地震中，建筑的“抗震能力”是生命线。偏心支撑框架（EBFs）作为常见的抗震结构，其核心“减震部件”——剪切连梁的性能却像“薛定谔的盒子”：材料强度可能波动、加工误差难以避免、长期使用还会退化……这些“不确定因素”直接影响建筑在强震中的表现，但传统评估方法既慢又难捕捉这些变量。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，为地震风险评估按下了“加速键”。

传统评估的“卡脖子”难题：慢且不准

过去，评估建筑抗震性能主要靠“增量动力分析（IDA）”——反复调整地震波强度，模拟建筑从轻微晃动到倒塌的全过程。但这种方法像“慢镜头回放”：一个4层EBF建筑的评估可能需要数百次非线性时程分析，每次计算耗时数小时，效率低到“让人挠头”。更麻烦的是，剪切连梁的行为参数（比如预压转动能力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“滚雪球”般放大评估误差，传统方法根本“抓不准”。

耐力时间法：给地震模拟“开倍速”

研究团队先换了套“模拟引擎”——用“耐力时间法（ET）”替代IDA。这种方法有点像“逐渐加大力度的摇晃测试”：用持续增强的地震动（类似“从轻轻摇晃到剧烈震动”）一次性获取建筑在不同地震强度下的响应数据。打个比方，原本需要拍100张照片记录建筑反应，现在只需要拍一段视频，就能覆盖所有强度场景，计算量直接降了数倍。

但ET法只能提供基础数据，如何处理其中的“不确定变量”？团队请出了“AI助手”——径向基函数网络（RBF）。这种AI模型像“数学翻译官”，能快速学习“不确定参数”和“结构响应”之间的关系，把复杂的有限元计算“打包”成简单公式，让工程师输入参数后秒级得到风险预测。

实验验证：误差4%内，效率飙升

为测试效果，团队选了个4层EBF建筑做“小白鼠”。首先通过“单变量敏感性分析”，像“挑重点”一样筛选出影响最大的6个剪切连梁参数（比如θp、θpc等），排除了对结果影响小的参数。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“不确定场景”下的结构响应。最后用这些数据训练RBF模型，让它“学会”预测任意参数组合下的地震风险。

结果令人惊喜：这套方法的评估结果和传统CLHS方法几乎“对得上”——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%。更厉害的是，AI模型把计算量从200次耗时分析（每次数小时）压缩到“秒级”，工程应用门槛直接“降了一截”。

研究还发现，忽略剪切连梁的不确定性会“高估安全”：考虑这些变量后，建筑在“生命安全（LS）”和“防止倒塌（CP）”性能水平下的地震风险明显上升——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%。换句话说，原本以为“能扛8级地震”的建筑，可能实际只能扛7.5级。

未来展望：从实验室到工地还有几步？

不过，方法也有“小短板”：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%，需要优化地震波生成技术；AI模型的准确性依赖大量训练数据，小样本场景下还得“再练练”。

随着地震波数据库的完善和AI模型的升级，这种“ET+AI”组合可能成为工程抗震评估的“新标配”——从建筑设计阶段的风险预判，到老旧建筑的安全“体检”，为地震高发区的“韧性城市”建设提供更可靠的“安全指南”。

来源: FrontCIVlL