结合机器学习与三维基于物理的方法进行建筑损伤评估：以2009年拉奎拉地震为例

这对生活在地震区的人有何意义

在强震过后，最紧迫的问题是哪些建筑可以安全重返，哪些必须禁止进入。传统上，这需要缓慢的现场检查，并依赖于可能忽略地形与城市布置局部特殊性的广域烈度图。本研究聚焦于意大利拉奎拉2009年那次毁灭性地震，展示了将先进的地震晃动数值模型与人工智能相结合，如何帮助迅速标出受损最严重的建筑并为未来地震做更充分的准备。

聚焦一座意大利城市的细致调查

作者选择拉奎拉作为真实应用案例，是因为主震强烈、记录详尽且研究广泛，并且该市的地质绘制得非常精细。他们使用了约3000座建筑的损伤数据，这些建筑在震后被仔细勘测。对每一座结构，不仅记录了受损程度，还掌握了其建造方式、规模、建造年代以及相对于断层和局部地形的位置。这一丰富的信息使他们能够深入探讨哪些因素真正决定了建筑是在地震中轻微受损还是濒临倒塌。

模拟地下结构以改进震动估计

常用的地震损伤评估工具通常以ShakeMap为起点，后者将有限数量的地面观测与简化的经验公式结合，用于估计某一区域的地面晃动强度。研究团队则构建了拉奎拉周边地壳与沉积盆地的详细三维数字模型，深度约达20公里，水平方向约覆盖60公里。他们使用高性能计算与专门的数值代码，模拟地震波从断层通过这复杂地下结构的传播过程。随后将这些模拟扩展到涵盖低频与高频运动，生成在数千个实际建筑所在点上地表速度与加速度等更真实的晃动度量。

训练“数字森林”识别损伤

基于逐栋的晃动信息，研究者训练了机器学习模型——具体是由决策树集成构成的随机森林——来预测损伤等级。为使问题更易处理，他们将原有的六级损伤分级合并为两类或三类更宽泛的类别，比如“轻微对比中重度”或“轻到中等对比重度”。每个模型同时使用建筑相关特征（如高度、占地面积和建成年代）与场地相关特征（如距断层距离与局部地基性质），并分别以物理模拟得到的晃动度量或ShakeMap的度量作为输入。他们还通过谨慎的数据填补策略处理缺失信息（例如未知的建造年份），并用合成样本平衡类别不均，使稀有但重要的重度受损案例不会被忽视。

模型揭示的风险因素

分析显示，对损伤最有影响力的预测变量包括建筑或街区的平均占地面积、距发生主要位错滑动的断层部分的距离、局部地基刚性，以及关键的基于物理模拟的晃动度量。相较之下，来自ShakeMap的类似数值在重要变量中几乎不占优势。当模型以模拟出的晃动为输入时，在较简单的二分类问题上能达到约80%的准确率，并且在一组独立的、先前未见过的建筑测试集中表现稳健。这表明捕捉地震波在三维地下结构中的真实传播路径，而不是用广域经验公式将其平滑化，可以显著提升区分轻微受损结构与严重受损结构的能力。

这对未来地震意味着什么

对非专业读者而言，主要结论是：将对地面实际运动的真实数值模拟与现代模式识别算法结合，能把零散的观测与建筑档案转化为一套实用的应急工具。在未来地震中，沿此思路构建的系统可迅速标出最可能出现重度损毁的街区，从而指导检查、避难与长期重建。作者提醒，目前的模型针对特定地区和建筑存量进行了调校，在推广到其他地区前必须经过测试与调整。但总体而言，他们的结果指向这样一种未来：通过详尽的地下数字孪生体与智能的数据驱动模型相结合，社区能够更好地理解并管理地震风险。

引用: 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

关键词: 地震损伤, 机器学习, 基于物理的模拟, 建筑风险, 拉奎拉 2009