楊秀萍 程運平 陳克珩 丁大勇
(荊門市民防辦,荊門 448000)
地震是破壞力最強的自然災(zāi)害之一。地震災(zāi)害的最重要特征就是在極短的時間內(nèi)造成嚴重的人員傷亡和經(jīng)濟損失。近年來全球地震災(zāi)害頻發(fā),正處于全球地質(zhì)活動相對活躍的時期,平均每年發(fā)生的6級以上地震約300—400次,7級以上地震約20次,8級以上地震1次左右。
通過調(diào)查歷史震害,作者發(fā)現(xiàn)地震災(zāi)害損毀主要表現(xiàn)在兩個方面:一是地震災(zāi)害造成的人員傷亡;二是地震災(zāi)害導致的基礎(chǔ)設(shè)施損毀。而人員傷亡大多數(shù)是由于基礎(chǔ)設(shè)施損毀而直接引起的。因此,在目前地震準確預(yù)報尚不能實現(xiàn)的情況下,建筑物抗震能力的高低對減輕地震災(zāi)害有著極其重要的作用。如果能夠在地震前預(yù)測出城市建筑物的震害程度及其空間分布,并且采取必要的抗震加固措施,就能減小地震災(zāi)害造成的損失。
廣義上的震害預(yù)測包括:地震危險性分析和結(jié)構(gòu)易損性分析。本文主要討論狹義的震害預(yù)測結(jié)構(gòu)易損性分析——結(jié)構(gòu)在確定的地震強度作用下,發(fā)生某種破壞程度的概率或可能性(伊之潛,1996)。
傳統(tǒng)的震害預(yù)測方法主要是對建筑物逐棟或抽樣進行調(diào)查,再建立震害矩陣進行預(yù)測。這種方法可以得到比較詳細的數(shù)據(jù),但《地震災(zāi)害預(yù)測及其信息處理系統(tǒng)技術(shù)規(guī)范》規(guī)定:“對于城市的一般建筑物,抽樣率一般以占該類建筑總面積的8%—11%為宜”,如果應(yīng)用傳統(tǒng)的震害預(yù)測方法,工作量巨大且投資額高。我國需要進行震害預(yù)測的城市約占全國城市的半數(shù)以上,在保證宏觀預(yù)測精度和可靠性的情況下,加速城市的震害預(yù)測工作,減少投資成本,就成為眾所關(guān)心的問題??紤]到我國目前建筑形式還是以多層磚房為主,因此對多層磚房震害預(yù)測研究就有著非常重要的意義,同時我國多層磚房的震害資料也比較豐富,容易獲得的樣本也比較全面。目前,對多層磚房的震害預(yù)測主要包括:樓層單位面積平均抗剪強度系數(shù)法(喬亞玲等,2005)、基于 BP神經(jīng)網(wǎng)絡(luò)模型的多層磚房震害預(yù)測方法(湯皓等,2006a;2006b)、基于MATLAB神經(jīng)網(wǎng)絡(luò)方法的多層磚房震害預(yù)測(姜偉等,2011)、用模糊人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測多層磚房震害(劉本玉等,2002)、灰關(guān)聯(lián)與人工神經(jīng)網(wǎng)絡(luò)在建筑物震害預(yù)測中的應(yīng)用(湯皓等,2006a;2006b)等。本文嘗試利用一種ACCRBF(Ant Colony Clustering Radial Basis Function)網(wǎng)絡(luò)模型(康飛等,2009),依據(jù)不同峰值加速度下多層磚房的實際震害資料建立樣本,通過對已知震害樣本的學習、訓練,在模型的輸入和輸出之間建立映射關(guān)系,并利用這種映射關(guān)系對未知樣本進行評估和分類,實現(xiàn)對建筑物的震害分析和預(yù)測。
RBF網(wǎng)絡(luò)(圖1)是一種前饋神經(jīng)網(wǎng)絡(luò)模型,一般為m-k-p型3層結(jié)構(gòu),如圖2所示。它不僅具有生物學基礎(chǔ)和數(shù)學基礎(chǔ),而且結(jié)構(gòu)簡單,學習速度快,逼近能力強。但其學習算法如聚類算法(K-means)是無監(jiān)督的模式分類算法,工作量大,易陷入局部最優(yōu)。蟻群優(yōu)化是一種高度創(chuàng)新的全局優(yōu)化算法,它特有的信息素正反饋、信息素通信和群體協(xié)作等優(yōu)秀性能使之得到了廣泛的認可。將蟻群聚類算法與RBF網(wǎng)絡(luò)組合運用,建立一種新的ACCRBF網(wǎng)絡(luò)模型,能夠在全局范圍內(nèi)優(yōu)化搜索,模擬了蟻群覓食的概率轉(zhuǎn)移特性,克服了傳統(tǒng)的K-means聚類對初始聚類中心的選取依賴性強,而且容易收斂到局部極值的缺點,聚類效果更優(yōu),得到的基函數(shù)中心更具有代表性。
