基于XGBoost的恒强度非弹性加速度反应谱地震动模型

为什么震动对真实建筑很重要

地震很少让建筑保持完全弹性；墙体开裂、梁发生屈服、结构比设计图纸所示弯曲更多。然而多数工程师用来估计震动的工具仍假定建筑保持弹性。本研究提出了一种数据驱动的方法，用以预测在未来地震中真实、轻度受损建筑可能经历的震动强度，从而有助于改进抗震设计、安全检查和城市风险评估。

从简单的震动图到真实行为

传统上，地震工程师依赖地震动模型，将关于地震和场地的基本信息转换为诸如峰值加速度等震动度量。这些模型用于生成反应谱，即显示理想弹性建筑在不同固有振动周期下会产生多大振动的曲线。然而在中等至强烈地震下，大多数建筑都会超出弹性范围。它们的真实响应可能与弹性预测大相径庭，这使得仅用弹性谱难以准确判断损伤、规划加固或制定现实的设计准则。

为屈服建筑描绘更完整的震动图景

为弥合这一差距，作者聚焦于非弹性加速度反应谱，这类谱描述具有有限强度的建筑在发生屈服时的实际加速度。他们重点研究一种称为恒强度非弹性谱加速度的形式，该方法固定一个强度削弱因子以表示结构在非弹性阶段的变形能力。利用来自一个大型国际数据库中171次地震的超过一万五千条地震记录，研究者对多种模拟钢筋混凝土行为的单自由度理想化结构进行了响应模拟。这些虚拟建筑覆盖了广泛的振动周期、场地类型、断层距离、震级和非弹性强度水平。

让模型从地震中学习

工作的核心是一种名为XGBoost的机器学习方法，它将许多简单的决策树组合成一个强大的预测器。模型不再强制数据服从固定的数学公式，而是学习地震规模、距离、土壤条件、建筑周期和非弹性强度之间的复杂关系。作者还将模型嵌入混合效应框架，区分不同地震之间的差异与单次事件内部的差异，类似传统地震模型处理变异性的方式。他们使用现代的机器学习可解释性工具，包括排列重要性和SHAP值，以识别哪些输入最为重要以及它们如何推动预测值上升或下降。

在这一新视角下，什么决定了震动

两种可解释性工具描绘出一致的图景：地震震级、建筑周期和断层距离对预测的震动起主导作用，而非弹性强度因子和近地表剪切波速虽次要但仍有意义。更大震级和更近的场址会导致更高的非弹性加速度，而长周期建筑和更软土层则表现出预期的响应变化。该模型在未见数据上也表现出高精度，解释了超过92%的模拟非弹性加速度方差，且残差在震级、距离或场地条件上几乎没有系统性偏差。

与熟悉的设计工具相连接

为检验物理合理性，作者在建筑保持弹性的特殊情形下，将机器学习预测与一种广泛使用的传统地震动方程进行了比较。曲线的形状与趋势高度一致，尤其在典型设计周期上，而新方法自然而然地扩展到了旧模型无法覆盖的非弹性范围。这意味着工程师可以使用新模型直接构建反映非线性建筑行为的危险曲线和反应谱，而无需用粗糙的修正因子去调整弹性结果。

这如何助力更安全的城市

简单来说，该研究表明机器学习可以基于地震、场地和建筑信息，提供准确且透明的预测，说明真实、轻度受损建筑在未来地震中将产生多大震动。通过直接使用非弹性响应量并明确指出哪些因素最为关键，该模型为基于性能的设计、规范制定和快速风险评估提供了更现实的依据，同时仍与常用的弹性设计工具保持一致。

引用: 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

关键词: 地震工程, 地震动模型, 机器学习, 非弹性反应谱, 抗震设计