Loading [MathJax]/jax/element/mml/optable/BasicLatin.js
  • 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊
  • Scopus数据库收录期刊

基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法

禹海涛, 朱晨阳, 傅大宝, 许乃星, 卢哲超, 蔡辉腾

禹海涛, 朱晨阳, 傅大宝, 许乃星, 卢哲超, 蔡辉腾. 基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法[J]. 岩土工程学报, 2024, 46(12): 2675-2683. DOI: 10.11779/CJGE20230766
引用本文: 禹海涛, 朱晨阳, 傅大宝, 许乃星, 卢哲超, 蔡辉腾. 基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法[J]. 岩土工程学报, 2024, 46(12): 2675-2683. DOI: 10.11779/CJGE20230766
YU Haitao, ZHU Chenyang, FU Dabao, XU Naixing, LU Zhechao, CAI Huiteng. A hybrid method to identify pulse-like ground motions and pulse periods based on ST-CNN[J]. Chinese Journal of Geotechnical Engineering, 2024, 46(12): 2675-2683. DOI: 10.11779/CJGE20230766
Citation: YU Haitao, ZHU Chenyang, FU Dabao, XU Naixing, LU Zhechao, CAI Huiteng. A hybrid method to identify pulse-like ground motions and pulse periods based on ST-CNN[J]. Chinese Journal of Geotechnical Engineering, 2024, 46(12): 2675-2683. DOI: 10.11779/CJGE20230766

基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法  English Version

基金项目: 

国家重点研发计划项目 2022YFE0128400

国家自然科学基金面上项目 42177134

中央高校基本科研业务费专项资金项目 

详细信息
    作者简介:

    禹海涛(1983—),男,博士,教授,主要从事地下工程防灾减灾方面的研究工作。E-mail: yuhaitao@tongji.edu.cn

  • 中图分类号: TU411

A hybrid method to identify pulse-like ground motions and pulse periods based on ST-CNN

  • 摘要: 如何快速准确地识别脉冲型地震动是困扰学术界和工程界的关键难题,定量识别方法虽然能够克服人工识别的经验性限制,但是传统定量识别方法存在识别结果不一致、适用范围不广泛、难以同时识别脉冲周期或识别的脉冲周期部分情况下差异明显等问题。为此建立了一种问题针对性融合学习规则并结合卷积神经网络(CNN),开发出了一种新的脉冲型地震动与脉冲周期同步识别方法。该学习规则通过对基于不同识别原理的多个传统典型识别方法进行融合学习并采用全球范围的30000条任意方向地震动数据进行训练和验证,摒弃了以往繁琐的人工标记过程并得到了3个问题针对性识别模型,分别命名为Strict识别模型、General识别模型以及TP识别模型。除此之外,为解决地震动时序输入信息不足从而导致模型泛化能力较弱的问题,对CNN的输入结构进行了优化增强,提出了ST-CNN模型。其引入了S变换层以将地震动时序变换至时频,从而增加了频域分布信息并进一步提高了识别精度。结果表明:Strict识别模型能严格区分脉冲型与非脉冲型地震动,识别结果得到已有方法的一致认可;General识别模型的识别能力更强,适用范围更加广泛;TP识别模型识别的脉冲周期更加准确,并可与前述识别模型并用以同步输出识别结果。提出的问题针对性融合学习规则还可推广至其他工程领域与其他机器学习模型,建立的识别方法可为脉冲型地震动研究提供科学指导。
    Abstract: The rapid and precise identification of the pulse-like ground motions is a key challenge that perplexes both the academic and engineering communities. The quantitative identification methods can overcome the empirical limitations of manual identification. However, the traditional quantitative identification methods suffer from inconsistencies in the identified results, limited applicability, and difficulties in simultaneously determining the accurate pulse periods. In response, a problem-targeted fusion learning rule is established, combined with a convolutional neural network (CNN) model, to develop a novel method to synchronously identify pulse-like ground motions and their pulse periods. This learning rule integrates multiple traditional typical identification methods based on different identification principles, thereby eliminating the cumbersome manual labeling process. It employs 30000 ground motion data from arbitrary directions worldwide for training and validation, resulting in three problem-targeted CNN models named the Strict, General, and TP identification models. To address the issue of insufficient temporal input information for ground motions leading to weak model generalization capability, the input structure of the CNN model is optimized, and the ST-CNN model is proposed, incorporating the S-transform layer to convert ground motion time series to time frequency, thereby enhancing frequency domain distribution information and further improving the identification accuracy. The results indicate that the Strict model can strictly differentiate between the pulse-like and non-pulse-like ground motions, with the results consistent with those of other methods. The General model can identify more pulse-like ground motions and has broader applicability. The TP model accurately identifies pulse periods and can be used in conjunction with the aforementioned models to synchronously output the identified results. The proposed problem-targeted fusion learning rule can also be extended to other engineering fields and other machine learning models, and the established identification method can provide scientific guidance for the study on the pulse-like ground motions.
  • 土体参数空间变异性对土坡稳定性的影响已受到岩土工程界的广泛关注,繁冗的计算量是空间变异土坡可靠度分析面临的瓶颈问题。为解决该问题,诸多学者在蒙特卡洛模拟(MCS)分析中采用高效的代理模型取代耗时的边坡稳定分析模型,从而减少计算量、提高分析效率。在处理空间变异土坡可靠度问题时,常用的随机场模拟方法需要将土体离散为成百上千个随机变量,带来的“维度灾难”问题,导致许多代理模型难以适用。尽管目前存在一些降维方法,如采用Karhunen-Loève(KL)级数展开模拟土坡随机场,并在随机变量数量较少的低维标准正态空间构建代理模型。然而,当土性参数自相关距离较小、场地区域较大或采用指数型自相关函数时,为保证随机场模拟具有足够精度,KL级数展开所需的随机变量数量仍然较多[1-4]。开发不受随机变量维度影响,并在高维物理参数空间(X空间)中适用的代理模型,进而进行空间变异土坡可靠度分析的研究依然有限[5]

