Быстрая оценка ущерба от землетрясений с помощью гибридной LSTM‑RNN и квантово‑вдохновлённого классификатора на основе автономной модели перцептрона APM

Почему важны быстрые проверки после землетрясений

После сильного землетрясения самый насущный вопрос прост: какие здания безопасны, а какие — нет? Сегодня на это по‑прежнему требуются время, специалисты и часто осмотры на месте. В этой статье представлен быстрый, основанный на данных подход к оценке вероятного ущерба зданий, использующий закономерности их движения во время толчков. Цель — помочь аварийным службам оперативно решить, куда направлять инспекторов, как планировать спасательные операции и какие сооружения требуют первоочередного внимания.

От сигналов колебаний к состоянию здания

Вместо того чтобы полагаться на медленные ручные обследования, авторы используют компьютерные модели для анализа четырёх основных показателей поведения здания во время землетрясения: величины перемещений (насколько оно качается), скорости движения, ускорения (насколько резко меняется скорость) и обобщённого индекса повреждений. Эти сигналы организованы в короткие временные окна — снимки движения конструкции примерно за четыре десятых секунды. Система обучается на тысячах таких окон, сопоставляя типичные паттерны движения с последующим повреждением, чтобы прогнозировать дальнейшее поведение здания и оценивать, вероятно ли оно цело, подлежит ремонту или серьёзно повреждено.

Один конвейер — много решений

Ключевая идея работы — объединить несколько связанных задач в единую, согласованную цепочку обработки. Используя общий модуль для работы с последовательностями, система одновременно выполняет четыре задачи: прогнозирует следующие значения перемещений, скорости, ускорения и индекса повреждений; определяет, повреждена ли конструкция; присваивает повреждённым случаям числовой приоритет, отражающий срочность; и анализирует, какие входные признаки обычно присутствуют при незначительных повреждениях. Объединив эти задачи, один и тот же входной сигнал движения сразу даёт информацию, пригодную для решений на уровне здания, а затем для городских моделей планирования ремонта и восстановления критичных служб.

Как работает интеллектуальная модель последовательностей

В основе конвейера лежит гибридная сеть, совмещающая два близких блока глубокого обучения: блоки Long Short‑Term Memory и более простые рекуррентные блоки. Оба типа предназначены для обработки последовательностей, удерживая недавнюю историю и фокусируясь на важных временных паттернах. Авторы сравнивают этот гибрид с более глубоким стеком только из LSTM‑слоёв. Обученная на высокоточных моделях отклика железобетонной конструкции на землетрясения, гибридная модель стабильно даёт более точные прогнозы. Особенно хорошо она отслеживает индекс повреждений, многократно снижая типичные ошибки и объясняя почти всю изменчивость смоделированного сигнала повреждений. Это означает, что модель может близко следовать накоплению повреждений во время толчков — важный шаг к надёжной быстрой оценке.

Квантово‑вдохновлённый поворот для меток повреждений

Помимо стандартных выходов нейронной сети, авторы проверяют необычную «квантово‑вдохновлённую» классификационную голову под названием Автономная модель перцептрона (APM). Вместо большого слоя обычных весов этот модуль сжимает информацию в крошечные двухкомпонентные векторы и пропускает их через небольшие операторы, имитирующие интерференционные эффекты из квантовой физики. Чтобы проверить, сможет ли такой компактный дизайн всё ещё разделять уровни повреждений, команда сгенерировала отдельный набор данных со зданиями, подвергнутыми контролируемым взрывоподобным нагрузкам. На этом тесте квантово‑вдохновлённый классификатор достигает высокой точности в распределении сооружений по четырём категориям повреждений, что указывает на то, что более лёгкие, основанные на операторах компоненты можно встраивать в тот же конвейер при ограниченных данных и вычислительных ресурсах.

Преобразование выходов модели в реальные действия

Последний шаг — сделать результаты удобными для работы на местах. При поступлении нового сигнала движения общий модуль обрабатывает его один раз, затем мгновенно выдаёт прогнозы дальнейшего движения конструкции, метку повреждения, приоритетный балл для повреждённых случаев и подсказки о том, какие условия связаны с низким уровнем повреждений. В совокупности эти выходы поддерживают двухэтапную сортировку: сначала разделить вероятно повреждённые и вероятно безопасные здания; затем среди повреждённых поднять тревогу для тех, чья потеря имела бы наибольшие последствия. Поскольку в этом исследовании использованы смоделированные, а не реальные данные с датчиков, авторы подчёркивают необходимость дальнейшей проверки на инструментированных зданиях перед развертыванием. Тем не менее работа показывает, что тщательно продуманные модели последовательностей в сочетании с жёстким контролем утечек данных могут стать практической основой для быстрых, основанных на данных проверок ущерба после землетрясений и более разумного планирования восстановления.

Цитирование: Alotaibi, A., Alharbi, S. & Elshewey, A.M. Rapid earthquake damage assessment via hybrid LSTM-RNN with a quantum-inspired classification head based on Autonomous Perceptron Model APM. Sci Rep 16, 9686 (2026). https://doi.org/10.1038/s41598-026-38982-x

Ключевые слова: оценка ущерба от землетрясений, мониторинг состояния конструкций, глубокое обучение, рекуррентные нейронные сети, устойчивость к катастрофам