地震瞬間，高樓能否安然無恙？傳統方法依賴耗時數日的有限元計算，難以實現實時預警。近期，同濟大學團隊在《Engineering》發表論文，提出一種融合物理信息的深度學習模型Phy-Seisformer，可在毫秒級預測建筑結構的地震響應，速度較傳統方法快5000倍以上，為災害防控按下“加速鍵”。

從“人工算”到“AI學”：物理規律嵌入神經網絡
傳統地震響應預測依賴復雜數值模擬，需專業軟件和超算資源，難以滿足實時需求。研究團隊另辟蹊徑，將建筑質量、剛度等物理參數與地震波數據共同輸入模型，通過“物理估算器”模塊模擬結構動力學方程。這相當于為AI配備“建筑力學知識庫”，大幅降低數據擬合難度。論文比喻：“就像給自動駕駛汽車加載交規，AI既懂數據規律，又守物理法則?！?/p>

實驗顯示，Phy-Seisformer對四層砌體、21層混凝土框架等三類建筑的加速度、位移預測誤差不足1%，速度預測誤差約2%。面對上海地區特征周期1.1秒的強震波，模型在0.02秒時間步長下，仍保持97%以上的Pearson相關系數（如圖3實驗結果所示）。團隊負責人周穎教授解釋：“模型通過自注意力機制——類似人腦篩選關鍵信息的能力，同步處理建筑數百節點數據。”

速度與精度的雙重革命
在十一層不規則混凝土結構的彈塑性實驗中，Phy-Seisformer耗時僅傳統有限元分析的1/24629。這種效率源于獨特的“分段自回歸”策略：將地震波切割為150步歷史數據+20步預測數據的片段，通過重疊采樣技術將200條地震波擴展為數十萬訓練樣本。研究對比發現，當輸入地震波振幅超過2200mm/s2時，模型精度下降約8%，揭示其在極端災害場景的改進空間。

AI防災的“雙刃劍”效應
盡管技術突破顯著，團隊強調應用邊界：模型暫無法預測建筑倒塌等極限狀態，且依賴高質量有限元訓練數據。論文警示，若輸入地震波頻譜與訓練集差異過大（如罕見長周期地震），可能引發預測偏差。這種局限恰似“自動駕駛遇暴雪天氣”，凸顯多學科協同攻關的必要性。

目前，該技術已應用于我國某超高層建筑健康監測系統。研究團隊透露，下一步將探索“分散式數據治理”模式，聯合多機構建筑振動數據提升模型泛化能力。正如論文結語所言：“當AI既能聽懂地震的‘心跳’，又深諳建筑的‘語言’，人類距離地震智慧防控就更近一步。”

來源: Engineering