XGBoost-basierte Bodenbewegungsmodell für inelastische Beschleunigungsantwortspektren mit konstanter Festigkeit

Warum Erschütterung für reale Gebäude wichtig ist

Erdbeben hinterlassen Gebäude selten vollkommen elastisch; Wände reißen, Träger setzen aus und Konstruktionen verformen sich stärker als auf den Planzeichnungen angenommen. Dennoch gehen die meisten Werkzeuge, die Ingenieure zur Abschätzung von Erschütterungen nutzen, weiterhin davon aus, dass Gebäude elastisch bleiben. Diese Studie stellt einen datengetriebenen Ansatz vor, um vorherzusagen, wie stark reale, leicht beschädigte Gebäude bei zukünftigen Erdbeben wahrscheinlich schwingen werden, und trägt so zur Verbesserung der seismischen Bemessung, Sicherheitsprüfungen und Risikoabschätzungen für Städte bei.

Von einfachen Erschütterungsdiagrammen zum realen Verhalten

Traditionell stützen sich Erdbebeningenieure auf Bodenbewegungsmodelle, die grundlegende Informationen über ein Erdbeben und den Standort in Maße der Erschütterung wie Spitzenbeschleunigung umsetzen. Diese Modelle liefern die Grundlage für Antwortspektren, Kurven, die zeigen, wie stark ein vollkommen elastisches Gebäude bei verschiedenen Eigenperioden schwingen würde. Unter mäßigen bis starken Erdbeben treten die meisten Gebäude jedoch über diesen elastischen Bereich hinaus. Ihre realen Antworten können sich deutlich von elastischen Vorhersagen unterscheiden, was es erschwert, Schäden zu beurteilen, Nachrüstungen zu planen oder realistische Bemessungsregeln allein mit elastischen Spektren zu formulieren.

Ein reichhaltigeres Bild der Erschütterung für sich verformende Gebäude

Um diese Lücke zu schließen, konzentrieren sich die Autoren auf inelastische Beschleunigungs-Antwortspektren, die beschreiben, wie stark ein Gebäude mit begrenzter Festigkeit tatsächlich beschleunigt, wenn es plastisch wird. Sie fokussieren auf eine Variante namens inelastische Spektralbeschleunigung bei konstanter Festigkeit, bei der ein Reduktionsfaktor für die Festigkeit fixiert ist, um darzustellen, wie stark sich die Struktur inelastisch verformen kann. Mithilfe von mehr als fünfzehntausend Bodenbewegungsaufzeichnungen aus 171 Erdbeben in einer großen internationalen Datenbank simulieren sie die Reaktion vieler idealisierter Einfreiheitsgradstrukturen, die das Verhalten von Stahlbeton nachahmen. Diese virtuellen Gebäude decken ein breites Spektrum an Schwingungsperioden, Standorttypen, Entfernungen zur Bruchfläche, Magnituden und inelastischen Festigkeitsniveaus ab.

Ein Modell aus Erdbeben lernen lassen

Das Herzstück der Arbeit ist eine Methode des maschinellen Lernens namens XGBoost, die viele einfache Entscheidungsbäume zu einem starken Prädiktor kombiniert. Anstatt die Daten in eine feste mathematische Formel zu pressen, lernt das Modell komplexe Zusammenhänge zwischen Erdbebengröße, Entfernung, Bodenbedingungen, Gebäudeperiode und inelastischer Festigkeit. Die Autoren betten das Modell außerdem in einen Mixed-Effects-Rahmen ein, der Unterschiede zwischen verschiedenen Erdbeben von der inneren Variabilität eines einzelnen Ereignisses trennt und damit die Art widerspiegelt, wie traditionelle seismische Modelle Variabilität behandeln. Sie nutzen moderne Werkzeuge zur Interpretation von maschinellem Lernen, einschließlich Permutationswichtigkeit und SHAP-Werten, um zu erkennen, welche Eingaben am wichtigsten sind und wie sie die Vorhersagen erhöhen oder verringern.

Was die Erschütterung in dieser neuen Sicht steuert

Beide Interpretationswerkzeuge zeichnen ein konsistentes Bild: Magnitude des Erdbebens, Gebäudeperiode und Entfernung zur Bruchfläche dominieren die vorhergesagte Erschütterung, wobei der inelastische Festigkeitsfaktor und die Schergeschwindigkeit der oberflächennahen Schichten sekundäre, aber dennoch bedeutsame Rollen spielen. Größere Erdbeben und näher gelegene Standorte führen zu höheren inelastischen Beschleunigungen, während Gebäude mit längeren Perioden und weichere Böden die erwarteten Veränderungen in der Reaktion zeigen. Das Modell erreicht eine hohe Genauigkeit auf ungesehenen Daten und erklärt über 92 Prozent der Varianz in den simulierten inelastischen Beschleunigungen; die Residuen zeigen wenig systematische Verzerrung über Magnitude, Entfernung oder Standortbedingungen.

Anschluss an vertraute Bemessungswerkzeuge

Um die physikalische Plausibilität zu prüfen, vergleichen die Autoren ihre Vorhersagen des maschinellen Lernens im Spezialfall elastischen Verhaltens mit einer weit verbreiteten traditionellen Bodenbewegungsgleichung. Die Formen und Trends der Kurven stimmen eng überein, besonders für typische Bemessungsperioden, während der neue Ansatz natürlich in den inelastischen Bereich hineinreicht, den das ältere Modell nicht abdeckt. Das bedeutet, dass Ingenieure das neue Modell verwenden können, um Gefährdungskurven und Spektren zu erstellen, die direkt nichtlineares Gebäudeverhalten widerspiegeln, anstatt elastische Ergebnisse mit groben Korrekturfaktoren zu belegen.

Wie dies zu sicheren Städten beiträgt

Einfach gesagt zeigt die Studie, dass maschinelles Lernen genaue, transparente Vorhersagen darüber liefern kann, wie stark reale, leicht beschädigte Gebäude bei zukünftigen Erdbeben schwingen werden, unter Verwendung von Informationen über das Erdbeben, den Standort und das Gebäude selbst. Indem direkt mit inelastischen Antwortmaßen gearbeitet und klar herausgearbeitet wird, welche Faktoren am wichtigsten sind, bietet das Modell eine realistischere Grundlage für leistungsorientierte Bemessung, Normentwicklung und schnelle Risikoabschätzung, während es gleichzeitig mit vertrauten elastischen Bemessungswerkzeugen konsistent bleibt.

Zitation: Gong, Y., Zhao, J. XGBoost-based ground motion model for constant-strength inelastic acceleration response spectra. Sci Rep 16, 15653 (2026). https://doi.org/10.1038/s41598-026-46656-x

Schlüsselwörter: Erdbebeningenieurwesen, Bodenbewegungsmodelle, maschinelles Lernen, inelastische Antwortspektren, seismische Bemessung