Модель земных движений на основе XGBoost для спектров ускорений при неизменной прочности в неклассическом (inelastic) режиме

Почему тряска важна для реальных зданий

Землетрясения редко оставляют здания полностью упругими: стены трескаются, балки текут, конструкции гнутся сильнее, чем показано в чертежах. Тем не менее большинство инструментов, которыми пользуются инженеры для оценки дрожания, по‑прежнему предполагают упругую поведенческую модель. В этом исследовании предложен подход на основе данных для предсказания того, насколько сильно реально повреждённые или слегка повреждаемые здания будут испытывать ускорения при будущих землетрясениях, что помогает улучшить сейсмическое проектирование, проверки безопасности и оценку риска для городов.

От простых карт дрожания к реальному поведению

Традиционно сейсмические инженеры опираются на модели земных движений, которые преобразуют базовую информацию о землетрясении и площадке в меры дрожания, такие как максимальное ускорение. Эти модели используют для построения спектров отклика — кривых, показывающих, насколько сильно идеально упругое здание будет вибрировать при разных собственных периодах. Однако при средних и сильных землетрясениях большинство зданий выходит за пределы упругости. Их реальный отклик может существенно отличаться от упругих предсказаний, что осложняет оценку повреждений, планирование усилений и установление реалистичных правил проектирования, если опираться только на упругие спектры.

Более полная картина дрожания для претерпевающих пластические деформации зданий

Чтобы сократить этот разрыв, авторы сосредотачиваются на инеластичных спектрах ускорения отклика, которые описывают, насколько сильно здание с ограниченной прочностью действительно ускоряется при пластическом поведении. Они выделяют вариант, называемый инеластичным спектром ускорений при постоянной прочности (constant strength), где задаётся коэффициент снижения прочности для учета способности конструкции к пластической деформации. Используя более пятнадцати тысяч записей земных движений из 171 землетрясения в крупной международной базе данных, авторы моделируют отклик множества идеализированных систем с одной степенью свободы, имитирующих поведение железобетонных конструкций. Эти виртуальные здания охватывают широкий диапазон собственных периодов, типов грунта, расстояний до разлома, магнитуд и уровней инеластичной прочности.

Обучение модели на данных землетрясений

Сердцем работы является метод машинного обучения XGBoost, который объединяет множество простых решающих деревьев в мощный предсказатель. Вместо того чтобы подгонять данные под фиксированную математическую формулу, модель изучает сложные связи между величиной землетрясения, дистанцией, свойствами грунта, периодом здания и инеластичной прочностью. Авторы также внедряют модель в рамки смешанных эффектов, которые разделяют различия между землетрясениями и вариабельность внутри одного события, отражая подход традиционных сейсмических моделей к неопределённостям. Для интерпретации модели используют современные инструменты, включая важность через перестановки и значения SHAP, чтобы понять, какие входы наиболее существенны и в каком направлении они смещают предсказания.

Что контролирует дрожание в этой новой картине

Оба инструмента интерпретации дают согласованную картину: магнитуда землетрясения, собственный период здания и расстояние до разлома доминируют в прогнозируемом дрожании, при этом фактор инеластичной прочности и скорость сдвиговой волны в приповерхностном слое играют второстепенную, но всё же значимую роль. Более крупные землетрясения и близкие площадки приводят к большим инеластичным ускорениям, в то время как здания с более длинным периодом и более мягкие грунты демонстрируют ожидаемые изменения в отклике. Модель достигает высокой точности на невидимых данных — более 92 процентов дисперсии в смоделированных инеластичных ускорениях объясняется — и её остатки не показывают выраженной систематической погрешности по магнитуде, расстоянию или условиям площадки.

Связь с привычными инструментами проектирования

Чтобы проверить физическую реалистичность, авторы сравнивают свои предсказания на основе машинного обучения в частном случае упругого поведения здания с широко используемым традиционным уравнением земных движений. Форма и тенденции кривых хорошо совпадают, особенно для типичных проектных периодов, в то время как новый подход естественно распространяется в инеластичную область, которую старая модель не покрывает. Это означает, что инженеры могут использовать новую модель для построения кривых опасности и спектров, которые непосредственно отражают нелинейное поведение зданий, а не корректировать упругие результаты грубыми поправочными коэффициентами.

Как это помогает делать города безопаснее

Проще говоря, исследование показывает, что машинное обучение может давать точные и прозрачные прогнозы того, насколько сильно реально повреждённые или слегка повреждённые здания будут дрожать при будущих землетрясениях, используя информацию о самом землетрясении, площадке и здании. Работая напрямую с инеластичными мерами отклика и чётко выделяя самые важные факторы, модель предлагает более реалистичную основу для проектирования, основанного на характеристиках поведения (performance-based design), разработки строительных норм и оперативной оценки риска, при этом оставаясь согласованной с привычными упругими инструментами проектирования.

Цитирование: 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

Ключевые слова: сейсмостроение, модели земных движений, машинное обучение, инеластичные спектры отклика, сейсмическое проектирование