《Regional Seismic Risk Assessment of Infrastructure Systems Through Machine Learning: Active Learning Approach》的学术报告

本研究由 Sujith Mangalathu 博士（Georgia Institute of Technology）与 Jong-Su Jeon 博士（Hanyang University）共同完成，并发表在《Journal of Structural Engineering》上，于 2020 年 9 月 22 日在线发布。本文针对区域性地震风险评估中基础设施系统的复杂性与计算量问题，提出了一种基于主动学习（Active Learning）的机器学习方法，用以减少训练样本数目，同时提高地震灾害评估的效率和准确性。

学术背景

科研领域与研究背景

本研究属于地震工程与基础设施系统韧性评估领域，重点关注区域性地震风险评估（regional seismic risk assessment）。在地震后，合理的区域性损伤评估对基础设施的恢复与韧性提升措施的制定至关重要。然而，目前的区域性评估框架存在以下问题： 1. 庞大的基础设施数量：例如，加利福尼亚州的高速网络包含超过 24,000 座桥梁，对其进行逐座评估的耗时与经济成本巨大； 2. 数据获取的复杂性：桥梁具有几何参数、材料特性与土壤条件的差异，这些独特性增加了收集相关数据和对其进行评估的挑战； 3. 传统方法的局限性：通常采用随机抽样结合统计方法来估算桥梁属性，但此法难以进行桥梁特定的损伤评估。

研究目的

本文的主要目标是开发基于主动学习的区域地震风险评估方法，以最少的样本构建高效的机器学习模型，并以桥梁作为案例研究对象，验证主动学习方法在损伤评估中的可行性和高效性。

研究流程与方法

总体流程

研究分为两个任务： 1. 桥梁柱的失效模式识别； 2. 加利福尼亚省两跨式桥梁的区域性损伤评估。

使用了两种主动学习方法：池采样法（Pool-Based Sampling）和排名批量模式采样法（Ranked Batch Mode Sampling），并与传统随机采样法进行了对比。

桥梁柱失效模式识别的研究设计

数据来源与样本

本部分研究基于 Mangalathu 和 Jeon（2019a）总结的 311 个圆形桥梁柱实验样本，这些桥梁柱因抗弯（flexure）、剪切（shear）或抗弯剪切耦合（flexure-shear coupling）而失效。根据探索性数据分析，确定了以下四个输入变量：高宽比（Aspect Ratio）、轴向荷载比（Axial Load Ratio）、纵向钢筋比（Longitudinal Reinforcement Index）与横向钢筋比（Transverse Reinforcement Index）。

实验方法

1. 主动学习框架：主动学习最初随机选择 10 个样本建立基线模型，随后使用超参数优化的 XGBoost 算法（Chen & Guestrin, 2016）进行模型训练，该模型通过每次查询额外样本不断迭代优化。
2. 池采样法：逐一选择未标记样本，并评估其在现有分类模型决策边界中的效用。
3. 排名批量模式采样法：每次选择一批（例如 3 个）具有高不确定性（classification entropy）的数据样本。

数据处理与分析

每次主动学习迭代后重新训练模型，同时记录模型对训练集和测试集的准确率，并通过混淆矩阵（confusion matrix）分析模式识别的精度和召回率。

桥梁损伤评估的研究设计

桥梁模型与数值模拟

1. 影响参数：研究从加利福尼亚桥梁数据库提取参数，如跨径长度（span length）、桥面宽度（deck width）、柱高（column height）、纵向与横向钢筋比例等。总计生成了 480 个桥梁样本。
2. 数值模拟：通过有限元软件 OpenSees（McKenna, 2011）建模，结合地震动数据集（Baker et al., 2011）对桥梁模型进行非线性动力分析，监测关键工程需求参数（engineering demand parameter）。

损伤状态分类

1. 无或轻微损伤（green state, G）：无明显功能损失。
2. 钢筋屈服与混凝土剥落（yellow state, Y）：功能轻微受损，但可修复。
3. 不可修复损伤（red state, R）：核心破坏及抗侧向能力丧失。

主动学习过程

初始基线模型以 10 个桥梁样本随机构建，随后逐步按池采样法或批量采样法添加样本。在每次迭代后测算预测准确性，并与随机采样法进行对比。

研究结果

桥梁柱失效模式的主要结果

1. 模型性能提升：主动学习策略以较少样本完成高准确度模型，100 个池采样样本模型的相对准确率达到 97%（与基于全部样本的模型相近）。
2. 分类性能分析：通过混淆矩阵显示，主动学习方法针对三种失效类型的精度与召回率均较随机采样显著提升。

桥梁损伤评估的主要结果

1. 损伤分类精准度：池采样方法基于 100 个样本模型的总体准确率高达 80%，与基于 480 个样本的完整数据集模型相当。
2. 红色状态的识别优势：红色状态（不可修复损伤）的精度和召回率优于随机采样方法。
3. 效率与精度权衡：批量采样方法在计算效率上优于池采样，但分类准确性略低（约 2%）。

对研究工作的解读

研究意义与价值

本研究首次将主动学习实践应用于区域性地震风险评估，为基础设施损伤预测与应急响应规划提供了一种数据高效的机器学习解决方案，不仅减少了对大规模数值模拟的依赖，还指明了未来实验设计的优化方向。

研究亮点

1. 创新算法应用：主动学习在地震工程中的首次探索。
2. 重要发现：通过 100 个桥梁样本即可达到等效于 480 样本模型的预测准确性。
3. 多任务验证：研究用桥梁柱失效模式与桥梁损伤评估两个不同任务验证了方法的通用性。

应用前景

1. 在实际地震灾后恢复可能通过较少的区域性样本迅速评估受损桥梁，实现资源优化分配；
2. 在指导实验设计、优化计算预算方面具有较大潜能。

结论与展望

本文提出的基于主动学习的区域地震风险评估框架，为地震工程与基础设施韧性研究开拓了新的方向。研究显示，仅需使用有限样本即可构建高效的区域级桥梁损伤评估模型。这一方法可拓展至其他结构类型与自然灾害的风险评估中，例如火灾与洪水，同时结合真实数据的使用可能进一步提高模型的实际适用性。