ACCRBF算法(康飛等,2009;楊秀萍等,2011):
(1)采用蟻群聚類算法,計算聚類中心(如圖2)。
(2)根據(jù)公式iidσγ=確定各隱節(jié)點的擴展常數(shù),id為第i個聚類中心與離它最近的聚類中心之間的歐氏距離,γ是用來調(diào)整擴展常數(shù)的重疊系數(shù)。
(3)計算權(quán)值矩陣W:RBF網(wǎng)絡(luò)各隱節(jié)點的數(shù)據(jù)中心ic和擴展常數(shù)iσ確定之后,對應(yīng)于輸入樣本ix的第j個隱節(jié)點的輸出為。ACCRBF網(wǎng)絡(luò)結(jié)構(gòu)就完全確定了:輸入樣本為ix,輸出為y HW= ,
圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 1 Diagram of RBF network structure
ACCRBF網(wǎng)絡(luò)模型(康飛等,2009)設(shè)計的關(guān)鍵是要選擇能夠合理反映出模型的輸入、輸出之間的邏輯映射關(guān)系的特征向量,包括輸入向量和輸出向量兩部分。在結(jié)構(gòu)易損性預(yù)測神經(jīng)網(wǎng)絡(luò)模型中,所選擇的輸入向量應(yīng)為結(jié)構(gòu)的震害影響因子。根據(jù)多層磚房震害影響因素選用以下8個震害影響因子(劉本玉等,2002;湯皓等,2006a;2006b;成小平等,2009):房屋層數(shù)1x、施工質(zhì)量2x、砂漿標號3x、結(jié)構(gòu)合理性4x、磚墻面積率5x、房屋整體性6x、場地條件7x和地震峰值加速度8x作為輸入向量的分量,同時設(shè)輸入向量具體的參數(shù)取值如表1所示。
圖2 ACC算法流程圖Fig. 2 Flowchart of ant clustering algorithm
表1 多層磚房震害影響因子Table 1 Influence factor of multistory masonry buildings
續(xù)表
輸出向量設(shè)為不同峰值加速度下結(jié)構(gòu)震害程度。本文將震害程度分為5個等級:基本完好、輕微損壞、中等破壞、嚴重破壞和倒塌。根據(jù)震害的分級情況,將輸出向量分別用1、2、3、4、5來表示:基本完好、輕微損壞、中等破壞、嚴重破壞、倒塌5種破壞。
本文參照湯皓等(2006a;2006b),選擇了《唐山大地震震害》中的30組多層磚房震害實例。多層磚房震害實例的各震害因子及其對應(yīng)的震害程度如表2所示。取25組作為訓練樣本,5組作為測試樣本。按照本文的網(wǎng)絡(luò)模型算法,參考康飛等(2009),α, β取1—10之間不同的整數(shù),通過多次實驗表明, α =β=8.0時,收斂效果最優(yōu),當r和γ大于一定值時對網(wǎng)絡(luò)收斂精度影響不大,取為樣本間最大距離,γ=200。用訓練樣本對ACCRBF網(wǎng)絡(luò)進行多次訓練,得到合理的網(wǎng)絡(luò)基函數(shù)中心、擴展常數(shù)和權(quán)值。
表2 多層磚房震害實例Table 2 Some case examples of the seismic damage of multistory masonry buildings
