Комбинированный подход машинного обучения и 3D физически обоснованного моделирования для оценки повреждений зданий: случай Аквилы 2009 года

Почему это важно для людей, живущих в сейсмоопасных районах

После сильного землетрясения самый неотложный вопрос — какие здания безопасно вновь занять, а какие должны оставаться закрытыми. Традиционно это требует медленных инспекций на месте и опирается на обобщённые карты ускорений, которые могут упускать местные особенности рельефа и городского плана. В этом исследовании рассматривается разрушительное землетрясение 2009 года в Аквиле, Италия, и показано, как сочетание сложных компьютерных моделей колебаний с искусственным интеллектом может быстро выявлять наиболее пострадавшие здания и лучше подготовиться к будущим ударам.

Взгляд поближе на один итальянский город

Авторы выбирают Аквилу в качестве реального примера, потому что главный толчок был сильным, хорошо зарегистрирован и тщательно изучен, а геология города была картирована с исключительной детализацией. Они работают с данными примерно о 3000 зданиях, повреждения которых были аккуратно обследованы после события магнитудой 6,1. Для каждой постройки известны не только степень повреждений, но и особенности конструкции, размеры, год постройки и положение относительно разлома и местного рельефа. Такая богатая картина позволяет исследовать, какие факторы действительно определяют, переживёт ли здание землетрясение с лёгкими повреждениями или окажется на грани обрушения.

Моделирование недр для улучшения оценок колебаний

Стандартные инструменты оценки повреждений часто исходят из ShakeMap — карт, объединяющих ограниченное число наземных датчиков с упрощёнными формулами для оценки интенсивности колебаний по региону. Команда вместо этого строит детализированную трёхмерную цифровую модель коры и седиментационных бассейнов вокруг Аквилы, охватывающую порядка 20 километров в глубину и примерно 60 километров по каждому горизонтальному направлению. С помощью высокопроизводительных вычислений и специализированного кода они моделируют, как сейсмические волны распространялись от разлома через этот сложный подземный ландшафт. Затем они расширяют эти симуляции, покрывая как низкие, так и высокие частоты движения, получая реалистичные показатели скоростей и ускорений грунта в тысячах точек, где фактически стоят здания.

Обучение цифрового леса распознавать повреждения

Имея картину колебаний по каждому зданию, исследователи обучают модели машинного обучения — в частности ансамбли деревьев решений, известные как случайные леса — прогнозировать уровни повреждений. Чтобы упростить задачу, они объединяют исходные шесть классов повреждений в два или три более широких класса, например «лёгкие против умеренно–сильных» или «лёгко–умеренные против тяжёлых». Каждая модель учитывает смесь характеристик здания (высота, площадь застройки, возраст) и параметров участка (расстояние до секции разлома с наибольшим скольжением, местные свойства грунта), а также либо смоделированные показатели колебаний, либо значения из ShakeMap. Они также обрабатывают пропущенные данные, например неизвестный год постройки, с помощью аккуратных стратегий заполнения, и уравновешивают несоразмерные размеры классов синтетическими примерами, чтобы редкие, но важные случаи сильных повреждений не игнорировались.

Что модели показывают о риске

Анализ демонстрирует, что наиболее влиятельными предикторами повреждений являются средняя площадь поверхности здания или квартала, расстояние до той части разлома, где происходило основное скольжение, местная жёсткость грунта и — критически важный фактор — показатели колебаний, вычисленные с помощью физически обоснованных симуляций. В то же время аналогичные величины, взятые из ShakeMap, едва попадают в число ведущих переменных. Когда модели опираются на смоделированные колебания, они достигают точности примерно 80 процентов для более простых задач с двумя классами и устойчиво работают на отдельном ранее не виденном тестовом наборе зданий. Это указывает на то, что учёт реального трёхмерного пути сейсмических волн, а не их сглаживание широкими региональными формулами, может существенно повысить нашу способность отличать слабо повреждённые строения от серьёзно скомпрометированных.

Что это значит для будущих землетрясений

Для неспециалистов главный вывод заключается в том, что сочетание реалистичных компьютерных симуляций реального движения грунта с современными алгоритмами распознавания образов может превратить разрозненные измерения и учётные данные по зданиям в практический инструмент для реагирования в кризисе. При следующем землетрясении система, построенная по этим принципам, могла бы быстро выделять районы с наибольшей вероятностью серьёзных повреждений, направляя инспекции, организацию приютов и долгосрочное восстановление. Авторы предупреждают, что их текущая модель настроена под конкретный регион и тип застройки и требует тестирования и адаптации перед применением в других местах. Тем не менее их результаты указывают на будущее, в котором детальные цифровые двойники недр в сочетании с умными моделями на основе данных помогают сообществам лучше понимать и управлять риском землетрясений.

Цитирование: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Ключевые слова: повреждения от землетрясения, машинное обучение, физически обоснованное моделирование, риск зданий, Аквила 2009