    边坡代理模型的构建需要足够的训练样本点,一般而言,训练样本点越多,模型越精确、预测误差越小。然而,过多的训练样本点意味着需要调用更多次数的边坡稳定分析模型,从而大幅度增加计算量,影响计算效率。如何采用较少的训练样本点获得精度较高的边坡代理模型仍是一个关键技术难题。当前基于代理模型的可靠度方法,其训练样本点的选取主要分为全局取样法和局部取样法两大类。全局取样法试图构建一个在不确定参数的全域内均具有较高预测精度的代理模型,因此往往需要较多的训练样本点[1-3, 5]。需要指出的是,基于MCS法的边坡可靠度分析属于分类问题,即失效概率的求解只需准确判断安全系数Fs是否小于1.0,而无需得出其精确值。因此,全局取样法会产生大量对求解边坡失效概率贡献不大的训练样本点,从而降低计算效率。局部取样法旨在参数空间的关键区域内(如极限状态面LSS附近)选取训练样本点,进而构建边坡的局部代理模型,提高其在LSS附近区域的分类预测精度[6]。同时,局部取样法能够较好地与主动学习策略相结合,通过借助不同的主动学习函数,逐个识别LSS附近的最优训练样本点,从而减少训练样本点的数量[6-8]。然而,现有的局部取样法大多只适用于随机变量较少(低维)的情况,在考虑参数空间变异性的随机场工况时仍然面临着高维变量拟合困难的问题。

    强度折减法是求解边坡安全系数最普遍的方法之一,该方法将边坡安全系数定义为将土体抗剪强度折减以使得边坡接近失稳状态的折减系数[9]。换而言之,若将土体抗剪强度除以Fs,则折减后的土体强度参数可恰好使边坡处于极限平衡状态。基于强度折减理论,可以直接识别出LSS上的临界样本点,进而有助于局部代理模型的构建。目前,关于这方面的尝试仍十分有限。

    针对上述问题,从强度折减理论和局部取样法角度出发,提出一种基于强度折减采样(strength reduction sampling, SRS)与高斯过程回归(Gaussian process regression, GPR)的空间变异土坡自适应可靠度分析方法(SRS-GPR)。该方法基于SRS生成位于LSS上的临界训练样本点,通过GPR模型构建土体高维随机变量与边坡安全系数之间的函数关系。在此基础上,提出一种主动学习策略来有效识别靠近LSS区域附近的最优训练样本点,通过迭代更新逐步提高GPR模型在失效区域附近的预测精度,从而降低所需训练样本点数量,提高计算效率。最后,通过两个空间变异土坡算例验证所提方法的有效性。

    土体性质的空间变异性表现为土体参数在空间不同位置间存在相关性。为合理描述土体性质的空间变异性,随机场模型得到众多学者的青睐。在随机场模型中,由于现场勘察数据有限,通常采用理论自相关函数来模拟土体参数间的自相关性,采用的二维高斯型自相关函数表达式为[10]

    ρ(Δh,Δ)=exp[(Δ2hlh2+Δ2vl2v)] (1)

    式中:ΔhΔv分别为水平和垂直方向上任意两点间的相对距离;lhlv分别表示水平和垂直方向的自相关距离。此外,高斯型自相关距离l为波动范围δ1/π倍。

    采用计算精度和效率较高的KL级数展开法离散土体强度参数非高斯随机场。基于KL展开的独立高斯随机场H(x, y)表达式为

    H(x,y)ˆH(x,y)=μ+σnsi=1λifi(x,y)ξi (2)

    式中:(x, y)为二维计算区域Ω = {(x, y)| x∈[0, L1], y∈[0, L2]}内任意点的坐标,其中L1L2分别为随机场计算区域的水平和垂直尺寸;μ′,σ′分别为随机场的均值和标准差;λifi(·)分别为自相关函数的第i个特征值和特征函数;ξi为第i组独立标准正态随机变量;Ĥ(x, y)为考虑截断误差的近似随机场;ns为KL展开截断项数,其数值大小决定随机场模型精度,一般采用期望能比率因子ε来确定:

    ε=nsi=1λii=1λi=nsi=1λiL1L2 (3)

    根据文献[3]建议,可采用ε ≥ 95%作为确定截断项数ns的依据,以确保离散后的随机场具有较高精度。当土体参数服从对数正态分布时,便可将式(2)的独立高斯随机场通过等概率转换方法得到独立非高斯随机场如下:

    ˆH(x,y)=exp[μlnx+σlnxnsi=1λifi(x,y)ξi] (4)

    式中:μlnxσlnx分别为参数对数化后的均值和标准差。最后,考虑参数之间的互相关性(如黏聚力和内摩擦角之间的负相关性),借助乔列斯基法分解参数间的互相关系数矩阵,便可得到土体多参数的相关非高斯随机场。

    在边坡可靠度分析中,可将代理模型与MCS方法结合进行失效概率Pf计算[11]

    Pf1NMCSNMCS i=1I[Fs(xi)<1]1NMCSNMCSi=1I[R(xi)<1] (5)