由表3可見,各種破壞情況的輸出值并不是精確的整數(shù),根據(jù)模糊理論中的貼近準則,可以大致預(yù)測該房屋最可能發(fā)生的破壞等級。通過ACCRBF網(wǎng)絡(luò)預(yù)測、BP網(wǎng)絡(luò)預(yù)測結(jié)果比較發(fā)現(xiàn),RBF網(wǎng)絡(luò)聚類效果更優(yōu),預(yù)測結(jié)果誤差?。▓D3)。根據(jù)ACCRBF網(wǎng)絡(luò)預(yù)測結(jié)果與實際震害的比較,可知2、3、6、7、28五組樣本基本吻合,樣本10、11、19、27、29誤差較大,但也在允許范圍,其余樣本吻合度良好。出現(xiàn)這樣的結(jié)果是因為選取前25組樣本作為訓練樣本,后5組作為測試樣本,訓練樣本吻合度良好,測試樣本略有偏差。究其原因主要是因為選擇的樣本數(shù)量少,樣本不夠全面,30組樣本中3組完好、11組輕微破壞、6組中等破壞、6組嚴重破壞,4組倒塌,輕微破壞樣本數(shù)量最多,而訓練效果也是最好的。同時選取的樣本主要基于地面峰值加速度0.2g—0.3g的情況,其他峰值加速度下的震害資料少,這樣網(wǎng)絡(luò)訓練結(jié)果則不能實現(xiàn)各級震害預(yù)測。
圖3 ACCRB F網(wǎng)絡(luò)預(yù)測、BP網(wǎng)絡(luò)預(yù)測結(jié)果與實際震害比較Fig. 3 The comparison of predicted results and the actual damages
表3 ACCRBF網(wǎng)絡(luò)預(yù)測、BP網(wǎng)絡(luò)預(yù)測結(jié)果與實際震害比較Table 3 The comparison of predicted results and the actual damages
續(xù)表
(1)對建筑物進行合理的震害評估,并對抗震能力差的建筑物采取措施是減輕地震災(zāi)害損失的有效途徑。
(2)ACCRBF網(wǎng)絡(luò)能夠在全局范圍內(nèi)優(yōu)化搜索,較BP網(wǎng)絡(luò)聚類效果更優(yōu),預(yù)測結(jié)果誤差較小,更接近實際震害。
(3)由ACCRBF網(wǎng)絡(luò)預(yù)測結(jié)果與實際震害比較可以看出,2、3、6、7、28五組樣本基本吻合;樣本10、11、19、27、29誤差較大,但也在允許范圍;其余20組樣本吻合度良好。說明只要震害實例足夠全面,ACCRBF網(wǎng)絡(luò)可以用于震害預(yù)測模型。
成小平,胡聿賢,帥向華,2009. 基于神經(jīng)網(wǎng)絡(luò)模型的房屋震害易損性估計方法. 自然災(zāi)害學報,9(2):68—73.
姜偉,馬令勇,劉功良,2011. 基于MATLAB神經(jīng)網(wǎng)絡(luò)方法的多層磚房震害預(yù)測. 西北地震學報,33(2):155—158.
康飛,李俊杰,許青,2009. 堆石壩參數(shù)反演的蟻群聚類RBF網(wǎng)絡(luò)模型. 巖土力學與工程學報,28(增2):3640—3644.
劉本玉,葉燎原,江見鯨,2002. 用模糊人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測多層磚房震害. 清華大學學報(自然科學版),42(6):843—846.
喬亞玲,閆維明,2005. 建筑結(jié)構(gòu)震害預(yù)測方法研究評述. 工業(yè)建筑,35(6):1—5.
湯皓,陳國興,2006a. 灰關(guān)聯(lián)與人工神經(jīng)網(wǎng)絡(luò)在建筑物震害預(yù)測中的應(yīng)用. 地震工程與工程振動,26(3):57—59.
湯皓,陳國興,李方明,2006b. 基于BP神經(jīng)網(wǎng)絡(luò)模型的多層磚房震害預(yù)測方法. 地震工程與工程振動,26(4):141—146.
伊之潛,1996. 地震災(zāi)害及損失預(yù)測方法. 北京:地震出版社.
楊秀萍,康飛,李俊杰,2011. 基于ACCRBF網(wǎng)絡(luò)的面板堆石壩參數(shù)反演. 水電自動化與大壩監(jiān)測,35(2):56—58.