XGBoost-gebaseerd grondbewegingmodel voor inelastische versnellingsspectra met constante sterkte

Waarom trillingen ertoe doen voor echte gebouwen

Aardbevingen laten gebouwen zelden volledig elastisch achter; muren scheuren, balken vloeien en constructies buigen meer dan bouwtekeningen suggereren. Toch gaan de meeste gereedschappen die ingenieurs gebruiken om trillingen te schatten ervan uit dat gebouwen elastisch blijven. Deze studie introduceert een datagedreven manier om te voorspellen hoe hevig echte, licht beschadigde gebouwen bij toekomstige aardbevingen waarschijnlijk zullen trillen, wat helpt bij het verbeteren van seismisch ontwerp, veiligheidscontroles en risicoinschattingen voor steden.

Van eenvoudige trillingsdiagrammen naar echt gedrag

Traditioneel vertrouwen aardbevingsingenieurs op grondbewegingmodellen die basale informatie over een aardbeving en een locatie omzetten in maatstaven voor trillingen, zoals piekversnelling. Deze modellen voeren gegevens aan antwoordspectra, krommen die laten zien hoeveel een perfect elastisch gebouw zou trillen bij verschillende natuurlijke trillingstijden. Onder matige tot sterke aardbevingen gaan de meeste gebouwen echter buiten dit elastische bereik. Hun werkelijke responsen kunnen sterk afwijken van elastische voorspellingen, wat het moeilijk maakt schade in te schatten, retrofits te plannen of realistische ontwerpnormen vast te stellen op basis van alleen elastische spectra.

Een rijker beeld van trillingen voor plastische gebouwen

Om deze kloof te dichten richten de auteurs zich op inelastische versnellingsantwoordspectra, die beschrijven hoeveel een gebouw met beperkte sterkte daadwerkelijk versnelt wanneer het vloeit. Ze concentreren zich op een variant die constante sterkte inelastische spectrale versnelling heet, waarbij een sterktereductiefactor wordt vastgezet om te representeren hoeveel de constructie plastisch kan vervormen. Met meer dan vijftienduizend grondbewegingsopnames van 171 aardbevingen uit een grote internationale database simuleren ze de respons van veel geïdealiseerde eenmassapuntsystemen die het gedrag van gewapend beton nabootsen. Deze virtuele gebouwen bestrijken een breed scala aan trillingstijden, bodemtypen, afstanden tot de breuklijn, magnitudes en inelastische sterkteniveaus.

Een model leren van aardbevingen

Het hart van het werk is een machine learning-methode genaamd XGBoost, die vele eenvoudige beslisbomen combineert tot een sterke voorspeller. In plaats van de data te dwingen een vaste wiskundige formule te volgen, leert het model complexe relaties tussen aardbevingsgrootte, afstand, grondcondities, gebouwperiode en inelastische sterkte. De auteurs plaatsen het model ook in een mixed-effects kader dat verschillen tussen aardbevingen scheidt van verschillen binnen één gebeurtenis, wat het gedrag van traditionele seismische modellen in termen van variabiliteit nabootst. Ze gebruiken moderne tools voor het interpreteren van machine learning, waaronder permutation importance en SHAP-waarden, om te zien welke invoervariabelen het meeste invloed hebben en hoe ze de voorspellingen omhoog of omlaag duwen.

Wat trillingen volgens deze nieuwe visie bepaalt

Beide interpretatietools schetsen een consistent beeld: aardbevingsmagnitude, gebouwperiode en afstand tot de breuk domineren de voorspelde trillingen, terwijl de inelastische sterktefactor en de shear wavesnelheid nabij het oppervlak een secundaire maar nog steeds betekenisvolle rol spelen. Grotere aardbevingen en locaties dichter bij de breuk leiden tot hogere inelastische versnellingen, terwijl gebouwen met langere perioden en zachtere gronden de verwachte veranderingen in respons laten zien. Het model behaalt hoge nauwkeurigheid op ongeziene data, waarbij meer dan 92 procent van de variantie in de gesimuleerde inelastische versnellingen wordt verklaard, en de residuen tonen weinig systematische bias over magnitude, afstand of sitecondities.

Een verbinding met vertrouwde ontwerpgereedschappen

Om de fysieke realiteit te controleren vergelijken de auteurs hun machine learning-voorspellingen, in het bijzondere geval dat het gebouw elastisch blijft, met een veelgebruikte traditionele grondbewegingsvergelijking. De vormen en trends van de krommen komen goed overeen, vooral voor typische ontwerpperiodes, terwijl de nieuwe aanpak zich vanzelf uitbreidt naar het inelastische bereik dat het oudere model niet dekt. Dit betekent dat ingenieurs het nieuwe model kunnen gebruiken om hazardkrommen en spectra op te bouwen die direct niet-lineair bouwwerkgedrag weerspiegelen, in plaats van elastische resultaten ruw te corrigeren met bijschalingsfactoren.

Hoe dit bijdraagt aan veiligere steden

In eenvoudige bewoordingen laat de studie zien dat machine learning nauwkeurige, transparante voorspellingen kan leveren van hoeveel echte, licht beschadigde gebouwen zullen trillen bij toekomstige aardbevingen, met gebruik van informatie over de aardbeving, de locatie en het gebouw zelf. Door direct met inelastische antwoordmaten te werken en duidelijk aan te wijzen welke factoren het meest van belang zijn, biedt het model een realistischer fundament voor prestatiegericht ontwerp, normontwikkeling en snelle risicoanalyse, terwijl het nog steeds consistent blijft met vertrouwde elastische ontwerpmethoden.

Bronvermelding: 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

Trefwoorden: aardbevingsbouwkunde, grondbewegingmodellen, machine learning, inelastische antwoordspectra, seismisch ontwerp