    式中:xi为土体随机场参数的输入向量;Fs(xi)为利用边坡稳定分析模型计算的安全系数;R(xi)为代理模型预测的边坡安全系数;I[·]为指示性函数,当Fs(xi) < 1(即边坡失效),I[·] = 1,否则I[·] = 0;NMCS为模拟次数。当代理模型构建完成后,Pf的计算仅需基于该模型求解边坡安全系数,而无需重复调用边坡稳定分析模型,因此可以显著提高边坡可靠度分析效率[12]

    由于高斯过程回归在处理复杂非线性问题时具有较强的拟合优势[13-16],采用GPR构建边坡Fs的代理模型,以下简要介绍GPR原理。高斯过程是随机变量的集合,且假定任意有限个随机变量均服从联合高斯分布[17]。高斯过程f(x)可通过均值函数和协方差函数来表征:

    m(x)=E(f(x)), (6)
    k(x,x)=E[(f(x)m(x))(f(x)m(x))] (7)

    式中:m(x)为均值函数,通常取零;E(·)表示期望算子;k(x, x′)为输入样本xx′的协方差函数,这里采用平方指数型[16]。当给定一组训练样本Xt = [x1, x2, …, xn]T时,其相应的响应向量为Yt = [y1, y2, …, yn]T,则可构建输入变量与响应量之间的关系如下:

    vi=f(xi)+ε (8)

    式中:ε为噪声值,服从均值为零、方差为σ2的独立高斯分布。以f值为条件的Yt的分布可由各向同性的高斯分布表示:

    p(Ytf,Xt)=N(f,σ2I) (9)

    式中:I为单位矩阵。由于GPR是一种贝叶斯方法,它假设回归函数的均值先验为零,因而Yt的先验分布可表示为

    p(YtXt)=p(Ytf,Xt)p(fXt)df=N(0,K(Xt,Xt)+σ2I) (10)

    式中:K(·)表示分量为Kij = k(xi, xj)的协方差矩阵。因此,在给定训练输入样本的情况下,可以通过最大化输出的对数似然来求解式(10)中的超参数θ = [λ, σf, σ]。在确定最优超参数θ后,先验条件下新样本X*处的响应值Yt与预测值Y*的联合分布可表示为

    [YtY]N(0,[K(Xt,Xt)+σ2IK(Xt,X)K(X,Xt)K(X,X)]) (11)

    进而可得Y*的后验分布:

    p(YX,Xt,Yt)=N(μ,σ2), (12)
    μ=K(X,Xt)[K(X,Xt)+σ2I]1Yt, (13)
    σ2=K(X,X)K(X,Xt)[K(Xt,Xt)+                σ2I]1K(Xt,X) (14)

    式中:μ*σ*2分别为预测值Y*在新样本X*处的均值和方差向量。

    强度折减法的原理是将边坡土体抗剪强度参数cϕ同时除以折减系数Fr,得到一组新的crϕr值,然后作为一组新的边坡输入参数,再进行试算。土体的抗剪强度折减公式为

    τr=(c+σntanϕ)/Fr=cr+σntanϕr, (15)
    cr=c/Fr, (16)
    tanϕr=tanϕ/Fr (17)

    式中:cϕ分别为土体的黏聚力和内摩擦角;σnτr分别为作用于土体的正应力和剪应力;crϕr分别为折减后的黏聚力和内摩擦角。在强度折减法中,折减系数Fr通过迭代计算不断调整,直至边坡恰好达到失稳破坏(极限平衡状态),则此时的折减系数等于边坡的安全系数,即Fr = Fs

    根据强度折减理论,本文提出强度折减采样法,该方法可直接基于已知的边坡安全系数,得到相应的临界抗剪强度参数为

    ce=c/Fs (18)
    tanϕe=tanϕ/Fs (19)

    式中:ceϕe为使边坡处于极限平衡状态的临界抗剪强度参数,即Fs(ce, ϕe) = 1.0,因此在随机参数空间由临界抗剪强度参数构成的点恰好位于边坡功能函数的极限状态面上。结合式(18),(19)可得

    cetanϕe=ctanϕ (20)

    由式(20)可知,在c-tanϕ参数空间,坐标原点O、任意一组强度参数构成的随机点(cj, tanϕj)和其对应的临界点(cej, tanϕej) 三者共线,j = 1, 2, …, k,如图 1所示。

    图  1  强度折减采样法原理
    Figure  1.  Principle of strength reduction sampling method

    当考虑土体强度参数空间变异性时,令x0 = {c1, …, cM, ϕ1, …, ϕM}表示参数随机场离散后的c-ϕ向量,其中ciϕi分别为黏聚力和内摩擦角的随机场实现值,i = 1, 2, …, M。基于强度折减理论,可得临界样本点xe0 = {ce1, …, ceM, ϕe1, …, ϕeM},其中

    cei=ci/Fs,ϕei=arctan(tanϕi/Fs)} (21)

    综上,当存在一组随机场实现值x0时,可基于式(21)获取其相应的临界样本点xe0,此时的xe0恰好位于边坡极限状态面上,即Fs(xe0) = 1.0。值得说明的是,基于SRS法生成的临界样本点xe0不仅可以极大地提升边坡代理模型在极限状态面附近的预测精度,而且xe0的获取无须额外调用边坡稳定分析模型,可大幅提高边坡可靠度分析效率。

    选取合适的训练样本点不仅可以提高代理模型预测精度,而且能够减少调用边坡稳定分析模型次数。本文提出一种主动学习策略,该策略可在蒙特卡洛样本池中选取对失效概率评估贡献最大的样本点。该样本点应当满足:①尽可能靠近预测的LSS;②远离已有的训练样本点,以避免样本点过度聚集,造成信息冗余。首先从蒙特卡洛(MC)样本池中提取靠近预测的LSS的候选样本点,该候选样本点满足:

    |R(xi)1|max (22)

