Model ruchu sejsmicznego oparty na XGBoost dla inelastycznych widm przyspieszeń o stałej wytrzymałości

Dlaczego wstrząsy mają znaczenie dla prawdziwych budynków

Trzęsienia ziemi rzadko pozostawiają budynki w stanie idealnie sprężystym; pękają ściany, uginają się belki, a konstrukcje odkształcają się bardziej niż przewidują rysunki projektowe. Tymczasem większość narzędzi używanych przez inżynierów do oszacowania wstrząsów nadal zakłada zachowanie sprężyste. W badaniu zaproponowano metodę opartą na danych, pozwalającą przewidzieć, jak mocno rzeczywiste, nieco uszkodzone budynki będą się poruszać podczas przyszłych trzęsień ziemi, co pomaga ulepszyć projektowanie sejsmiczne, kontrole bezpieczeństwa i oceny ryzyka dla miast.

Od prostych wykresów wstrząsów do rzeczywistego zachowania

Tradycyjnie inżynierowie sejsmiczni polegają na modelach ruchu gruntowego, które przekształcają podstawowe informacje o trzęsieniu ziemi i lokalizacji w miary wstrząsów, takie jak przyspieszenie maksymalne. Modele te zasilają widma odpowiedzi — krzywe pokazujące, jak bardzo idealnie sprężysty budynek drgałby przy różnych okresach własnych. Jednak przy umiarkowanych i silnych trzęsieniach większość budynków wykracza poza zakres sprężysty. Ich rzeczywiste reakcje mogą znacząco odbiegać od przewidywań sprężystych, co utrudnia ocenę uszkodzeń, planowanie remontów czy ustalanie realistycznych zasad projektowych wyłącznie na podstawie widm sprężystych.

Bogatszy obraz wstrząsów dla budynków poddających się

Aby wypełnić tę lukę, autorzy koncentrują się na inelastycznych widmach przyspieszeń, które opisują, jak bardzo budynek o ograniczonej wytrzymałości rzeczywiście przyspieszy po przekroczeniu progu plastyczności. Skupiają się na wersji zwanej inelastycznym przyspieszeniem widmowym o stałej wytrzymałości, która ustala współczynnik redukcji wytrzymałości, reprezentując zakres odkształceń inelastycznych. Wykorzystując ponad piętnaście tysięcy zapisów ruchu gruntowego z 171 trzęsień w dużej międzynarodowej bazie danych, symulują odpowiedzi wielu idealizowanych układów jednego stopnia swobody odwzorowujących zachowanie żelbetu. Te wirtualne budynki obejmują szeroki zakres okresów drgań, typów gruntów, odległości od uskoku, wielkości trzęsień i poziomów inelastycznej wytrzymałości.

Nauczanie modelu na podstawie trzęsień ziemi

Rdzeniem pracy jest metoda uczenia maszynowego XGBoost, łącząca wiele prostych drzew decyzyjnych w silny predyktor. Zamiast narzucać danym sztywną formułę matematyczną, model uczy się złożonych zależności między wielkością trzęsienia, odległością, warunkami gruntowymi, okresem budynku i inelastyczną wytrzymałością. Autorzy osadzają też model w ramie efektów mieszanych, która rozdziela różnice między zdarzeniami sejsmicznymi od różnic wewnątrz pojedynczego zdarzenia, naśladując sposób, w jaki tradycyjne modele sejsmiczne traktują zmienność. Używają nowoczesnych narzędzi do interpretacji uczenia maszynowego, w tym ważności przez permutację i wartości SHAP, aby zobaczyć, które dane wejściowe mają największe znaczenie i jak wpływają na przewidywania.

Co kontroluje wstrząsy w tym nowym ujęciu

Oba narzędzia interpretacyjne kreślą spójny obraz: dominującymi czynnikami w przewidywanym poziomie wstrząsów są magnituda trzęsienia, okres budynku i odległość od uskoku, przy czym współczynnik inelastycznej wytrzymałości i prędkość fali ścinającej w pobliżu powierzchni odgrywają role drugorzędne, ale wciąż istotne. Większe trzęsienia i bliższe lokalizacje skutkują wyższymi przyspieszeniami inelastycznymi, natomiast budynki o dłuższych okresach i miększe grunty wykazują oczekiwane zmiany w odpowiedzi. Model osiąga wysoką dokładność na niewidzianych danych — wyjaśnia ponad 92 procent wariancji w zasymulowanych przyspieszeniach inelastycznych — a reszty nie wykazują znaczących systematycznych odchyleń względem magnitudy, odległości czy warunków gruntowych.

Powiązanie ze znanymi narzędziami projektowymi

Aby sprawdzić realizm fizyczny, autorzy porównują swoje przewidywania uczenia maszynowego, w szczególnym przypadku gdy budynek pozostaje sprężysty, z powszechnie stosowanym tradycyjnym równaniem ruchu gruntowego. Kształty i trendy krzywych pokrywają się ściśle, zwłaszcza dla typowych okresów projektowych, podczas gdy nowe podejście naturalnie rozszerza się na zakres inelastyczny, którego starszy model nie obejmuje. Oznacza to, że inżynierowie mogą używać nowego modelu do budowy krzywych zagrożeń i widm, które bezpośrednio odzwierciedlają nieliniowe zachowanie budynków, zamiast polegać na przybliżonych współczynnikach korekcyjnych stosowanych do wyników sprężystych.

Jak to pomaga w bezpieczniejszych miastach

Mówiąc prosto, badanie pokazuje, że uczenie maszynowe może dostarczać dokładnych, przejrzystych przewidywań, jak mocno rzeczywiste, nieco uszkodzone budynki będą się trząść podczas przyszłych trzęsień ziemi, wykorzystując informacje o zdarzeniu sejsmicznym, lokalizacji i samym budynku. Pracując bezpośrednio z miarami odpowiedzi inelastycznej i jasno identyfikując, które czynniki mają największe znaczenie, model oferuje bardziej realistyczną podstawę do projektowania opartego na wydajności, opracowywania norm i szybkiej oceny ryzyka, pozostając jednocześnie zgodnym ze znanymi narzędziami projektowania sprężystego.

Cytowanie: 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

Słowa kluczowe: inżynieria sejsmiczna, modele ruchu gruntowego, uczenie maszynowe, widmowa odpowiedź inelastyczna, projektowanie sejsmiczne