1、哈尔滨工程大学学报 Journal of Harbin Engineering University ISSN 1006-7043,CN 23-1390/U 哈尔滨工程大学学报网络首发论文哈尔滨工程大学学报网络首发论文 题目：钢筋混凝土框架结构震损预测模型参数敏感性 作者：韩小雷，蔡燕飞，杨明灿，季静 收稿日期：2021-05-11 网络首发日期：2022-11-21 引用格式：韩小雷，蔡燕飞，杨明灿，季静钢筋混凝土框架结构震损预测模型参数敏感性J/OL哈尔滨工程大学学报.https:/ 网络首发网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定
2、稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合出版管理条例和期刊出版管理规定的有关规定；学术研究成果具有创新性、科学性和先进性，符合编辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题
3、目、作者、机构名称和学术内容，只可基于编辑规范进行少量文字的修改。出版确认出版确认：纸质期刊编辑部通过与中国学术期刊（光盘版）电子杂志社有限公司签约，在中国学术期刊（网络版）出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为中国学术期刊（网络版）是国家新闻出版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。哈 尔 滨 工 程 大 学 学 报 Journal of Harbin Engineering University 钢筋
4、混凝土框架结构震损预测模型参数敏感性 韩小雷1,2,蔡燕飞2,杨明灿2,季静1,2（1.华南理工大学 亚热带建筑科学国家重点实验室,广东 广州 510640;2.华南理工大学 土木与交通学院,广东 广州 510640）摘 要：为了解决应用机器学习算法进行钢筋混凝土框架结构地震易损性评估时结构特征参数冗杂且无法便捷选取的问题，本文采用基于神经网络的敏感性分析方法，利用 2 个训练有素的神经网络模型，分别从结构层次和构件层次探究了不同输入参数对结构震损指标的影响大小。用于进行敏感性分析的参数包括 5 个几何参数（结构层数、标准层高度、X 向跨度、X 向跨数、Y 向跨数）、2 个设计参数（抗震设防烈
5、度、场地类别）和 1 个地震动参数（地面峰值加速度）。结果表明：平面尺寸参数对结构及构件层次的震损指标敏感性均较小。剔除敏感性较小的参数后，在重要震损指标的预测上仍然有较高的准确性，为钢筋混凝土框架结构的震损预测提供了更简便的参数输入依据。关键词：神经网络；敏感性分析；钢筋混凝土框架结构；地震易损性；结构特征参数；机器学习；震损预测；震损指标 Doi：10.11990/jheu.202105031 中图分类号：TP375.4 文献标识码：A Parameter sensitivity of earthquake damage prediction model for RC frame stru
6、cture HAN Xiaolei1,2，CAI Yanfei2,YANG Mingcan2,JI Jing1,2(1.State Key Laboratory of Subtropical Building Science,South China University of Technology,Guangzhou 510640,China;2.School of Civil Engineering and Transportation,South China University of Technology,Guangzhou 510640,China)Abstract：To resolv
7、e the problem of redundant and inconvenient selection of structural parameters for seismic vulnerability assessment of reinforced concrete frame structures by machine learning algorithms,a neural network-based sensitivity analysis method was employed in this paper to investigate the effect of differ
8、ent input parameters on structural damage indicators at the structural and component levels,using two well-trained neural network models,respectively.The parameters used for sensitivity analysis included 5 geometric parameters(number of structural layers,height of standard layer,X-direction span,num
9、ber of X-direction span,number of y-direction span),2 design parameters(seismic intensity,site category)and 1 ground motion parameter(peak ground acceleration).The results show that the plane geometry characteristics of the structure are less sensitive to the two levels of seismic damage indicators.
