XGBoost-baserad markrörelsemodell för inelastiska accelerationsspektra med konstant styrka

Varför skakning spelar roll för verkliga byggnader

Jordbävningar lämnar sällan byggnader helt elastiska; väggar spricker, balkar flyter och konstruktioner böjer sig mer än ritningarna antyder. Ändå antar de flesta verktyg som ingenjörer använder för att uppskatta skakning att byggnader förblir elastiska. Denna studie introducerar ett databaserat sätt att förutsäga hur hårt verkliga, lätt skadade byggnader troligen kommer att skaka vid framtida jordbävningar, vilket hjälper till att förbättra seismisk dimensionering, säkerhetskontroller och riskbedömningar för städer.

Från enkla skakdiagram till verkligt beteende

Traditionellt förlitar sig jordbävningsingenjörer på markrörelsemodeller som omvandlar grundläggande information om en jordbävning och en plats till mått på skakning, såsom toppacceleration. Dessa modeller matar responspektra, kurvor som visar hur mycket en perfekt elastisk byggnad skulle skaka vid olika naturliga svängningstider. Under måttliga till starka jordbävningar går de flesta byggnader dock bortom detta elastiska intervall. Deras verkliga respons kan skilja sig kraftigt från elastiska förutsägelser, vilket försvårar bedömning av skador, planering av förstärkningar eller att fastställa realistiska konstruktionsregler baserade enbart på elastiska spektra.

En rikare bild av skakning för byggnader som flyter

För att överbrygga denna klyfta fokuserar författarna på inelastiska accelerationsresponspektra, som beskriver hur mycket en byggnad med begränsad styrka faktiskt kommer att accelerera när den flyter. De koncentrerar sig på en variant kallad inelastisk spektralacceleration med konstant styrka, som fixerar en styrkereduktionsfaktor för att representera hur mycket strukturen kan deformeras inelastiskt. Med mer än femton tusen markrörelseregistreringar från 171 jordbävningar i en stor internationell databas simulerar de responsen hos många idealiserade en-grad-av-frihet-system som efterliknar armerad betongs beteende. Dessa virtuella byggnader täcker ett brett spektrum av svängningstider, marktyper, avstånd från förkastningen, magnituder och inelastiska styrkenivåer.

Att lära en modell av jordbävningar

Arbetets kärna är en maskininlärningsmetod kallad XGBoost, som kombinerar många enkla beslutsträd till en stark prediktor. Istället för att tvinga data in i en fast matematisk formel lär sig modellen komplexa samband mellan jordbävningens storlek, avstånd, markförhållanden, byggnadens period och inelastisk styrka. Författarna inbäddar också modellen i en mixed effects-ram som separerar skillnader mellan olika jordbävningar från variation inom en enskild händelse, vilket speglar hur traditionella seismiska modeller hanterar variabilitet. De använder moderna verktyg för tolkning av maskininlärning, inklusive permutationsimportance och SHAP-värden, för att se vilka insatsvariabler som betyder mest och hur de pressar förutsägelser upp eller ner.

Vad som styr skakningen i denna nya bild

Båda tolkningsverktygen ger en konsekvent bild: jordbävningens magnitud, byggnadens period och avståndet till förkastningen dominerar den förutsagda skakningen, medan den inelastiska styrkefaktorn och den ytnära skjuvhastigheten spelar sekundära men fortfarande betydelsefulla roller. Större jordbävningar och närmare platser leder till högre inelastiska accelerationer, medan byggnader med längre perioder och mjukare mark visar de förväntade förändringarna i respons. Modellen uppnår hög noggrannhet på osedd data, med över 92 procent av variansen i de simulerade inelastiska accelerationerna förklarad, och dess residualer visar liten systematisk bias över magnitud, avstånd eller markförhållanden.

Att koppla till välbekanta dimensioneringsverktyg

För att kontrollera fysisk realism jämför författarna sina maskininlärningsförutsägelser, i det speciella fallet där byggnaden förblir elastisk, med en allmänt använd traditionell markrörelseekvation. Kurvornas former och trender stämmer väl överens, särskilt för typiska konstruktionsperioder, samtidigt som det nya tillvägagångssättet naturligt sträcker sig in i det inelastiska området som den äldre modellen inte täcker. Det innebär att ingenjörer kan använda den nya modellen för att bygga hazardkurvor och spektra som direkt återspeglar icke-linjärt byggnadsbeteende, snarare än att justera elastiska resultat med grova korrigeringsfaktorer.

Hur detta hjälper säkrare städer

Enkelt uttryckt visar studien att maskininlärning kan ge precisa, genomskinliga förutsägelser av hur mycket verkliga, lätt skadade byggnader kommer att skaka vid framtida jordbävningar, med hjälp av information om jordbävningen, platsen och byggnaden själv. Genom att arbeta direkt med inelastiska responsmått och tydligt identifiera vilka faktorer som betyder mest erbjuder modellen en mer realistisk grund för prestationsbaserad dimensionering, standardutveckling och snabb riskbedömning, samtidigt som den förblir förenlig med välbekanta elastiska dimensioneringsverktyg.

Citering: 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

Nyckelord: jordbävningsteknik, markrörelsemodeller, maskininlärning, inelastiska responspektra, seismisk dimensionering