文档综述

研究作者及机构

本文的主要作者为 Mengdie Chen、Sujith Mangalathu, Ph.D., A.M.ASCE 和 Jong-Su Jeon, Ph.D.。他们分别来自韩国汉阳大学土木与环境工程系以及印度的研究机构 Mangalathu。本研究发表于 2022 年 American Society of Civil Engineers (ASCE) 的《Journal of Structural Engineering》中。

研究背景

本研究属于地震工程领域，尤其是通过机器学习评估桥梁网络在地震中的可靠性。从研究背景来看，交通网络是生命线系统的重要组成部分，其在地震事件中的可靠性直接影响紧急响应和灾后恢复能力。然而，目前现有的地震风险评估方法（如 Chen et al., 2021; Bocchini et al., 2013 的研究）通常计算复杂度高，需要大量资源，而在实际的风险管理中缺乏高效工具。近年来，数据驱动型方法的兴起为风险和脆弱性评估提供了一种替代方案，如通过机器学习技术进行地震失效模式识别与分析（Mangalathu et al., 2020）。尽管许多研究集中在单个桥梁或建筑结构的风险分析上，但基于数据驱动的桥梁网络地震风险分析仍非常有限。

为了应对现有方法的复杂性问题，本研究提出了一种基于机器学习的桥梁网络地震可靠性评估与加固优先级排序的新方法。该方法计算成本低，适合在紧急风险管理系统中应用，并对桥梁的排名和加固计划优先级提出建议。

研究方法和工作流程

方法与模型选择

1. 本研究探索了七种机器学习模型，包括：
   • Naïve Bayes
   • K-Nearest Neighbors Algorithm
   • Decision Tree
   • Random Forest
   • Adaptive Boosting (AdaBoost)
   • Extreme Gradient Boosting (XGBoost)
   • Categorical Boosting (CatBoost)

七种模型均从文献 Mahesh (2020) 中取得详细描述，并评估其在地震可靠性预测中的表现。

1. 数据构建：

   • 输入：桥梁网络中各桥梁的存活或失效状态。
   • 输出：具有原点-目的地路径的整个网络的存活或失效状态。
   • 通过敏感性分析得知，30,000 个样本是建立可靠机器学习模型的最佳数据量。

2. 数据划分：

   • 将总数据集随机分为训练集（70%）和测试集（30%）。
   • 测试集中各模型通过混淆矩阵（confusion matrix）评价其性能。

处理流程的具体步骤

1. 数据生成与模型创建：

   • 首先，生成桥梁的二元存活-失效值，并基于不同强度指标 (IMs) 创建输入参数。
   • 在训练集中进行建模，在测试集中评估模型表现。

2. 网络生存分析：

   • 通过训练好的机器学习模型，预测地震发生后网络是否存在可通行路径。
   • 比较不同模型性能，CatBoost 模型在测试集中的准确率达到 97%，显著优于其他模型（如 Random Forest 的 94%，Decision Tree 的 92%）。
   • 决策树为基础的非线性方法更好地捕捉了存活-失效向量间的复杂决策边界。

3. 网络脆弱性曲线：

   • 使用 CatBoost 替代传统 Monte Carlo 模拟与 NetworkX 方法（Hagberg et al., 2008），绘制桥梁网络的脆弱性曲线。
   • CatBoost 模型的脆弱性曲线与传统方法得出的曲线高度符合。通过对脆弱性曲线中中值和离散参数 ζ 的比较，CatBoost 在四个极限状态 (LS1–LS4) 的偏差均小于 4%，离散性偏差小于 3%。

4. 桥梁排名与重要度分析：

   • 使用机器学习模型中的特征重要性对桥梁排名。
   • 对比传统方法（逐一移除桥梁计算网络中值并排序），机器学习方法在计算时间上更高效。
   • 最重要的桥梁（如桥梁编号 1, 0, 29, 31 等）靠近起点或终点，这主要是由于其拓扑特性。
   • CatBoost 模型在桥梁排名的精确度和效率上展现出明显优势，所需计算时间不到传统方法的三分之一。

主要研究结果

1. CatBoost 模型在预测桥梁网络的地震存活状态上表现最优，准确率高达 97%。
2. 脆弱性曲线中，中值和离散性数据表明基于 CatBoost 的方法在不同极限状态下都能与传统方法高度匹配，同时更具计算效率。
3. 桥梁排名研究表明，通过特征重要性，机器学习模型能够快速确定网络中的关键桥梁，相较于传统方法极大地节省计算时间。

研究结论与价值

1. 本研究开发了一种高效、准确的基于机器学习的框架，可用于桥梁网络的地震可靠性评估。
2. 传统方法需要通过逐步移除桥梁并计算网络参数进行桥梁排名，而该方法通过 CatBoost 模型及特征重要性分析极大程度地简化了流程。
3. 提供了一种低计算成本的地震性能量化分析方法，可帮助风险管理者制订桥梁加固优先级计划，从而降低地震风险。

研究亮点

1. 本研究首次系统性地将机器学习技术与桥梁网络分析相结合，为地震可靠性研究引入了一种全新的计算方法。
2. 所提出的 CatBoost 模型在效率和准确性上优于传统方法，尤其体现在脆弱性曲线建模以及桥梁排名中。
3. 该方法适配于复杂的大规模桥梁网络，具有较高的实际应用价值，可集成于紧急风险管理系统中。

总结

本研究不仅解决了传统方法计算复杂度高的问题，还为大规模桥梁网络地震可靠性研究提供了一种简化饱满的建模策略，同时展现了机器学习算法在结构工程中的广泛适用性与潜力。这种结合机器学习的新兴计算技术为未来更多交通基础设施的风险评估研究提供了重要参考价值。