10、After excluding the less sensitive parameters,there is still a high prediction accuracy for important seismic damage indicators,which provides a simpler parameter input basis for the seismic damage prediction of the RC frame structure.Keywords：neural network；sensitivity analysis；reinforced concrete
11、frame structure；seismic vulnerability；structural characteristic parameters；machine learning；seismic damage prediction；seismic damage indicator 1当下地震频发，进行区域建筑的地震损伤预测是城市综合防灾工作的关键环节。而框架结构作为我国常见的结构类型，对其快速精准的震损预测有着重大的意义。传统的震损评估方法需要具备结构模型及对应的参数数据，并进行耗时的弹塑性分析，收稿日期收稿日期：2021-05-11.基金项目基金项目：国家自然科学基金（52178483）
12、；广州市重点研发计划（202103000038）.作者简介作者简介：韩小雷,男,教授，博士生导师；通信作者：通信作者：韩小雷，E-mail:.这不利于对区域范围内大批量建筑进行快速震损评估。近年来，机器学习算法兴起并得到了不断的发展，学者尝试将其作为数学模型应用到结构震损预测中1-7，以求在保证准确度的情况下提高震损预测的效率，其中不同学者选取的结构特征参数不尽相同。Kameli2选用结构层数、填充墙比例及填充墙厚度等 6 个参数；Morfidis6选用偏心率、结构剪力墙数目等结构参数；张令心7选用建筑年代、柱距长度、柱面积率、墙面积率、建筑物的规则度等 12 个震害因子。以上模型均实现了不同
13、精度上网络首发时间：2022-11-21 20:18:46网络首发地址：https:/ 的结构震损预测，但用于预测的结构参数较为复杂，如建筑物内部的结构信息，需要完备的结构资料档案或耗时的调研手段才能获取。另外，表征结构的参数复杂多样，未经特征参数筛选会增加预测模型的复杂度和预测成本，使结构震损预测工作难以在区域范围内推广。因此，有必要确定易于获取的结构参数，并进行结构参数的敏感性分析，从中筛选出敏感程度高的结构参数，用于结构震损预测框架的搭建。敏感性分析是计算建模和评估的关键部分8，对神经网络的训练非常重要。Pan9指出工程系统中使用人工神经网络进行参数敏感性分析仍不常见。Byung10指出
14、用于预测模型输入层的结构参数有几何、材料及刚度相关的参数，然而很难在地震响应的预测中判断参数的有效性。文献11-12采用敏感性分析探究了结构几何参数、材料参数等对砌体及框架结构地震易损性评估结果的影响，但其使用的参数未考虑实际收集的难易程度，因此参数的敏感性排序结果难以应用于实际的区域结构震损预测。综合现有研究的局限性，本文旨在通过已有的模型数据库及其对应的震损数据库，针对原有预测模型的初选参数，利用基于神经网络的敏感性分析，确定震损预测模型中的关键参数。最后过滤敏感性较低的参数，评估模型预测的精度，优化特征子集。本文结合实际区域框架结构获取结构参数信息的难易程度，在保证震损预测结果精度的情况
15、下，提出了效率高且成本低的输入参数方案。1 基于神经网络的敏感性分析方法 1.1 敏感性分析敏感性分析 敏感性分析是从多个不确定的特征参数中找出具有重要影响的参数，并分析其对输出参数的敏感性程度。其基本原理是去掉或者改变特征参数的值，观察预测结果的变化情况，对结果改变影响较大的应为重要的特征13。进行敏感性分析，可采用基于数理统计的方法和基于神经网络的方法等。而基于神经网络的方法亦可区分为局部和全局敏感性分析，前者因其简便的操作得到了更多的应用。局部敏感性分析方法主要有 4 种：基于连接权重、基于输出变量对输入变量的偏导、基于输入扰动以及与统计方法结合的敏感性分析14。其中，基于输入变量扰动的
16、分析方法操作性强，易于应用，可以对研究的数学问题有一个初步的了解，因此，本文选取此方法。基于输入变量扰动的分析方法原理如下：基于训练有素的神经网络模型，对其输入参数添加白噪音或者一定的扰动，对比输入数据扰动前后的预测结果的变化，从而确定输入特征的重要性系数。本文采用平均影响值（mean impact value，MIV）方法进行后续的敏感性分析。MIV 法在 Dombi15的研究中应用，随后在多个领域的研究中应用了该方法16-18。令输入样本为 X，输出样本为 Y，则针对第 j 个输入特征参数的敏感性系数分别为：11121121222212,.,1 10%,.,.,1 10%,.,.,1 10%,.,jmjmjnnnjnmxxxxxxxxXxxxx(1)111211112121222212221212,.,.,.,.,.,.,kkkkjjnnnknnnkyyyyyyyyyyyyYYyyyyyy(2)111212122212,.,.,.,kkjjjnnnkyyyyyyIVYYyyy(3)1212111,.,111,.,jjjjknnniikiiiiMIVMIVMIVMIVyyynnn(4