    式中:R(xi)为给定输入xi时的GPR模型预测的安全系数值。然后比较候选样本点与已有训练样本点之间的欧氏距离,并根据如下公式选择最优样本点xa作为新的训练样本点:

    {d_{\min ,i}} = \min (||{\boldsymbol x_i} - {\boldsymbol x_j}||)\text{,} (23)
    {\boldsymbol x_{\rm a}} = \arg [\max ({d_{\min ,i}})]。 (24)

    式中:xi为由式(22)提取的候选样本点,i = 1, 2, …, Ncxj为已有的训练样本点,j = 1, 2, …, n

    式(22)~(24)可保证识别的最优训练样本点分布在边坡功能函数的极限状态边界附近。

    本文融合SRS、GPR模型和主动学习策略,提出空间变异性边坡自适应可靠度分析方法(SRS-GPR)。其中,SRS用以生成临界样本点,GPR模型作为边坡安全系数的代理模型,而主动学习策略用以识别新的最优训练样本点来更新GPR模型。综上,所提SRS-GPR方法计算流程如图 2所示,其具体实施步骤如下:

    图  2  SRS-GPR方法的计算流程图
    Figure  2.  Flow chart of proposed SRS-GPR method

    (1)确定边坡随机土体参数的统计特征,如概率分布、均值、标准差、波动范围(自相关距离)、自相关函数及互相关系数等,建立边坡稳定性分析模型。

    (2)根据随机参数的概率分布,在X空间中生成NMCS个随机场蒙特卡洛样本点,形成样本池。

    (3)生成一组随机场初始样本点S0,并调用边坡稳定模型求解相应Fs。在主动学习策略的协助下,初始样本数对边坡可靠度分析影响较小,少量的初始样本点(本文取20)即可满足计算精度要求[7]。为保证样本点空间分布的均匀性,通常可采用拉丁超立方抽样(LHS)、均匀设计和中心复合设计等方法生成初始样本点[14, 18-19]

    (4)基于SRS法生成与初始样本点对应的临界样本点Se0。随后,将初始样本点S0、临界样本点Se0及相应的安全系数组成训练样本集。

    (5)在X空间内,基于步骤(4)中的训练样本集构建边坡安全系数的GPR代理模型。

    (6)基于步骤(5)得到的GPR模型和步骤(2)生成的MC样本点进行边坡可靠度分析,采用式(5)计算边坡失效概率Pf

    (7)判断迭代计算是否终止。若σ(Pf,iter(5))/μ(Pf,iter(5)) < 0.3%[6],计算转至步骤(9);否则,转至步骤(8)。其中,Pf,iter(5)为GPR模型在当前连续5次迭代计算的失效概率[20]μ(·),σ(·)分别为相应的均值和标准差。

    (8)采用2.4节所提主动学习策略确定新的最优训练样本xa,调用边坡稳定模型计算点xa处的安全系数,并基于式(21)生成相应的临界样本点xea。将xaxea及其安全系数补充至训练样本集中,随后转至步骤(5)。

    (9)终止迭代计算,输出步骤(6)最终所得边坡失效概率Pf

    本节将通过两个土坡算例来验证所提SRS-GPR方法的准确性、高效性、鲁棒性和适用性。其中,边坡安全系数采用简化Bishop法(BSM)计算,将基于直接MCS法求解的Pf作为精确解来验证SRS-GPR方法的准确性。采用边坡稳定性模型的平均调用次数Ncall量化计算效率,并与文献中其它方法比较来验证SRS-GPR方法的高效性。进行20次独立的边坡可靠度分析,采用95%置信区间验证SRS-GPR方法的鲁棒性。同时,设计多种计算工况,进一步验证SRS-GPR方法的适用性。

    以不排水饱和黏性土坡为例进行分析,二维边坡几何尺寸如图 3所示,坡高5 m,坡角为26.6°。边坡黏土重度为20 kN/m3,视为常量。采用高斯型自相关函数模拟土体不排水抗剪强度cu的空间变异性,根据文献[321~23],假设cu服从均值为23 kPa,变异系数为0.3的对数正态分布随机场,水平和垂直自相关距离分别取20,2 m。基于图 3几何尺寸建立边坡稳定性分析模型,采用KL展开方法离散cu随机场,边坡区域共划分为910个边长为0.5 m的随机场网格单元。利用MATLAB软件编写BSM程序求解边坡Fs。基于cu参数均值计算的Fs为1.356,与文献中采用BSM方法求解的1.356[3, 21]和1.355[22-23]一致,其相应最危险滑动面位置如图 3所示。

    图  3  黏性土坡剖面及随机场网格示意图
    Figure  3.  Profile of cohesive slope and elements of random field

    图 4给出cu随机场的一次典型实现,颜色越深表示cu值越大,颜色越浅则表示cu值越小。从图 4中不难发现参数cu值随着空间位置的变化而变化,且相邻位置间的cu值也存在着一定的相关性。

    图  4  不排水强度cu随机场的一次典型实现
    Figure  4.  A typical realization of random field of cu

