在地震频发地区，建筑的抗震性能评估是保障安全的关键。偏心支撑框架（EBFs）作为一种常见的抗震结构，其核心“减震部件”——剪切连梁的性能存在诸多不确定性：材料强度波动、加工误差、长期使用中的性能退化……这些“不确定因素”像隐藏的“地震风险盲盒”，直接影响建筑在强震中的表现。我国及海外科研团队在《Frontiers of Structural and Civil Engineering》上发表的一项研究，用“耐力时间法+AI模型”的组合，为破解这一难题提供了新思路。

地震评估的“甜蜜烦恼”：不确定性与计算量的双重挑战

传统的抗震性能评估依赖“增量动力分析（IDA）”，即通过反复调整地震波强度，模拟建筑从弹性变形到倒塌的全过程。但这种方法计算量极大——一个4层建筑的评估可能需要数百次非线性时程分析，耗时耗力。更棘手的是，剪切连梁的行为参数（如预压转动能力θp、后压强度退化参数λc等）本身存在不确定性，这些“变量”会像“蝴蝶效应”般放大评估误差，传统方法难以高效量化其影响。

耐力时间法+AI模型：给地震模拟“开加速键”

研究团队提出了一套“组合拳”：首先用“耐力时间法（ET）”替代传统的IDA。这种方法通过持续增强的地震动（类似“逐渐加大力度摇晃建筑”），一次性获取建筑在不同地震强度下的响应数据，将计算量降低数倍。但ET法只能提供基础数据，如何高效处理其中的不确定性？团队引入了“径向基函数网络（RBF）”——一种能快速学习输入输出关系的AI模型，用它替代复杂的有限元计算，将“不确定参数”与“结构响应”的关系“打包”成数学公式。

为验证方法，团队以一个4层EBF建筑为模型，首先通过“单变量敏感性分析”筛选出影响最大的6个剪切连梁参数（如θp、θpc等），排除了对结果影响较小的参数。接着，用“相关拉丁超立方采样（CLHS）”生成200组参数组合，模拟不同不确定性场景下的结构响应。最后，用这些数据训练RBF模型，使其能快速预测任意参数组合下的结构风险。

实验结果：误差4%内，效率提升数倍

测试显示，这套方法的评估结果与传统CLHS方法高度吻合：关键参数（如地震动中位数Samed和离散度β）的预测误差不超过4%。更重要的是，AI模型将计算量从200次非线性分析（每次需数小时）压缩到“秒级”预测，大幅降低了工程应用门槛。

研究还发现，考虑剪切连梁的不确定性后，建筑在“生命安全（LS）”和“防止倒塌（CP）”性能水平下的地震风险显著上升：LS级别的地震动中位数下降4%，离散度增加17%；CP级别的中位数下降5%，离散度增加20%。这意味着，若忽略这些不确定性，可能高估建筑的实际抗震能力。

从实验室到工程：还有多远？

尽管方法高效，但研究也指出其局限性：当前的耐力时间法对地震动离散度（RTR变异性）的估计误差约50%，需进一步优化地震波生成技术；此外，AI模型的泛化能力依赖大量训练数据，小样本场景下的准确性仍需验证。

未来，随着地震波数据库的完善和AI模型的迭代，这种“ET+AI”的组合可能成为工程抗震评估的“标配”——从建筑设计阶段的风险预判，到既有建筑的安全评级，为地震高发区的“韧性城市”建设提供更可靠的技术支撑。

来源: FrontCIVlL