Kombinerad maskininlärning - 3D fysikbaserad metod för utvärdering av byggnadsskador: fallet L’Aquila 2009

Varför detta betyder något för människor som lever med jordbävningar

Efter en kraftig jordbävning är den mest brådskande frågan vilka byggnader som är säkra att gå in i igen och vilka som måste hållas avspärrade. Traditionellt kräver detta långsamma fysiska inspektioner på plats och bygger på breda skakar-kartor som kan missa lokala särdrag i landskapet och stadsstrukturen. Denna studie fokuserar på den förödande jordbävningen i L’Aquila, Italien, 2009, och visar hur en kombination av avancerade datoriska modeller av markrörelsen och artificiell intelligens snabbt kan identifiera de mest skadade byggnaderna och bättre förbereda för framtida skalv.

Närmare granskning av en italiensk stad

Författarna använder L’Aquila som ett verkligt fall eftersom huvudskaket var starkt, väl registrerat och grundligt studerat, och eftersom stadens geologi är ovanligt väl kartlagd. De arbetar med data om cirka 3 000 byggnader vars skador noggrant undersöktes efter skalvet på magnitud 6,1. För varje konstruktion vet de inte bara hur allvarligt den skadades utan också hur den byggdes, hur stor den är, när den uppfördes och var den ligger i förhållande till förkastningen och den lokala terrängen. Denna rika bild låter dem utforska vilka faktorer som faktiskt avgör om en byggnad klarar ett skalv med lättare skador eller pressas till randen av kollaps.

Simulera underjorden för att förbättra skakuppskattningar

Standardverktyg för bedömning av jordbävningsskador börjar ofta från ShakeMaps, som kombinerar ett begränsat antal markstationer med förenklade formler för att uppskatta hur hårt marken skakade över ett område. Teamet bygger istället en detaljerad tredimensionell digital modell av jordskorpan och sedimentbassängerna runt L’Aquila, ned till ungefär 20 kilometers djup och som sträcker sig cirka 60 kilometer i varje horisontell riktning. Med hjälp av högpresterande beräkningar och specialiserad programvara simulerar de hur seismiska vågor färdades från förkastningen genom detta komplexa underjordiska landskap. De utvidgar sedan dessa simuleringar för att täcka både låga och höga frekvenser av rörelse och tar fram realistiska mått på hur snabbt marken förflyttade sig och hur våldsamt den accelererade vid tusentals punkter där byggnaderna faktiskt står.

Lära en digital skog att känna igen skador

Med denna byggnadsvisa bild av skakningarna tränar forskarna maskininlärningsmodeller—specifikt grupper av beslutsträd kända som random forests—för att förutsäga skadegrader. För att göra problemet mer hanterbart omgrupperar de de ursprungliga sex skadegraderna till två eller tre bredare klasser, till exempel ”lätta kontra måttliga-till-kraftiga” eller ”lätta-till-måttliga kontra kraftiga”. Varje modell får en blandning av byggnadsrelaterade egenskaper (som höjd, byggnadsarea och ålder) och platsrelaterade egenskaper (som avstånd till förkastningen och lokala markegenskaper), tillsammans med antingen simulerade skakmått eller de som hämtats från ShakeMaps. De hanterar även saknad information, såsom okänt byggår, med noggranna metoder för ifyllnad av data och balanserar ojämna klassstorlekar med syntetiska exempel så att sällsynta men viktiga fall av kraftiga skador inte ignoreras.

Vad modellerna avslöjar om risk

Analysen visar att de mest inflytelserika förutsägarna för skador är den genomsnittliga ytan för byggnaden eller kvarteret, hur långt den ligger från den del av förkastningen där mest glidning inträffade, den lokala markens styvhet och—avgörande—de skakmått som beräknats från fysikbaserade simuleringar. I kontrast spelar motsvarande värden hämtade från ShakeMaps knappt någon roll bland de viktigaste variablerna. När modellerna förlitar sig på de simulerade skakningarna når de noggrannheter kring 80 procent för de enklare två-klassproblemen och presterar robust på en separat, tidigare osedd testuppsättning av byggnader. Detta tyder på att fånga den verkliga tredimensionella vägen för seismiska vågor, snarare än att släta ut dem med breda regionala formler, i betydande grad kan skärpa vår förmåga att skilja lätt skadade strukturer från dem som är allvarligt komprometterade.

Vad detta betyder för framtida jordbävningar

För icke-specialister är huvudslutsatsen att para ihop realistiska datoriska simuleringar av hur marken faktiskt rör sig med moderna mönsterigenkänningsalgoritmer kan omvandla spridda mätningar och byggnadsregister till ett praktiskt verktyg för krisinsatser. Vid en framtida jordbävning skulle ett system byggt längs dessa linjer snabbt kunna lyfta fram områden där kraftiga skador är mest sannolika, vägleda inspektioner, planering av skydd och längre återuppbyggnad. Författarna varnar att deras nuvarande modell är anpassad till en specifik region och byggnadsbestånd och måste testas och anpassas innan den används på andra platser. Ändå pekar deras resultat mot en framtid där detaljerade digitala tvillingar av underjorden, i kombination med smarta datadrivna modeller, hjälper samhällen att bättre förstå och hantera sin jordbävningsrisk.

Citering: 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

Nyckelord: jordbävningsskador, maskininlärning, fysikbaserad simulering, byggnadsrisk, L’Aquila 2009