    根据2.5节的计算流程,首先生成20万组cu随机场的MC样本点,从中选取20个初始样本点S0,求解边坡Fs,其相应的临界样本点Se0可通过式(21)得到,并将初始样本点S0和临界样本点Se0及其安全系数组合构成训练样本集。随后,利用训练数据集构建边坡Fs的GPR模型,并基于20万组MC样本点求解边坡Pf。当迭代计算不满足终止条件时,基于式(22)~(24)识别最优样本点xa,将点xa和相应临界样本点xea及其安全系数补充至训练数据集中,接着采用新的训练样本集重新训练GPR模型,并求解对应的边坡Pf。当终止条件满足时,迭代计算结束,输出最终的边坡Pf图 5给出一次随机分析下,采用SRS-GPR方法进行边坡可靠度计算的迭代过程。由图 5(a)可见,随着迭代计算的进行,本文提出方法计算的Pf逐渐收敛到MCS精确解,计算终止时得到的边坡Pf(0.0883)与精确解(0.0882)吻合较好,此时的边坡稳定模型调用次数为78,GPR模型的超参数取值为θ = [466.14, 0.52, 0.0017]。由图 5(b)可见,大部分训练样本点的Fs值都接近1.0(即靠近LSS),说明本文提出的主动学习策略可有效识别边坡极限状态面附近的样本点。此外,由于临界样本点可直接利用式(21)获得,无需进行额外的边坡确定性分析,因此在迭代计算过程中,边坡确定性分析次数仅为用于构建GPR模型的训练样本数量的1/2。

    图  5  可靠度分析迭代计算过程
    Figure  5.  Iterative calculation process of reliability analysis

    为说明所提方法建立局部代理模型的特点,图 6给出所提方法与MCS方法计算的边坡安全系数累积分布函数(CDF)曲线。由图 6可知,当Fs取值在1.0附近时,所提方法得到的CDF曲线与MCS方法吻合较好;而当Fs取其它值时(如1.5附近),所提方法的CDF曲线精度较差。这是由于所提方法针对的是影响边坡稳定的关键区域,建立的是局部代理模型,故而所选取的训练样本点大多集中在LSS附近(如图 5(b)所示),因此所提方法得到的CDF曲线在Fs = 1.0附近相较于其它位置的预测精度更高。考虑到本文旨在准确计算边坡失效概率,故而所提方法通过聚焦于边坡极限状态区域,能够有效选取对失效概率评估贡献较大的关键样本点。

    图  6  安全系数的累积分布函数值
    Figure  6.  Cumulative distribution function for safety factor

    为降低随机模拟过程中的不确定性,采用SRS-GPR方法对该算例进行20次重复独立可靠度分析,并对结果取平均。表 1给出所提方法与其它方法的计算结果比较。由表 1可知,相较于其它可靠度分析方法,SRS-GPR方法平均仅需边坡确定性分析73.3次,便可得出与MCS精确解精度吻合的结果,显著提高边坡可靠度分析效率,且20次独立分析所得Pf的95%置信区间较窄,表明所提方法具有较好的鲁棒性。同时,相较于CNN-LHS、EQP-MRSM和RSSs-RSM方法,不难发现本文方法通过有效结合强度折减采样、主动学习策略和GPR模型,在X空间处理空间变异性土坡可靠度问题上具有显著优势。为了验证所提方法分析低概率问题的有效性,根据文献[3]将cu的变异系数取为0.15,所提方法计算的边坡失效概率为5.16×10-4,边坡确定性分析次数为100,与500万次直接MCS所得结果(5.19×10-4)的一致性较好。为进一步验证所提方法在考虑不同自相关距离时的适用性,设置水平和垂直自相关距离取值范围分别为[3]lv = [0.5 m, 3.0 m]和lh = [10 m, 40 m]。图 7给出边坡Pf随自相关距离的变化关系曲线。由图 7可知,对于不同工况下自相关距离值,本文方法均可给出较为准确的边坡失效概率。

    表  1  不排水黏性土坡可靠度分析结果
    Table  1.  Reliability results of undrained cohesive slope
    方法类别 Ncall Pf Fs计算方法
    MCS 100000 0.0882 BSM
    LHS[3] 1000 0.0830 BSM
    2阶多重SRSM[3] 1000 0.0790 BSM
    3阶多重SRSM[24] 1000 0.0810 BSM
    GPR-RSM[4] 150 0.0740 BSM
    CNN-LHS[5] 100 0.1070 FDM
    EQP-MRSM[22] 3021 0.0740 BSM
    RSSs-RSM[23] 1821 0.0755 BSM
    SRS-GPRa 73.3 0.0881 BSM
    SRS-GPRb [64.3,84.2] [0.0854,0.0908] BSM
    注:上标a为20次独立分析的平均结果;上标b为95% 置信区间;FDM为有限差分法;SRSM为随机响应面法;GPR-RSM为基于高斯过程回归的响应面法;CNN-LHS为基于卷积神经网络的拉丁超立抽样法;EQP-MRSM为基于等效参数的多重响应面法;RSSs-RSM为基于代表性滑面的响应面法。
    下载: 导出CSV 
    | 显示表格
    图  7  自相关距离对边坡失效概率的影响
    Figure  7.  Effects of autocorrelation distance on failure probability of slope

    以文献[1021]中的黏性-摩擦(c-ϕ)土坡为例,对SRS-GPR方法进行验证。该边坡模型尺寸如图 8所示,坡高为10 m,坡角为45°,土体重度为20 kN/m3。边坡可靠度分析的土体统计参数如表 2所示,采用相关对数正态随机场模拟土体cϕ的空间变异性。基于表 2中参数均值,采用BSM方法求解的Fs为1.204,与文献中计算结果1.204[21],1.205[1, 23],1.206[3],1.208[10]相一致,其相应的临界滑动面见图 8所示。随机场离散后的边坡区域共剖分1190个边长为0.5 m的四边形单元和坡面附近过渡区20个三角形单元,如图 8所示。图 9给出c-ϕ随机场的一次典型实现,可见参数cϕ之间存在明显的负相关性,与实际情况吻合。

