与误差分析衡量各输入变量的重要性，例如桥墩高度、桥面宽度等数据对韧性预测的具体贡献。

研究结果与分析

不同桥梁类型的韧性评估

1. 桥梁韧性随着地震强度（PGA）增大而下降，且早期设计（1971年之前）的桥梁桥墩和结构更为脆弱，韧性较低。
2. 与座式桥台相比，刚性桥台通常表现出更高的韧性，尤其在后期设计中（1990年及以后）。
3. 韧性最显著受脆性曲线中“完全损伤状态”的影响。

集成算法性能比较

1. Bagging： 平均预测准确率为82%-95%，在所有桥梁类型和损伤状态下表现最佳。其效果优于Boosting和随机森林模型。
2. Boosting： 尽管预测准确率略低于Bagging，但在某些桥梁类型中也展示出强大的性能优势，特别是在样本偏差较大的情况下。
3. 随机森林： 具有较好的计算稳定性和偏差-方差权衡能力，但预测精度在三种模型中稍逊一筹。

特征重要性分析

模型变量权重分析显示： 1. 峰值地面加速度（PGA）是最重要的影响变量。 2. 桥墩数量和加劲梁深度（superstructure depth）次之。 3. 土壤类型和桥梁主梁类型（如预应力梁或普通混凝土梁）在预测中影响较小，但在座式桥台类型的预测中，这些变量体现出一些潜在关联性。

研究结论和意义

1. 研究呈现了一种基于机器学习的创新方法，用于桥梁地震韧性的快速量化预测，为传统韧性评估概念提供了补充。
2. 学术价值：文章验证了集成学习算法在复杂地震-桥梁特性结构预测中的有效性；识别了关键韧性驱动因素，优化了模型复杂度。
3. 应用价值：研究结果可以为抗震设计与桥梁维修管理提供数据驱动的决策支持，例如提升地震防灾救灾的响应能力以及提高桥梁结构有效寿命。

研究亮点

1. 多模型集成学习： 本研究首次应用Bagging和Boosting算法结合桥梁结构特性和地震需求，显著提高了韧性预测的精度。
2. 全面评估： 跨越多种地震设计年代和结构形态，覆盖广泛的取样输入和极端强度分布，针对性地分析桥梁韧性的不同表现。
3. 特征贡献洞察： 提供了桥梁关键特性的全面重要性排序，优化未来模型设计。

研究的建议与展望

1. 虽然研究专注于加州的箱梁桥，未来研究可进一步扩展桥梁类型（如I型梁桥），以验证模型的普适性。
2. 此外，未来工作可引入更全面的地震激励特征分析（如加速度反应谱和频率成分），并探讨不同桥梁部件恢复函数的精细化建模。

总结来看，该研究通过集成学习技术为桥梁抗震韧性评估提供了新的思路，具有重要的理论价值和实际意义。