基于自治感知机模型（APM）的量子启发分类头的混合 LSTM-RNN 快速地震损伤评估

为何快速地震检查至关重要

在强震发生后，最紧迫的问题很简单：哪些建筑是安全的，哪些不是？目前，回答这一问题仍然需要时间、专家以及经常需要的现场检查。本文提出了一种快速的数据驱动方法，根据建筑在震动期间的运动模式估计其可能遭受的损伤程度。目标是帮助应急团队快速决定派遣检查人员的地点、规划救援路线，并确定哪些构筑物应优先处理。

从震动信号到建筑健康

作者并未依赖耗时的人工勘查，而是使用计算模型读取建筑在地震期间四类基本行为信号：位移（摆动幅度）、速度（运动速率）、加速度（速度变化的剧烈程度）以及称为损伤指数的总体损伤评分。这些信号被组织成短时间窗口——约四分之二秒的结构运动快照。系统从成千上万这样的时间窗口中学习典型运动模式与随后损伤之间的关系，从而能预测建筑响应的下一步并判断该结构是否可能无损、可修复或严重受损。

一个流程，多种决策

该工作的一个关键思想是将若干相关任务捆绑到一个统一的流程中。通过共享的序列处理核心，系统同时完成四项工作：预测位移、速度、加速度和损伤指数的下一时刻数值；判定建筑是否受损；为受损情况分配反映紧迫程度的数值权重；以及分析哪些输入特征通常与损伤可忽略相关。通过统一这些任务，同一条输入运动记录可以立即用于建筑级决策，进而输入到城市尺度的规划模型中以安排修复和恢复重要服务。

智能序列模型如何工作

管道的核心是一个混合网络，结合了两种相关的深度学习构件：长短期记忆单元（LSTM）和更简单的循环单元。两者都用于处理序列，既记忆近期历史又在时间上关注关键模式。作者将该混合设计与仅由更深层 LSTM 堆栈构成的模型进行了比较。在用于钢筋混凝土体系的高保真模拟地震响应数据上训练后，混合模型持续提供更准确的预测。它对损伤指数的跟踪尤其出色，将典型误差降低了数倍，并解释了模拟损伤信号几乎全部的变异。这意味着模型能紧密追踪震动过程中损伤的累积，这是实现可靠快速评估的关键一步。

用于损伤标签的量子启发变体

除了标准的神经网络输出外，作者还测试了一种不寻常的“量子启发”分类头，称为自治感知机模型（Autonomous Perceptron Model）。该模块并非使用大规模的普通权重层，而是将信息压缩为微小的两分量向量，并通过模仿量子干涉效应的小型算子进行处理。为了检验这种紧凑设计是否仍能区分损伤等级，研究团队生成了一套独立数据集，让建筑承受受控的类爆破载荷。在该测试中，量子启发分类器在将结构分为四类损伤等级时达到高准确率，表明在数据与计算资源有限时，更精简的基于算子的组件可被插入同一流程中。

将模型输出转化为现实行动

最后一步是让结果对现场人员可用。当有新的运动记录到达时，共享核心只需处理一次，然后即时生成结构运动的预测、损伤标签、受损情况的优先级评分以及与低损伤相关的条件线索。这些输出共同支持两阶段的分诊：首先，在可能受损与可能安全的结构之间区分；随后，在受损结构中，为那些其失效影响最大的对象发出更高优先级的警报。由于本研究依赖的是模拟而非真实传感器数据，作者强调在部署前仍需对有仪器的真实建筑进行进一步测试。尽管如此，该工作表明，经过精心设计的序列模型，并配以严格的数据泄漏控制，可构成快速、数据驱动地震损伤检查和更智能恢复规划的实用基础。

引用: 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

关键词: 地震损伤评估, 结构健康监测, 深度学习, 循环神经网络, 灾害恢复力