    图  8  黏性-摩擦土坡剖面及随机场网格示意图
    Figure  8.  Profile of cohesive-frictional slope and elements of random field
    表  2  黏性-摩擦土坡可靠度分析的土体参数
    Table  2.  Parameters for reliability analysis of cohesive-frictional slope
    土体参数 均值 变异系数 分布类型 波动范围 互相关系数
    c/kPa 10 0.3 对数
    正态
    δv = 4 m
    δh = 40 m
    ρcϕ = −0.5
    ϕ/(°) 30 0.2 对数
    正态
    δv = 4 m
    δh = 40 m
    下载: 导出CSV 
    | 显示表格
    图  9  cϕ互相关随机场的一次典型实现(ρcϕ = −0.5)
    Figure  9.  A typical realization of cross-correlated random fields of c and ϕ (ρc, ϕ = −0.5)

    基于表 2中的参数统计特征,在一次随机模拟下采用本文方法计算的边坡Pf为0.0263,与10万次MCS计算的结果(Pf = 0.0269)吻合较好,边坡确定性分析次数为86,GPR模型的超参数取值为θ = [1456.51,0.82,0.0011],对应的可靠度分析迭代计算过程如图 10所示,其中归一化Pf定义为所提方法计算的失效概率与MCS精确解的比值。为保持与文献中的研究工况一致,图 10中还给出另外两种不同波动范围时的计算结果。由图 10(a)可见,在迭代计算初期,由于训练样本点较少,本文方法在LSS附近的预测精度较差,因此归一化Pf与精确解(即1.0)的差别较大。随着迭代计算的持续进行,用于训练GPR模型的有效随机场样本点逐渐被准确识别(如图 10(b)中大多数训练样本点的Fs值在1.0附近),本文方法的预测精度不断提升并最终收敛至精确解。值得注意的是,尽管该边坡所含随机变量的数量高达2420(包括1210个c和1210个ϕ),但本文方法仍然具有较高的计算精度,呈现出良好的适用性。

    图  10  可靠度分析迭代计算过程
    Figure  10.  Iterative calculation process of reliability analysis

    与3.1节类似,为降低随机模拟过程中的不确定性,对该黏性-摩擦土坡进行20次独立可靠度分析,并对结果取平均。将文献中的不同方法,如LHS,MARS,SIR-MARS等结果也列于表 3进行比较。由表 3可知,相较于其它可靠度分析方法,提出的SRS-GPR方法仅需调用边坡稳定模型小于100次,便可获得与精确解吻合的结果,同时,其较窄的置信区间也表明本文方法鲁棒性较好。

    表  3  不同工况下的黏性-摩擦土坡可靠度分析结果
    Table  3.  Reliability results of cohesive-frictional slope in different cases
    计算工况 方法类别 Ncall Pf Fs计算方法
    δv = 4 m
    δh = 40 m
    MCS 100000 0.0269 BSM
    LHS[1] 10000 0.0272 BSM
    MARS[1] 280 0.0292 BSM
    SIR-MARS[25] 120 0.0261 FDM
    SRS-GPRa 87.9 0.0267 BSM
    SRS-GPRb [78.4, 97.4] [0.0252, 0.0282] BSM
    δv = 8 m
    δh = 40 m
    MCS 100, 000 0.0582 BSM
    LHS[1] 10000 0.0570 BSM
    MARS[1] 280 0.0546 BSM
    SIR-MARS[25] 120 0.0538 FDM
    SRS-GPRa 67.8 0.0593 BSM
    SRS-GPRb [60.4, 75.2] [0.0569, 0.0617] BSM
    δv = 4 m
    δh = 80 m
    MCS 100, 000 0.0277 BSM
    LHS[1] 10000 0.0286 BSM
    MARS[1] 280 0.0305 BSM
    SIR-MARS[25] 120 0.0295 FDM
    SRS-GPRa 88.4 0.0283 BSM
    SRS-GPRb [81.8, 94.9] [0.0271, 0.0294] BSM
    注:上标a为20次独立分析的平均结果;上标b为95%置信区间;FDM为有限差分法;MARS为多元自适应回归样条;SIR-MARS为切片逆回归与MARS组合方法。
    下载: 导出CSV 
    | 显示表格

    为进一步系统研究本文提出方法在不同工况下的适用性,根据文献[10],选取参数ρc, ϕ,COVc,COVϕδv的取值范围为ρc, ϕ∈ [−0.7, 0.5],COVc ∈ [0.1, 0.7],COVϕ ∈ [0.05, 0.20],δv ∈ [1 m, 6 m]。当某一参数变化时,其余参数取定值:ρc, ϕ = 0,COVc = 0.3,COVϕ = 0.2,δv = 4 m,δh = 40 m。图 11~13分别给出SRS-GPR方法与其它方法的边坡可靠度分析结果比较。由图 11~13可见,当参数ρc, ϕ,COVc,COVϕδv在不同范围内取值时,本文方法计算的Pf与精确解基本保持一致。因此,所提的SRS-GPR方法能够高效、准确地评估不同土体空间变异程度的高维边坡可靠度问题。

