基于新西兰实际震害资料的地震损失不确定性分析

描述地震作用与工程破坏之间关系的易损性曲线及其概率分布对于地震灾害损失的可靠评估至关重要.以对数正态分布为主体的现行易损性概率分布模型无法很好地描述完好无损和完全破坏这2种边界条件.文中基于新西兰近40万栋房屋的历史震害信息,确认了这2种边界条件的存在,并对各种给定地震动水平下结构的损失分布进行了研究,提出了考虑上述2...     

基于卷积神经网络的地震震级快速估算方法

地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息（v_S30）作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统P_d方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。      

考虑土-结构相互作用的框架结构抗震性能分析

目前结构的抗震分析主要是采用刚性地基假定,忽略了土-结构相互作用,而在实际情况中结构的地震破坏与刚性地基假定的预期结果并不相同。为了对比差异,本文以一6层混凝土框架结构为例,分别进行了Pushover分析和非线性时程分析。结果表明:当考虑土-结构相互作用时,结构的基底剪力减小,周期增大,顶点位移增大且结构的破坏主要集中在首层,柱端出现了塑性铰,更符合实际的震害情况。并将Pushover分析与非线性时程分析的结果进行对比,验证了Pushover分析的可靠性。     

基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.     

一致边界的精度和离散化准则

本文推导出一致边界特征值与特征向量的显式解析表达式,从而进一步证明:一致边界并不是绝对精确的人工边界,它只能在一定的条件下方能给出满意的结果。文中在一维情形下证明了一致边界离散体系的最大特征频率在数学上等价于该体系的波动截止频率,从而从物理意义出发推导出一致边界的离散化准则,为一致边界的应用提供了理论指导。     

震后公路桥梁通行能力快速评估技术研究

针对我国地震应急指挥和抗震救灾工作的实际需要,在地震应急基础数据库的支持下,对震后公路桥梁通行能力的快速评估技术进行了研究.以唐山、海城等地震的桥梁震害资料为基础,分别建立了梁桥和拱桥的易损性模型,同时建立了一套单体桥梁损伤程度和对应通行能力的简便判断方法,可以估计出震后常见公路桥梁的通行能力指标.     

浅谈我国地震工程专业软件的发展

本文明确提出了地震工程专业软件的概念,说明了它的作用;在总结我国地震工程专业软件发展概况的基础上,剖析了其发展缓慢的主客观原因;提出了现阶段我国地震工程专业软件的发展策略,并对其研发工作给出了几条具体的建议。     

泸定Ms6.8地震房屋损失快速评估

震后房屋损失的快速评估对于灾后应急救援等至关重要。现有的地震风险评估方法要么仅提供损失的均值,要么以某一方差常数来描述损失的分布特征,均无法准确有效地反映各空间位置点损失的随机性及相关关系,最终影响整体损失评估结果的准确度。本文基于Copula理论,提出了一种适用于地震巨灾风险分析的相关随机变量模拟方法,好处是在实现快速计算的同时,能够考虑地震损失中的不确定性与相关性。利用所提方法对2022年9月5日四川泸定6.8级地震的房屋损失进行评估,得到了各结构类型与县区的损失分布,并与PAGER方法所得到的损失分布进行对比。结果表明：此次地震房屋总体损失超过89.8%的概率处于10～100亿元人民币量级水平,其中超过50.8%的概率为20～50亿元人民币;损失较大的三个县区分别是泸定县、石棉县和荥经县,砌体结构的经济损失约是框架结构的2倍;相比于PAGER,该方法给出的损失概率分布形状更加灵活,能够详细地反映不同县区的房屋损失特征。研究方法和结果为震后损失快速评估技术提供参考,也为未来地震的灾后应急救援等提供科学依据。     

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的，这些特征参数依赖于人的经验和主观判断，没有充分利用初至地震波中与震级相关的信息，制约了震级估算效果.对此，本文利用深层卷积神经网络(Deep Convolutional Neural Networks, CNN)直接从初至地震波中自动提取特征，实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入，震中距、震源深度以及V_s30作为辅助输入，震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录),利用美国和新西兰的强震记录进行泛化性能测试(583条记录),并与应用最为广泛的峰值位移Pd方法进行对比.结果表明，当初至地震波时长为3 s时，在4～6.4级范围内，CNN方法估算震级的准确率是Pd方法的1.5倍，在6.5～9级范围，CNN方法估算震级的准确率是Pd方法的1.2倍；当初至地震波从3 s增加到10 s时，CNN方法能够随着地震波时长的增加不断提高估算震级的准确率，并且始终高于Pd方...