地震中，建筑的“抗震能力”是生命線。偏心支撐框架（EBFs）作為常見的抗震結構，其核心“減震部件”——剪切連梁的性能卻像“薛定諤的盒子”：材料強度可能波動、加工誤差難以避免、長期使用還會退化……這些“不確定因素”直接影響建筑在強震中的表現，但傳統評估方法既慢又難捕捉這些變量。我國及海外科研團隊在《Frontiers of Structural and Civil Engineering》上發表的一項研究，用“耐力時間法+AI模型”的組合，為地震風險評估按下了“加速鍵”。

傳統評估的“卡脖子”難題：慢且不準

過去，評估建筑抗震性能主要靠“增量動力分析（IDA）”——反復調整地震波強度，模擬建筑從輕微晃動到倒塌的全過程。但這種方法像“慢鏡頭回放”：一個4層EBF建筑的評估可能需要數百次非線性時程分析，每次計算耗時數小時，效率低到“讓人撓頭”。更麻煩的是，剪切連梁的行為參數（比如預壓轉動能力θp、后壓強度退化參數λc等）本身存在不確定性，這些“變量”會像“滾雪球”般放大評估誤差，傳統方法根本“抓不準”。

耐力時間法：給地震模擬“開倍速”

研究團隊先換了套“模擬引擎”——用“耐力時間法（ET）”替代IDA。這種方法有點像“逐漸加大力度的搖晃測試”：用持續增強的地震動（類似“從輕輕搖晃到劇烈震動”）一次性獲取建筑在不同地震強度下的響應數據。打個比方，原本需要拍100張照片記錄建筑反應，現在只需要拍一段視頻，就能覆蓋所有強度場景，計算量直接降了數倍。

但ET法只能提供基礎數據，如何處理其中的“不確定變量”？團隊請出了“AI助手”——徑向基函數網絡（RBF）。這種AI模型像“數學翻譯官”，能快速學習“不確定參數”和“結構響應”之間的關系，把復雜的有限元計算“打包”成簡單公式，讓工程師輸入參數后秒級得到風險預測。

實驗驗證：誤差4%內，效率飆升

為測試效果，團隊選了個4層EBF建筑做“小白鼠”。首先通過“單變量敏感性分析”，像“挑重點”一樣篩選出影響最大的6個剪切連梁參數（比如θp、θpc等），排除了對結果影響小的參數。接著用“相關拉丁超立方采樣（CLHS）”生成200組參數組合，模擬不同“不確定場景”下的結構響應。最后用這些數據訓練RBF模型，讓它“學會”預測任意參數組合下的地震風險。

結果令人驚喜：這套方法的評估結果和傳統CLHS方法幾乎“對得上”——關鍵參數（如地震動中位數Samed和離散度β）的預測誤差不超過4%。更厲害的是，AI模型把計算量從200次耗時分析（每次數小時）壓縮到“秒級”，工程應用門檻直接“降了一截”。

研究還發現，忽略剪切連梁的不確定性會“高估安全”：考慮這些變量后，建筑在“生命安全（LS）”和“防止倒塌（CP）”性能水平下的地震風險明顯上升——LS級別的地震動中位數下降4%，離散度增加17%；CP級別的中位數下降5%，離散度增加20%。換句話說，原本以為“能扛8級地震”的建筑，可能實際只能扛7.5級。

未來展望：從實驗室到工地還有幾步？

不過，方法也有“小短板”：當前的耐力時間法對地震動離散度（RTR變異性）的估計誤差約50%，需要優化地震波生成技術；AI模型的準確性依賴大量訓練數據，小樣本場景下還得“再練練”。

隨著地震波數據庫的完善和AI模型的升級，這種“ET+AI”組合可能成為工程抗震評估的“新標配”——從建筑設計階段的風險預判，到老舊建筑的安全“體檢”，為地震高發區的“韌性城市”建設提供更可靠的“安全指南”。

來源: FrontCIVlL