    图  11  不同方法所得Pf随互相关系数ρcϕ的变化
    Figure  11.  Variations of Pf given by different methods with cross-correlated coefficients between cohesion and friction angle
    图  12  不同方法所得Pf随黏聚力和内摩擦角变异系数的变化
    Figure  12.  Variations of Pf given by different methods with COVc and COVϕ
    图  13  不同方法所得Pf随垂直波动范围的变化
    Figure  13.  Variations of Pf given by different methods with vertical scale of fluctuations

    将强度折减采样、高斯过程回归和主动学习策略有机结合,提出一种可在原始物理参数空间处理高维变量的空间变异边坡自适应可靠度分析方法。通过不排水饱和黏性土坡和黏性-摩擦土坡两个算例验证所提方法的有效性,得到4点结论。

    (1)基于强度折减理论,推导边坡极限平衡状态下的强度参数公式,提出强度折减采样法,该方法无需进行边坡确定性分析,便可有效生成极限状态面上的临界样本点。

    (2)融合强度折减采样和主动学习策略,可自适应搜索最优样本点,有效提高GPR模型在极限状态面附近的预测精度,从而避免因样本点过度集中造成信息冗余,显著提高可靠度分析效率。

    (3)算例结果表明,相较于其它方法,所提方法不受随机场模拟方法的影响,可直接在原始高维物理参数空间应用,且边坡确定性分析次数少,可靠度计算效率高,Pf置信区间较窄。同时,所提方法在不同工况下,仍能给出与直接MCS法相吻合的Pf结果。上述结果均表明所提方法具备较好的准确性、高效性、鲁棒性和适用性,可为解决考虑参数空间变异性的高维边坡可靠度问题提供一条有效途径。

    (4)在验证方法有效性时,采用极限平衡法(简化Bishop法)求解边坡安全系数。需要指出的是,所提方法中的边坡确定性分析并不限于极限平衡法,边坡稳定性分析的有限元或有限差分法同样适用。

  • 图  1   问题针对性融合学习规则流程图

    Figure  1.   Flow chart of problem-targeted fusion learning rule

    图  2   Strict神经网络识别模型结构图

    Figure  2.   Structural diagram of Strict neural network identification model

    图  3   脉冲型地震动时序及其时频变换结果对比图

    Figure  3.   Diagram of a pulse-like ground motion time series and comparison of its time-frequency transformation results

    图  4   S变换时频输入与时序输入模型性能对比图

    Figure  4.   Comparison of performance of S-transform time-frequency input models and time-series input models

    图  5   Strict识别模型自身及与其他方法对比混淆矩阵

    Figure  5.   Confusion matrix of Strict identification model and comparison with other methods

    图  6   General识别模型自身及与其他方法对比混淆矩阵

    Figure  6.   Confusion matrix of General identification model and comparison with other methods

    图  7   TP模型的识别结果及与其他3种脉冲周期识别方法的比较图

    Figure  7.   Identification of TP identification model and comparison with other identification methods for pulse periods

    图  8   本研究识别的脉冲周期与地震震级的关系及拟合曲线结果对比

    Figure  8.   Relationship between pulse periods identified in this study and earthquake magnitude and comparison of fitting curves

    表  1   ST-CNN模型结构超参数

    Table  1   Structural hyperparameters of ST-CNN models

    参数 值或函数
    输入形式 (100×100,1),
    (200×200,1),
    (300×300,1)
    卷积层数量 2,3,4
    卷积核数量 32,64,128
    卷积核大小 (3×3)
    池化层数量 2
    池化函数 Maxpooling(2×2)
    全连接层数量 4
    全连接层神经元数量 32,64,128
    激活函数 ReLU,Strict和General识别模型最后一层为Softmax,TP识别模型最后一层无激活函数
    下载: 导出CSV

    表  2   最优模型性能表现

    Table  2   Performance of optimal models

    模型 性能表现
    Strict
    最优识别模型
    Train CC 0.0657
    Val CC 0.1072
    Train Acc 0.9991
    Val Acc 0.9915
    General
    最优识别模型
    Train CC 0.0499
    Validation CC 0.0900
    Train Acc 0.9995
    Val Acc 0.9900
    TP
    最优识别模型
    Train MSE 0.0021
    Val MSE 0.0252
    Train MAE 0.0297
    Val MAE 0.0598
    下载: 导出CSV

    表  3   脉冲周期与地震震级的拟合曲线对比

    Table  3   Comparison of fitting curves between pulse periods and earthquake magnitude

    来源 回归曲线
    TP识别模型 lgTP=2.34+0.41MW
    Baker lgTP=2.49+0.44MW
    SvSd lgTP=2.48+0.42MW
    Chang lgTP=2.48+0.42MW
    Somervile[19] lgTP=3.00+0.50MW
    Mavroeidis[8] lgTP=2.20+0.40MW
    Tang等[20] lgTP=2.18+0.38MW
    下载: 导出CSV

    表  4   本文方法运行耗时

    Table  4   Time taken to run proposed method

    项目 S变换 Strict General TP
    耗时/s 0.094 0.071 0.091 0.086
    下载: 导出CSV
  • [1]

    SOMERVILLE P G, SMITH N F, GRAVES R W, et al. Modification of empirical strong ground motion attenuation relations to include the amplitude and duration effects of rupture directivity[J]. Seismological Research Letters, 1997, 68(1): 199-222. doi: 10.1785/gssrl.68.1.199

    [2]

    SCHIAPPAPIETRA E, LANZANO G, SGOBBA S. Empirical predictive models for fling step and displacement response spectra based on the NESS database[J]. Soil Dynamics and Earthquake Engineering, 2022, 158: 107294. doi: 10.1016/j.soildyn.2022.107294

    [3] 谢俊举, 温增平, 李小军, 等. 基于小波方法分析汶川地震近断层地震动的速度脉冲特性[J]. 地球物理学报, 2012, 55(6): 1963-1972.

    XIE Junju, WEN Zengping, LI Xiaojun, et al. Analysis of velocity pulses for near-fault strong motions from the Wenchuan earthquake based on wavelet method[J]. Chinese Journal of Geophysics, 2012, 55(6): 1963-1972. (in Chinese)

    [4] 谢俊举, 李小军, 温增平. 近断层速度大脉冲对反应谱的放大作用[J]. 工程力学, 2017, 34(8): 194-211.

    XIE Junju, LI Xiaojun, WEN Zengping. The amplification effects of near-fault distinct velocity pulses on response spectra[J]. Engineering Mechanics, 2017, 34(8): 194-211. (in Chinese)

    [5]

    SHAHI S K, BAKER J W. An empirically calibrated framework for including the effects of near-fault directivity in probabilistic seismic hazard analysis[J]. The Bulletin of the Seismological Society of America, 2011, 101(2): 742-755. doi: 10.1785/0120100090

    [6]

    SHAHI S K, BAKER J W. An efficient algorithm to identify strong-velocity pulses in multicomponent ground motions[J]. The Bulletin of the Seismological Society of America, 2014, 104(5): 2456-2466. doi: 10.1785/0120130191

    [7] 梅贤丞, 崔臻, 盛谦. 近断层/远场地震动作用下隧道结构易损性研究[J]. 岩石力学与工程学报, 2021, 40(2): 344-354.

    MEI Xiancheng, CUI Zhen, SHENG Qian. Research on vulnerability of tunnel structures subjected to near-fault and far-field ground motions[J]. Chinese Journal of Rock Mechanics and Engineering, 2021, 40(2): 344-354. (in Chinese)

    [8]

    MAVROEIDIS G P. A mathematical representation of near-fault ground motions[J]. The Bulletin of the Seismological Society of America, 2003, 93(3): 1099-1131. doi: 10.1785/0120020100

    [9]

    BAKER J W. Quantitative classification of near-fault ground motions using wavelet analysis[J]. The Bulletin of the Seismological Society of America, 2007, 97(5): 1486-1501. doi: 10.1785/0120060255

    [10]

    CHANG Z W, SUN X D, ZHAI C H, et al. An improved energy-based approach for selecting pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2016, 45(14): 2405-2411.

    [11]

    ZHAI C H, LI C H, KUNNATH S, et al. An efficient algorithm for identifying pulse-like ground motions based on significant velocity half-cycles[J]. Earthquake Engineering & Structural Dynamics, 2018, 47(3): 757-771.

    [12] 王东升, 陈笑宇, 张锐, 等. 基于希尔伯特-黄变换的近断层地震动脉冲特性研究[J]. 地震学报, 2022, 44(5): 824-844.

    WANG Dongsheng, CHEN Xiaoyu, ZHANG Rui, et al. Characteristics of pulses in near-fault ground motion based on Hilbert-Huang transform[J]. Acta Seismologica Sinica, 2022, 44(5): 824-844. (in Chinese)

    [13]

    FUKUSHIMA K. Neocognitron: a self organizing neural network model for a mechanism of pattern recognition unaffected by shift in position[J]. Biological Cybernetics, 1980, 36(4): 193-202. doi: 10.1007/BF00344251

    [14]

    XU Y, WEI S Y, BAO Y Q, et al. Automatic seismic damage identification of reinforced concrete columns from images by a region-based deep convolutional neural network[J]. Structural Control and Health Monitoring, 2019, 26(3): e2313. doi: 10.1002/stc.2313

    [15] 姬建, 姜振, 殷鑫, 等. 边坡随机场数字图像特征CNN深度学习及可靠度分析[J]. 岩土工程学报, 2022, 44(8): 1463-1473. doi: 10.11779/CJGE202208011

    JI Jian, JIANG Zhen, YIN Xin, et al. Slope reliability analysis based on deep learning of digital images of random fields using CNN[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(8): 1463-1473. (in Chinese) doi: 10.11779/CJGE202208011

    [16]

    MIMOGLOU P, PSYCHARIS I N, TAFLAMPAS I M. Explicit determination of the pulse inherent in pulse-like ground motions[J]. Earthquake Engineering & Structural Dynamics, 2014, 43(15): 2261-2281.

    [17]

    STOCKWELL R G, MANSINHA L, LOWE R P. Localization of the complex spectrum: the S transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.

    [18]

    ZHAI C, CHANG Z, LI S, et al. Quantitative identification of near-fault pulse-like ground motions based on energy[J]. The Bulletin of the Seismological Society of America, 2013, 103(5): 2591-2603.

    [19]

    SOMERVILLE P G. Magnitude scaling of the near fault rupture directivity pulse[J]. Physics of the Earth and Planetary Interiors, 2003, 137(1/2/3/4): 201-212.

    [20]

    TANG Y C, ZHANG J. Response spectrum-oriented pulse identification and magnitude scaling of forward directivity pulses in near-fault ground motions[J]. Soil Dynamics and Earthquake Engineering, 2011, 31(1): 59-76.

  • 期刊类型引用(0)

    其他类型引用(1)

图(8)  /  表(4)
计量
  • 文章访问数:  278
  • HTML全文浏览量:  33
  • PDF下载量:  73
  • 被引次数: 1
出版历程
  • 收稿日期:  2023-08-10
  • 网络出版日期:  2024-07-08
  • 刊出日期:  2024-11-30

目录

/

返回文章
返回